一种固定视频流中运动目标的统计方法及其系统

摘要

本申请公开了一种固定视频流中运动目标的统计方法及其系统、固定视频流中运动目标统计的电子设备及其计算机存储介质，包括：获取待统计区域的视频流；根据预设算法在所述固定视频流中检测出运动目标；对检测出的运动目标进行去重处理，并对去重处理后的每一运动目标进行分类统计累加，获取统计累加后的运动目标监测结果。本申请可以解决固定摄像头中运动目标流量计数问题，并具有计算准确度高且计算资源占用小的特点。

说明书

技术领域

本申请涉及智能视频分析领域，特别是涉及一种固定视频流中运动目标的统计方法及系统、视频流中运动目标统计的电子设备及计算机存储介质。

背景技术

随着互联网技术的发展，摄像头的普及、监控点位的增多，视频监控系统规模越来越大，其包含的海量信息使得人工处理变得越发困难。因而，对于视频监控中智能分析处理的需求越来越大。其中，基于视频监控的运动目标流量计数是一项重要识别内容，可广泛应用于道路车流量分析、商店人流量分析、景区人流量分析、生产安全管理人员计数等。传统运动目标流量计数采用运动目标前景提取的方法，但存在较大的误报，提取出的运动目标有可能并不是真正需要计数的运动目标，如树的运动，一辆运动的三轮车误识别为一辆运动的小汽车。故此，随着深度学习技术的快速发展，基于深度学习的运动目标检测技术得到了快速发展，采用深度学习技术进行视频运动目标识别，再进行运动目标计数成为了目前主要的发展方向。

在采用深度学习技术进行运动目标检测后需进行运动目标计数，传统运动目标计数多采用运动目标跟踪的方法，包括单运动目标跟踪、运动目标检测、行人重识别等。单运动目标跟踪，顾名思义，就是对单个运动目标进行识别跟踪，主要研究内容是在第一帧给出一个检测框后，对其进行跟踪。单运动目标跟踪算法主要分为点集跟踪、内核跟踪和轮廓跟踪。与单运动目标跟踪相比，多运动目标跟踪更加复杂，多运动目标跟踪还需要考虑视频中运动目标数量的变化、由不同运动目标之间遮挡引起的标签切换问题等。行人重识别也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术，广泛被认为是一个图像检索的子问题。目前行人重识别采用的技术是表征学习、度量学习、局部特征等，与多运动目标跟踪相比，行人重识别注重外观特征，缺少时空信息和运动信息。

传统运动目标重识别与计数方法存在计算量大、漏计、重复计数的问题，基于以上问题本申请提供解决以上技术问题的技术方案。本申请针对固定摄像头运动目标计法提出了一种轻量级方法，可实现快速准确计数检测运动目标。

发明内容

本发明的主要目的是克服现有技术缺陷，提供的一种固定视频流中运动目标的统计方法及系统、固定视频流中运动目标统计的电子设备及计算机存储介质，解决了设定区域内视频流中运动目标计数，与现有技术相比减少对计算处理资源的占用，实现快速准确计数。

本发明提供的技术方案如下：

一种固定视频流中运动目标的统计方法，包括：

获取待统计区域的视频流；

根据预设算法在所述待统计区域的视频流中检测出运动目标；

对检测出的运动目标进行去重处理，并对去重处理后的每一运动目标进行统计累加，获取统计累加后的运动目标监测结果。

进一步优选的，包括：

在一设定区域的所述视频流中标定一预设尺寸的检测范围框；

判断在所述检测范围框内是否存在运动目标；

如果存在，对运动目标进行分类，并添加到当前集合空间内；

进一步优选的，将当前集合空间添加的运动目标与相邻的集合空间运动目标进行对比，判断是否为同一运动目标，根据比对的结果进行统计处理；

其中，所述当前集合空间为当前帧的数据信息中运动目标分类统计集合；所述相邻集合空间为与当前帧的数据信息相邻的前一帧中运动目标分类统计集合。

进一步优选的，根据比对的结果进行统计累加包括：

当在所述检测范围框内检测到所述运动目标时，判断所述运动目标是否为新运动目标，当为新运动目标时，进行累加统计。

进一步优选的，判断是否为新运动目标包括：

判断所述相邻集合空间的状态，是否为存在运动目标元素，当存在运动目标元素时；

将当前数据帧中的运动目标元素与所述相邻集合空间的每一同类运动目标元素分别进行位置距离计算；

当计算出每一位置距离均大于预设距离阈值时，则将当前数据帧中的运动目标元素设置为新运动目标；

否则，为重复运动目标元素。

进一步优选的，还包括：将当前数据帧中的每一运动目标元素与所述相邻集合空间的每一同类运动目标元素分别进行位置距离计算后，将当前数据帧对应的当前集合空间设置为所述相邻集合空间，并进一步的将所述的当前数据帧对应的当前集合空间设置为空集。

