一种拥挤区域的确定方法和装置的制造方法
【技术领域】
[0001] 本发明涉及视频技术领域，尤其涉及一种拥挤区域的确定方法和装置。
【背景技术】
[0002] 目前，人群拥挤度分析在执法、城市规划、交通管理中有着广泛的应用场景。为了 得出某一区域的人群拥挤度，可以采集包含该区域的图像，对该图像进行特征提取，并基于 提取的特征分析出该区域的人群拥挤度。
[0003] 为了分析出人群拥挤度，通常采用局部特征分析人群拥挤度，相应的特征提取算 法可以如SIFT(Scale Invariant Feature Transform，尺度不变特征转换）、SURF(Speeded Up Robust Features，加速鲁棒特征)等。在这些方法中，需要利用特征点检测方法，对区域 进行特征点检测，并利用特征点描述算子对特征进行描述，继而利用描述的特征分析区域 的人群拥挤度。
[0004] 但是，采用局部特征分析人群拥挤度时，复杂度较高，适用范围较小。
【发明内容】
[0005] 本发明提供一种拥挤区域的确定方法，所述方法包括以下步骤：
[0006] 针对待测试图像的每个像素点，生成K个不同尺度的待测试子图像；
[0007] 针对每个待测试子图像，按照预设大小在所述待测试子图像上进行滑动;针对每 个滑动窗口进行特征提取，得到第一特征向量，并将所述第一特征向量聚类到对应的单词， 并统计聚类到每个单词的第一特征向量数量;利用聚类到每个单词的第一特征向量数量计 算所述待测试子图像的第一概率向量；
[0008] 利用K个第一概率向量，确定所述像素点为拥挤区域或者非拥挤区域。
[0009]利用聚类到每个单词的第一特征向量数量计算所述待测试子图像的第一概率向 量的过程，具体包括：利用如下公式计算所述待测试子图像的第一概率向量：
其中，i的取值为1-N，表示第i个单词，N为单词的总数量，1^表示聚类 到第i个单词的第一特征向量数量为常量*待测试子图像的尺度大小。
[0010] 所述利用K个第一概率向量，确定所述像素点为拥挤区域或者非拥挤区域的过程， 具体包括:利用支持向量机SVM分类器对所述K个第一概率向量进行分类，并利用分类结果 确定所述像素点为拥挤区域或者非拥挤区域；
[0011] 其中，所述SVM分类器的训练过程，具体包括:针对样本图像中的拥挤区域的每个 像素点，生成K个不同尺度的拥挤样本子图像，针对样本图像中的非拥挤区域的每个像素 点，生成K个不同尺度的非拥挤样本子图像；
[0012] 利用拥挤样本子图像和非拥挤样本子图像训练所述SVM分类器;在所述SVM分类器 中，将拥挤样本子图像对应的K个第二概率向量分类成拥挤区域，将非拥挤样本子图像对应 的K个第三概率向量分类成非拥挤区域。
[0013] 所述利用拥挤样本子图像和非拥挤样本子图像训练所述SVM分类器，具体包括:针 对每个尺度的拥挤样本子图像，按照预设大小在拥挤样本子图像上进行滑动;针对每个滑 动窗口进行特征提取，得到第二特征向量，将第二特征向量聚类到对应的单词;针对每个尺 度的非拥挤样本子图像，按照预设大小在非拥挤样本子图像上进行滑动;针对每个滑动窗 口进行特征提取，得到第二特征向量，将第二特征向量聚类到对应的单词;统计聚类到每个 单词的第二特征向量数量，利用聚类到每个单词的第二特征向量数量，计算拥挤样本子图 像对应的第二概率向量，非拥挤样本子图像对应的第三概率向量；
[0014] 将K个不同尺度的拥挤样本子图像对应的K个第二概率向量分类成拥挤区域，并利 用所述K个第二概率向量训练所述SVM分类器；
[0015] 将K个不同尺度的非拥挤样本子图像对应的K个第三概率向量分类成非拥挤区域， 并利用所述K个第三概率向量训练所述SVM分类器；
[0016] 其中，利用聚类到每个单词的第二特征向量数量，计算拥挤样本子图像对应的第 二概率向量，非拥挤样本子图像对应的第三概率向量，具体包括：
[0017] 利用如下公式计算所述拥挤样本子图像对应的第二概率向量：
[0018] 广 w...............
