本发明涉及图像处理技术领域，更具体的涉及基于计算机视觉的客流量检测方法。
背景技术：
随着社会对安全保障需求的提高，在各个公共场所普遍安装了闭路电视监控系统，特别在机场、地铁、火车站、汽车站、展览会等客流密集场所，摄像机的数量更为密集。在普通的监控中，通常只是对得到的监控内容进行人工的监视，由于摄像机的机位众多，以及人工监视的工作量大，使得大多数的摄像资料只能起到记录的作用，不能发掘视频监控系统中丰富、大量的有用信息。
由于视频监控的广泛应用，基于计算机视觉的行人检测和跟踪已经成为一个非常活跃的研究领域，为大型公共场所的智能监控提出了新的解决办法。当前在国外，针对客流密集场所的行人检测和跟踪方面所提出的方法和系统，一般针对人数较少的视频图像，根据单个行人的轨迹来对过往的行人进行计数。
然而对于客流密集的场所，存在严重的相互遮挡问题，如果仍采用单个行人的轨迹来对过往的行人进行计数，会无法是识别出重叠部分的人数，从而导致客流量检测的准确率较低，因此，现有技术存在客流量检测的准确率较低的问题。
技术实现要素：
本发明实施例提供基于计算机视觉的客流量检测方法，用以解决现有技术客流量检测的准确率较低的问题。
本发明实施例提供基于计算机视觉的客流量检测方法，包括：将视频采集图像设备设置于行人通道的出入口，实时采集客流出入的视频图像，所述视频图像传输至处理器，所述处理器进行客流量检测方法包括：
将视频图像序列中的相邻连续两帧图像进行差分，得到差分图像；
对所述差分图像进行二值化处理，得到二值差分图像；
比较当前帧图像与参考帧图像灰度值的差异，得到第一前景图像；
将第一前景图像与二值差分图像对应像素点的灰度值进行或操作，得到第二前景图像；
将第二前景图像分割成大小相同的多个第三前景图像，并将每一个第三前景图像进行二值化处理，得到第四前景图像；
按照顺序依次提取第四前景图像中的特征参数，并将所述特征参数输入bp神经网络模型；
经bp神经网络模型判断运动目标的类型是否为行人；
当所述运动目标的类型为行人时，提取运动目标的坐标位置；
将运动目标的横坐标与预设检测区域的横坐标进行比较，确定运动目标是否超出检测区域；
当确定运动目标超出检测区域时，处理器触发计数器加1。
较佳的，所述将视频图像序列中的相邻连续两帧图像进行差分，得到差分图像，包括：
获取当前帧图像各个像素点的灰度值和当前帧的前一帧图像各个像素点的灰度值；
将当前帧图像每一个像素点的灰度值与前一帧图像对应像素点的灰度值作差，并对差值取绝对值，得到差分图像。
较佳的，所述对所述差分图像进行二值化处理，得到二值差分图像，包括：
逐个对差分图像中的每一个像素点的灰度值与阈值进行比较，当像素点的灰度值大于阈值，将所述像素点的灰度值赋值为255；
当像素点的灰度值小于阈值，将所述像素点的灰度值赋值为0。
较佳的，所述将所述视频图像传输至处理器，所述处理器进行客流量检测方法之前，还包括：
将所述视频图像进行中值滤波。
较佳的，所述将运动目标的横坐标与预设检测区域的横坐标进行比较，确定运动目标是否超出检测区域，包括：
当将运动目标的横坐标小于等于预设检测区域的横坐标时，确定运动目标超出检测区域；
当将运动目标的横坐标大于预设检测区域的横坐标时，确定运动目标未超出检测区域。
本发明实施例，提供了基于计算机视觉的客流量检测包括通过将第二前景图像分割成大小相同的多个第三前景图像，并将每一个第三前景图像进行二值化处理，得到第四前景图像，也即通过对差分和背景消减结合后的图像进行分割，可图像中行人的重叠部分展现，从而识别出重叠部分的人数，提高了客流量检测的准确率。另外，按照顺序依次提取第四前景图像中的特征参数，所述特征参数通过bp神经网络模型的运算确定运动目标的类型是否为行人；由于利用bp神经网络模型进行行人的判断可提高行人识别的准确率，进而也可提高客流量检测的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于计算机视觉的客流量检测方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1示例性的示出了本发明实施例提供的基于计算机视觉的客流量检测方法的流程示意图，该基于计算机视觉的客流量检测方法包括：将视频采集图像设备设置于行人通道的出入口，实时采集客流出入的视频图像，所述视频图像传输至处理器，所述处理器进行客流量检测方法包括：
在步骤101中，将视频图像序列中的相邻连续两帧图像进行差分，得到差分图像。
其中，该将视频图像序列中的相邻连续两帧图像进行差分，得到差分图像，包括：
获取当前帧图像各个像素点的灰度值和当前帧的前一帧图像各个像素点的灰度值；
将当前帧图像每一个像素点的灰度值与前一帧图像对应像素点的灰度值作差，并对差值取绝对值，得到差分图像。