一种固定视频流中运动目标的统计方法的统计系统，可执行上述任一所述的固定视频流中运动目标的统计方法，包括：

视频获取模块，获取待统计区域的视频流；

运动目标检测模块，根据预设算法对视频获取模块中获取的所述视频流中检测出运动目标；

运动目标统计模块，对所述运动目标检测模块检测出的运动目标进行去重处理，并对去重处理后的每一运动目标进行统计累加，获取统计累加后的运动目标监测结果。

一种视频流中运动目标统计的电子设备，包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由所述处理器加载并执行以实现上述任一项所述的固定视频流中运动目标的统计方法。

一种计算机存储介质，包括计算机指令，当所述计算机指令在电子设备上运行时，使得所述电子设备执行上述任一项所述的固定视频流中运动目标的统计方法。

通过本发明提供的一种固定视频流中运动目标的统计方法及其系统、固定视频流中运动目标统计的电子设备及其计算机存储介质，能够带来以下至少一种有益效果：

1、通过本申请的对于视频流中出现的运动目标进行检测方式，有效检测重复运动目标，使其检测的运动目标即真实又准确；解决了重复统计的问题。

2、本申请针对重复目标的检测设置一高度h为一个可调参数的检测范围框，可以根据现场场景进行调节，对摄像头帧率和运动目标检测率较高的场景宜采用较高的h值；反之，应采用较低的h值，可取得更高的计数准确度，因此可有效检测新运动目标，提高识别准确度。

3、本申请对于重复运动目标检测与计数的处理时间花费为零点零几微秒, 可以达到3000帧的处理能力，使计算资源占用显著的降低。

附图说明

本申请将通过例子并参照附图的方式说明，其中：

图1是本申请固定视频流中运动目标的统计方法实施例的流程图；

图2是本申请固定视频流中运动目标的统计实施例的体系架构图；

图3是本申请固定视频流中运动目标的统计系统的结构图；

图4是本申请固定视频流中运动目标的统计实施例的工作步骤流程图；

图5是本申请运动目标重复检测示意图；

图6是本申请非重复运动目标检测示意图；

图7是本申请轻量级智能视频运动目标计数示意图；

图8是本申请一种视频流中运动目标统计的电子设备。

具体实施方式

本申请中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

本申请中(包括任何附加权利要求、摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

本申请是解决如何统计一些活动场所的人车流量统计问题，因此广泛应用于道路车流量分析、商店人流量分析、景区人流量分析、生产安全管理人员计数等。传统运动目标流量计数采用运动目标前景提取的方法，但存在较大的误报，提取出的运动目标有可能并不是真正需要计数的运动目标，如树的运动，一辆运动的三轮车误识别为一辆运动的小汽车。采用深度学习技术进行视频运动目标识别，再进行运动目标计数成为了目前主要的发展方向。

随着使用需求以及精度要求不断的提升，目前，在采用深度学习技术进行运动目标检测之后需进行运动目标计数，传统运动目标计数多采用运动目标跟踪的方法，包括单运动目标跟踪、运动目标检测、行人重识别等。单运动目标跟踪，顾名思义，就是对单个运动目标进行识别跟踪，主要研究内容是在第一帧给出一个检测框，对其进行跟踪。单运动目标跟踪算法主要分为点集跟踪、内核跟踪和轮廓跟踪。与单运动目标跟踪相比，多运动目标跟踪更加复杂，多运动目标跟踪还需要考虑视频中运动目标数量的变化、由不同运动目标之间遮挡引起的标签切换问题等。行人重识别也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术，广泛被认为是一个图像检索的子问题。目前行人重识别采用的技术是表征学习、度量学习、局部特征等，与多运动目标跟踪相比，行人重识别注重外观特征，缺少时空信息和运动信息。

