一种基于人头计数的驾驶培训管理方法

摘要

本发明属于视频计数领域，具体涉及一种基于人头计数的驾驶培训管理方法，其包括以下步骤：基于AdaBoost算法检测得到候选人头区域；帧差法检测得到运动区域；用改进KLT tracker算法对特征点进行跟踪；人头检测框大小估计：过线跟踪与计数；该方法可以对教室或训练场地内的学员人数的进行实时统计计数。

主权项

1.一种基于人头计数的驾驶培训管理方法，其特征在于：其包括以下步骤： 步骤1)、首先在离线状态下对垂直人头模型进行训练，得到人头检测的分类器，具体地讲就是：在分辨率为70×70像素的人头样本中使用积分图方法提取扩展Harr特征，每一个特征对应一个弱分类器；使用AdaBoost算法训练弱分类器获得强分类器，并把多个强分类器串联得到分级分类器；利用最终得到的人头检测分类器检测输入图像产生候选人头区域； 步骤2)、对AdaBoost算法检测得到的候选人头区域进一步执行帧差法检测得到运动区域，然后在运动区域上进行滑动窗口搜索，对窗口用SVM分类器进行判定；判定为人头的窗口，则添加此区域内的特征点至检测人头列表中并保存起来，如判断不是人头的窗口，则视为非人头特征点； 步骤3)、用改进KLT tracker算法对特征点进行跟踪； 改进KLT tracker算法如下： 31）、如果Deteced_Object_List不为空，则从中取出一个对象A；否则退出算法； 32）、如果Tracked_Object_List为空，则跳转到步骤4)执行，否则利用式(4)从Tracked_Object_List中选取出和A相似度最大的对象B； N_A＝#(A)N_B＝#(B)N_con＝#(A∩B) 0＜β＜1 式中，A，B表示两个如上所描述的对象集合，#表示求对象集合元素个数的一个操作；β是一个参数，β＝N_B/(N_A+N_B)； 33）、如果sim(A,B)＞T₁，T₁为一个预先设定的阈值，则合并A和B，并更新B的特征点列表；跳转到步骤1)，否则执行下一步； 34）、如果Missed_Obkect_List为空，则跳转到步骤36)执行；否则采用最近邻原则，从Missed_Object_List中选取出对象C； 35）、如果A和C相似性度量值小于上述设定的阈值T₁，则将A和C进行合并，更新C的特征点列表，将C插入Tracked_Object_List中；跳转到步骤31)；否则执行下一步； 36）、将对象A作为一个新目标，加入到Tracked_Object_List；转到步骤31)执行； 其中，Deteced_Object_List:检测人头列表， Tracked_Object_List:跟踪人头列表， Missed_Object_List:丢失人头列表； 步骤4)、人头检测框大小估计：在垂直摄像头环境下，应用公式（5）来计算每个人头检测框大小的估计值H_k，实际测得的人头检测框大小B_k，凡是大小符合|H_k-B_k|＞d的人头检测框为过小或过大检测框，需要剔除；公式（5）如下： 式中ω₁、ω₂为权重；取ω₁＝0.3，ω₂＝0.5，H₀＝B₀，d＝H_k/3； 步骤5)、过线跟踪与计数：当人头检测框与预先设置的虚拟线相交时执行跟踪，跟踪对象为检测框与虚拟线的相交线段；设第i个人头检测框在过线时与虚拟线的相交次数为U_i，检测框与虚拟线相交的线段为p_ijq_ij，j＝1,2,…,U_i，检测框左上角点到虚拟线的垂直距离为d_ij，j＝1,2,…,U_i；对于过线目标i使用近邻法实现检测框与虚拟线的相交线段在连续两帧间的关联跟踪，此处关联跟踪是指取所有过线的序列图像，在序列图像中，从第一帧过线图像到最后一帧过线图像按过线的时间前后顺序排序，每相邻两帧配对后执行跟踪，同时通过对序列d_ij，j＝1,2,…,U_i分析可以判断目标的进出方向；当式(6)成立时，判断目标从虚拟线上方走向虚拟线下方，否则判断目标从虚拟线下方走向虚拟线上方；根据式(6)人头的运动方向和人头检测框的个数来统计教室内学员总的人头数； 公式（6）如下： 。