在步骤102中，对该差分图像进行二值化处理，得到二值差分图像。
其中，该对该差分图像进行二值化处理，得到二值差分图像，包括：
逐个对差分图像中的每一个像素点的灰度值与阈值进行比较，当像素点的灰度值大于阈值，将该像素点的灰度值赋值为255；
当像素点的灰度值小于阈值，将该像素点的灰度值赋值为0。
在步骤103中，比较当前帧图像与参考帧图像灰度值的差异，得到第一前景图像。
其中，参考帧图像可以是实现存储的,也可以是实时从视频图像序列选择出的背景图像。
另外，比较当前帧图像与参考帧图像灰度值的差异，得到第一前景图像，包括：
获取当前帧图像各个像素点的灰度值和参考帧图像各个像素点的灰度值；
将当前帧图像的每一个像素点的灰度值与参考帧图像对应像素点的灰度值作差，并对差值取绝对值，当绝对值大于阈值时，将当前帧图像像素点的灰度值赋值为255；当绝对值大于阈值时小于阈值，将前帧图像该像素点的灰度值赋值为0。
需要说明的是，本发明实施例的提供的阈值，不管是帧间差分处理、背景减法以及将每一个第三前景图像进行二值化处理时，采用的阈值均为同一数值。
在步骤104中，将第一前景图像与二值差分图像对应像素点的灰度值进行或操作，得到第二前景图像。
由于经过帧间差分处理得到的二值差分图像能检测出比较准确的运动目标轮廓，但只是包含了部分信息，由于目标物体上的部分灰度与背景灰度相近，背景消减得到的第一前景图像未能将运动信息完整的检测出来，但是背景消减漏检的部分正好帧间差分中被检测出来，因此，将第一前景图像的每一个像素点的灰度值与二值差分图像的像素点对应每一个像素点的灰度值进行或操作，得到的第二前景图像，可提高检测的准确性。
在步骤105中，将第二前景图像分割成大小相同的多个第三前景图像，并将每一个第三前景图像进行二值化处理，得到第四前景图像。
其中，假设视频图像序列的大小为m×n，若将图像分割成l×h个大小相同的子矩阵，假设每一个子矩阵的大小为r×t，则应满足m＝l×r，n＝h×t；m×n＝l×r×h×t。
在步骤106中，按照顺序依次提取第四前景图像中的特征参数，并将特征参数输入bp神经网络模型。
在步骤107中，通过bp神经网络模型判断运动目标的类型是否为行人。
其中，bp神经网络模型是一种多层神经映射网络，典型的bp神经网络由输入层、隐含层和输出层构成，可完成任意n维欧式空间搭配m维欧式空间非线性映射。本发明主要是对第四前景图像中的特征参数作为输入、经过网络运算后，在输出层获得相应的期望输出，即运动目标类型，达到对目标的分类。
另外，利用bp神经网络模型对运动目标类型进行了分类识别，避免了把推车、提包也识别为行人的情况，具有较好的分类准确性，从而提高了检测的准确性。
在步骤108中，当该运动目标的类型为行人时，提取运动目标的坐标位置。
在步骤109中，将运动目标的横坐标与预设检测区域的横坐标进行比较，确定运动目标是否超出检测区域。
其中，将运动目标的横坐标与预设检测区域的横坐标进行比较，确定运动目标是否超出检测区域，包括：
当将运动目标的横坐标小于等于预设检测区域的横坐标时，确定运动目标超出检测区域；
当将运动目标的横坐标大于预设检测区域的横坐标时，确定运动目标未超出检测区域。
在步骤110中，当确定运动目标超出检测区域时，处理器触发计数器加1。
其中，计数累计个数为检测的客流量。
可选地，将所述视频图像传输至处理器，所述处理器进行客流量检测方法之前，还包括：
将所述视频图像进行中值滤波。
本发明实施例，提供了基于计算机视觉的客流量检测包括通过将视频图像序列中的相邻连续两帧图像进行差分，得到差分图像；对所述差分图像进行二值化处理，得到二值差分图像；比较当前帧图像与参考帧图像灰度值的差异，得到第一前景图像；将第一前景图像的每一个像素点的灰度值与二值差分图像的像素点对应每一个像素点的灰度值进行或操作，得到第二前景图像，也即对第一前景图像的每一个像素点的灰度值与二值差分图像的像素点对应每一个像素点的灰度值进行或操作可得到比较完整的前景图像，避免了遗漏运动目标的特征信息；将第二前景图像分割成大小相同的多个第三前景图像，并将每一个第三前景图像进行二值化处理，得到第四前景图像，可防止行人拥塞时，由于图像中行人的重叠，而无法统计重叠行人的问题，进而提高了客流量检测的准确率。另外，按照顺序依次提取第四前景图像中的特征参数，所述特征参数通过bp神经网络模型的运算确定运动目标的类型是否为行人；当所述运动目标的类型为行人时，提取运动目标的坐标位置；将运动目标的横坐标与预设检测区域的横坐标进行比较，确定运动目标是否超出检测区域，也即，利用bp神经网络模型可提高行人识别的准确率，进而也可提高客流量检测的准确率。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。