传统运动目标重识别与计数方法存在计算量大、漏计、重复计数的问题，本申请针对固定摄像头运动目标计法提出了一种轻量级方法，可实现快速准确计数检测运动目标。

下面，结合附图对本申请的技术方案做详细的说明。如图1所示，为本申请提出一种固定视频流中运动目标的统计方法实施例的流程图，其统计方法包括：

步骤S100获取待统计区域的视频流；

本申请可用于景区、加油站等用于统计人、车流量的场所，通过从前端摄像头或NVR(NetworkVideo Recorder)网络硬盘录像机读取视频流；实时获取视频信息、或者将获取的视频进行的存储，本申请可实现在线实时统计，也可以静态的统计录播的人车流量信息，因此可实现信息的回溯。

步骤S200根据预设算法在所述待统计区域的视频流中检测出运动目标；

具体的，从视频流中检测出运动目标，运动目标检测可采用 R-CNN(Region-CNN，区域卷积神经网络；CNN：Convolutional Neural Networks)、YOLO(You Only Look Once，你只需看一次)等运动目标检测算法。

步骤S300对检测出的运动目标进行去重处理，并对去重处理后的每一运动目标进行统计累加，获取统计累加后的运动目标监测结果。

对检测出的运动目标进行重复运动目标检测，如果是重复运动目标，则计数器不执行增加的操作，如果是新运动目标，则计数器加1；

本申请通过读取摄像头视频流，对读取到的视频流进行运动目标检测，从而检测出视频流中的运动目标，对检测到的运动目标进行重复检测与计数处理可实现人车运动目标的统计，解决了现有技术中存在的问题，同时减少对计算处理资源的占用，实现快速准确计数。

本申请中还提供具体的人车流量统计的实施例包括：

步骤S310在所述视频流中标定一预设尺寸的检测范围框；

具体的，初始化重复度阀值θ(θ∈R)，设定一检测范围框r，检测范围框高度h(h∈N)，当前检测运动目标集合C赋值为空，前一帧运动目标集合P赋值为空。其中，r＝,x∈N,y∈N,width∈N,height∈N，r为一个四元组，分别为检测框的x轴坐标、y轴坐标、检测框宽度与高度；并将检测范围框r的高度赋值为h，其高度根据使用场景的不同可进行实时的调节，并赋予不同的高度值。

步骤S320判断在所述检测范围框内是否存在运动目标；

步骤S330如果存在，对运动目标进行分类，并添加到当前集合空间内；

步骤S340进一步将当前集合空间添加的运动目标与相邻的集合空间运动目标进行对比，判断是否为同一运动目标，根据比对的结果进行统计累加；

其中，所述当前集合空间为当前帧的数据信息中运动目标分类统计集合；所述相邻集合空间为与当前帧的数据信息相邻的前一帧中运动目标分类统计集合。针对于当前集合空间和相邻集合空间中集合元素则即为同一类事物中单个事物，例如在集合空间中包括车、人两类，车类则进一步单车计数统计，每个单车为一个运动目标元素，人同样也是。

在本申请中不会对重复目标进行累计，因此具体的累加实施例为以下：

步骤S340根据比对的结果进行统计累加包括：

当在所述检测范围框内检测到所述运动目标时，判断所述运动目标是否为新运动目标，当为新运动目标时，进行累加统计。

判断是否为新运动目标包括：判断所述相邻集合空间的状态，是否为存在运动目标元素，当存在运动目标元素时；将当前数据帧中的运动目标元素与所述相邻集合空间的每一同类运动目标元素分别进行位置距离计算；

当计算出每一位置距离均大于预设距离阈值时，则将当前数据帧中的运动目标元素设置为新运动目标；

否则，为重复运动目标元素。

还包括对于集合空间的更新：将当前数据帧中的每一运动目标元素与所述相邻集合空间的每一运动目标元素分别进行位置距离计算后，将当前数据帧对应的当前集合空间设置为所述相邻集合空间，并进一步的将所述的当前数据帧对应的当前集合空间设置为空集。

具体的实施例方式为，在上述的步骤S310中构建了一检测范围框，继而定义检测运动目标集合为C＝C

其中c

如果集合P不为空集，则对集合C中的每一个元素c

其中，IoU计算方法如方程(3)所示，

其中，ρ

α,υ,γ,w分别如方程(6)、(4)、(7)、(5)所示；

η(η∈R)为参数，方程(6)、(4)、(7)、(5)反应了时间与空间上两个运动目标的几何相似性，方程(2)计算出了时间与空间上两个运动目标的几何位置相似性，并进行量化计算。

判断c

本申请的应用场景如下：

参见图5所示，本申请对重复运动目标的有效检测，右边框A检测出的车辆已经进行了计数，在后续检测识别出来后，与其前面帧中运动目标进行相似度计算出的值为0.765866、0.756745、0.864471、0.739249，取相似度阀值为 0.2，则均可分辨出重复运动目标。