加1
[0019] 利用如下公式计算所述非拥挤样本子图像对应的第三概率向量：
[0020] 1=1
[0021] 其中，i的取值为1-Ν，表示第i个单词，Ν为单词的总数量，h表示聚类到第i个单词 的第二特征向量数量，M(p)为常量*所述拥挤样本子图像的尺度大小，λ,ω为常量*所述非拥 挤样本子图像的尺度大小。
[0022] 所述针对每个滑动窗口进行特征提取，得到第一特征向量或者第二特征向量的过 程，具体包括:利用卷积神经网络CNN对每个滑动窗口进行特征提取，得到第一特征向量或 者第二特征向量。
[0023] 本发明提供一种拥挤区域的确定装置，所述装置具体包括：
[0024] 生成模块，用于针对待测试图像的每个像素点，生成K个不同尺度的待测试子图 像;计算模块，用于针对每个待测试子图像，按照预设大小在所述待测试子图像上进行滑 动;针对每个滑动窗口进行特征提取，得到第一特征向量，并将所述第一特征向量聚类到对 应的单词，并统计聚类到每个单词的第一特征向量数量;利用聚类到每个单词的第一特征 向量数量计算所述待测试子图像的第一概率向量;确定模块，用于利用K个第一概率向量， 确定所述像素点为拥挤区域或者非拥挤区域。
[0025]所述计算模块，具体用于在利用聚类到每个单词的第一特征向量数量计算所述待 测试子图像的第一概率向量的过程中，利用如下公式计算所述待测试子图像的第一概率向 量
[0026]其中，i的取值为1-N，表示第i个单词，N为单词的总数量，h表示聚类到第i个单词 的第一特征向量数量为常量*待测试子图像的尺度大小。
[0027]所述确定模块，具体用于在利用K个第一概率向量，确定所述像素点为拥挤区域或 者非拥挤区域的过程中，利用支持向量机SVM分类器对所述Κ个第一概率向量进行分类，并 利用分类结果确定所述像素点为拥挤区域或者非拥挤区域；
[0028]其中，在所述SVM分类器的训练过程中：
[0029] 所述生成模块，还用于针对样本图像中的拥挤区域的每个像素点，生成Κ个不同尺 度的拥挤样本子图像，针对样本图像中的非拥挤区域的每个像素点，生成Κ个不同尺度的非 拥挤样本子图像；
[0030] 所述计算模块，还用于利用拥挤样本子图像和非拥挤样本子图像训练所述SVM分 类器;在所述SVM分类器中，将拥挤样本子图像对应的Κ个第二概率向量分类成拥挤区域，将 非拥挤样本子图像对应的Κ个第三概率向量分类成非拥挤区域。
[0031] 所述计算模块，具体用于在利用拥挤样本子图像和非拥挤样本子图像训练所述 SVM分类器的过程中，针对每个尺度的拥挤样本子图像，按照预设大小在拥挤样本子图像上 进行滑动;针对每个滑动窗口进行特征提取，得到第二特征向量，将第二特征向量聚类到对 应的单词；针对每个尺度的非拥挤样本子图像，按照预设大小在非拥挤样本子图像上进行 滑动;针对每个滑动窗口进行特征提取，得到第二特征向量，将第二特征向量聚类到对应的 单词；统计聚类到每个单词的第二特征向量数量，利用聚类到每个单词的第二特征向量数 量，计算拥挤样本子图像对应的第二概率向量，非拥挤样本子图像对应的第三概率向量;将 Κ个不同尺度的拥挤样本子图像对应的Κ个第二概率向量分类成拥挤区域，并利用所述Κ个 第二概率向量训练所述SVM分类器;将Κ个不同尺度的非拥挤样本子图像对应的Κ个第三概 率向量分类成非拥挤区域，并利用所述Κ个第三概率向量训练所述SVM分类器；
[0032]其中，所述计算模块，具体用于在利用聚类到每个单词的第二特征向量数量，计算拥 挤样本子图像对应的第二概率向量，非拥挤样本子图像对应的第三概率向量的过程中，利用如 下公式计算所述拥挤样本子图像对应的第二概率向I
利用如下公式计算所述非拥挤样本子图像对应的第三概率向量：
[0033] 其中，i的取值为1-Ν，表示第i个单词，Ν为单词的总数量，h表示聚类到第i个单词 的第二特征向量数量，h(p)为常量*所述拥挤样本子图像的尺度大小，λ,ω为常量*所述非拥 挤样本子图像的尺度大小。
[0034] 所述计算模块，具体用于在针对每个滑动窗口进行特征提取，得到第一特征向量 或者第二特征向量的过程中，利用卷积神经网络CNN对每个滑动窗口进行特征提取，得到第 一特征向量或者第二特征向量。
[0035] 基于上述技术方案，本发明实施例中，可以有效估计出待测试图像中的拥挤区域 和非拥挤区域，复杂度较低，适用范围较