参见图6所示，本申请可有效检测新运动目标，提高识别准备度，前一帧只有左边车辆C(已完成计数)，当右边车辆A进行检测范围框内时，当前检测到车辆数为2；则计算出的的相似度为0.862874、-0.285804，取相似度阀值为0.2，则可以判定A车辆为新进入车辆，计数器加1。检测范围框B高度h为一个可调参数，可以根据现场场景进行调节，对摄像头帧率和运动目标检测率较高的场景宜采用较高的h值；反之，应采用较低的h值，可取得更高的计数准确度。

参见图7所示，本申请是一个轻量化的方法，计算资源占用更低，在配置为CPUi7-8650U 1.90GHz内存为16GB的计算机上运行处理，重复运动目标检测与计数的处理时间花费为零点零几微秒,可以达到3000帧的处理能力，如果按一路摄像头帧率为10fps，则可以同时处理达300路摄像头。

参见图2和3所示，是为本申请还提供的一种固定视频流中运动目标的统计系统的实施例的结构图，在系统中可执行上述固定视频流中运动目标的统计方法，具体的包括：

视频获取模块100，获取待统计区域的视频流；

运动目标检测模块200，根据预设算法对视频获取模块中获取的所述视频流中检测出运动目标；

运动目标统计模块300，对所述运动目标检测模块检测出的运动目标进行去重处理，并对去重处理后的每一运动目标进行统计累加，获取统计累加后的运动目标监测结果。

具体的，从摄像头或NVR中读取视频流，对读取到的视频流进行运动目标检测，如果检测到的运动目标在一个给定的检测范围框内，则将该运动目标加入到集合C

本申请还提供了具体的实施方式，参见图1和图4所示；

从前端摄像头或NVR(网络硬盘录像机)网络硬盘录像机读取视频流；

从视频流中检测出运动目标；

检测出的运动目标进行重复运动目标检测，如果是重复运动目标，则计数器不执行增加的操作，如果是新运动目标，则计数器加1，如图4所示；

步骤S51，初始化检测参数；

步骤S52，读取视频的一帧数据；

步骤S55，对读取到的视频帧进行运动目标检测；

步骤S54，对检测到的每一个运动目标，判断运动目标位置是否位于检测范围框内；

步骤S55，将位于检测范围框内的运动目标添加到集合C中；

步骤S56，判断集合P是否为空集；

步骤S57，如果集合P不为空集，则对集合C中的每一个元素c

步骤S58，判断c

步骤S59，如果c

步骤S510，将集合C赋值给集合P；

步骤S511，赋值集合C为空；

步骤S512，输出每一类运动目标计数，输出计数器结果，完成检测。

本实施例提供一种视频流中运动目标统计的电子设备，其结构框图如图8 所示，该运动目标统计设备000可以是平板电脑、笔记本电脑或台式电脑。运动目标统计设备000还可能被称为便携式终端、膝上型终端、台式终端等其他名称。

运动目标统计设备000内置有处理器010和存储器020，其中，存储器020 上存储有计算机程序，处理器010运行存储器020中的计算机程序时实现视频流中运动目标统计方法。

处理器010可以包括一个或多个处理核心，比如4个核心处理器、8个核心处理器等。处理器010可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field—Programmable Gate Array，现场可编程门阵列)、 PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器010也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。

在一些实施例中，处理器010可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器010还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器020包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器020还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器020中的非暂态的计算机可读存储介质用于存储至少一个指令、至少一段程序、代码集或指令集，该至少一条指令、至少一段程序、代码集或指令集用于被处理器010所执行以实现本申请中实施例中提供的固定视频流中运动目标统计方法。

在一些实施例中，视频流中运动目标统计的电子设备000还包括有：外围设备接口设备050和外围设备。处理器010、存储器020和外围设备接口设备 050之间通过总线或信号线相连。外围设备可以通过总线、信号线或电路板与外围设备接口设备050相连。

本实施例还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质。该计算机可读存储介质中存储有指令，当该指令在计算机上运行时，使得计算机执行上述提供的固定视频流中运动目标统计方法。

本申请的固定视频流中运动目标统计系统中的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器 (Read-only memory，ROM)、随机存取存储器(Random access memory， RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

应当说明的是，上述实施例均可根据需要自由组合。以上仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围

本申请并不局限于前述的具体实施方式。本申请扩展到任何在本申请中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。