基于視頻流的地鐵人群目標(biāo)識(shí)別

1、基于視頻流的地鐵人群目標(biāo)識(shí)別             摘要:地鐵站內(nèi)人群數(shù)目及分布的在線監(jiān)測(cè)是有效控制和疏散客流,保障地鐵安全的重要依據(jù)之一.利用站內(nèi)現(xiàn)有的閉路電視監(jiān)視系統(tǒng),通過計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)人群數(shù)目的自動(dòng)識(shí)別是目前國外普遍采用的一種方式.文中提出了一種結(jié)合了自適應(yīng)背景差分和比例自適應(yīng)模板匹配的算法,用背景減除對(duì)圖像進(jìn)行分割,然后再利用比例自適應(yīng)模板對(duì)感興趣的區(qū)域進(jìn)行搜索匹配,識(shí)別目標(biāo)人群的數(shù)目及位置分布.該算法能有效減少傳統(tǒng)模板匹配的計(jì)算量,提高匹配的準(zhǔn)確率,在一定誤差

2、范圍內(nèi)可以達(dá)到較好的效果.關(guān)鍵詞:人群識(shí)別;圖像處理;模板匹配  地鐵作為一種大容量、快速的客運(yùn)方式,在城市交通中扮演著重要的角色.地鐵安全日益引起人們的重視,地鐵站內(nèi)的客流數(shù)據(jù)是有效進(jìn)行客流控制、優(yōu)化站內(nèi)布局、保障地鐵安全的重要信息.本文的目的在于,利用目前地鐵站內(nèi)使用的閉路電視監(jiān)控系統(tǒng)(CCTV),實(shí)現(xiàn)對(duì)站內(nèi)人群數(shù)目及分布的實(shí)時(shí)自動(dòng)識(shí)別.   基于圖像處理的人群識(shí)別,關(guān)鍵在于準(zhǔn)確性和實(shí)時(shí)性,這是一個(gè)多目標(biāo)的識(shí)別問題.關(guān)于人的識(shí)別,目前常用的方法大致有:基于特征的方法,如利用人臉部特征1、步態(tài)特征、膚色特征等;基于模板匹配的方法,如頭肩模板等;基于學(xué)習(xí)

3、的方法,如基于神經(jīng)網(wǎng)絡(luò)的處理方法等.在地鐵車站環(huán)境內(nèi),人體特征均有可能被遮擋;而傳統(tǒng)的模板匹配通常具有計(jì)算量龐大的缺陷,無法達(dá)到實(shí)時(shí)的檢測(cè).因此,本文作者提出了一種結(jié)合自適應(yīng)背景差分和比例自適應(yīng)模板匹配的方法.即首先利用背景差分進(jìn)行圖像分割,確定出模板匹配時(shí)的搜索區(qū)域,然后在原圖的邊緣圖像中進(jìn)行比例自適應(yīng)的頭部模板匹配.圖像分割能有效減少模板匹配的計(jì)算量,采用比例自適應(yīng)頭部的模板減少了行人之間的遮擋現(xiàn)象,提高了匹配精度.1 基于自適應(yīng)背景差分的圖像分割   自適應(yīng)背景模型是考慮到環(huán)境中的光線變化等因素而提出的一種可以不斷更新的背景模型.利用圖像和自適應(yīng)背景模型的差分,可以有

4、效的分割圖像,得到包含目標(biāo)的前景圖像.文中采用的是基于Kalman濾波器的自適應(yīng)背景模型.1.1 Kalman自適應(yīng)背景模型的提取   Kalman自適應(yīng)背景模型的提取分為兩個(gè)步驟:背景預(yù)測(cè)和背景校核.背景圖像的預(yù)測(cè)公式為   表示增益值的取值,thd為設(shè)定的閾值.     計(jì)算某一時(shí)刻的背景模型時(shí),首先利用上一時(shí)刻的背景模型,按照式(1)得到當(dāng)前時(shí)刻的背景預(yù)測(cè),然后將背景預(yù)測(cè)帶入式(3)進(jìn)行校核.   利用Kalman自適應(yīng)背景模型差分后得到的圖象如圖1所示.其中,背景用白色表示,前景區(qū)域用被處理圖像的

5、原灰度表示.   可以看出,Kalman自適應(yīng)背景模型能夠準(zhǔn)確地分割圖像.         1.2 圖像搜索區(qū)域的確定   在模板匹配中,感興趣的只是包含了目標(biāo)的前景區(qū)域,因此,在匹配前先利用圖像分割的結(jié)果判斷該像素點(diǎn)是否為前景.若是前景,就對(duì)該像素點(diǎn)進(jìn)行模板相似度的計(jì)算,否則忽略該點(diǎn).2 人群目標(biāo)識(shí)別   選擇遮擋現(xiàn)象較少的頭部作為識(shí)別對(duì)象,并且針對(duì)圖像中目標(biāo)的大小變化提出了基于頭部模板比例自適應(yīng)匹配人群目標(biāo)識(shí)別的方法.2.1 基礎(chǔ)模板的生成 

6、  基礎(chǔ)模板是指衍生出其他模板的初始模板.它直接影響到最后的識(shí)別效果,因此需要慎重選擇,即要包含待識(shí)別目標(biāo)的特征信息,又要具有一定的普遍性,以識(shí)別形態(tài)各異的目標(biāo).本文作者對(duì)拍攝到的50幅64人的場(chǎng)景a的圖片,經(jīng)過高斯平滑處理、邊緣檢測(cè)(Robert算子)后,手工剪裁出所需的頭部輪廓模板子樣.然后對(duì)所得的200幅模板子樣,通過大小縮放及灰度平均得到一幅25pixel×26pixel的基礎(chǔ)模板.需要注意的是,作為基礎(chǔ)模板,剪裁子樣的時(shí)候應(yīng)在圖片中離攝像機(jī)較近的位置選取.2.2 模板比例自適應(yīng)的搜索匹配   目標(biāo)處于同一場(chǎng)景的不同位置時(shí),在圖片上的成像大小也會(huì)

7、不同.當(dāng)目標(biāo)距離攝像頭較近時(shí),成像比較大,即占像素比較多,反之較小.為了提高模板識(shí)別的準(zhǔn)確率,作者提出了一種模板比例自適應(yīng)的方法,即,依據(jù)攝像機(jī)的成像規(guī)律對(duì)基準(zhǔn)模板進(jìn)行比例縮放,以適應(yīng)圖像中不同的區(qū)域中的目標(biāo).   根據(jù)計(jì)算機(jī)立體視覺測(cè)量技術(shù)中經(jīng)常采用的針孔模型,得到圖2所示的二維成像模型.圖2中,(Yc,Zc)為攝像機(jī)坐標(biāo)系,原點(diǎn)定義在攝像機(jī)的光心,Zc軸為攝像機(jī)的光軸;(Yw,Zw)為世界坐標(biāo)系,Zw軸垂直于水平面,將原點(diǎn)定義在Yc軸與Yw軸的交點(diǎn)處;為攝像機(jī)與地面的拍攝角度,拍攝到的圖像垂直于Zc軸.   假設(shè)地面上有一個(gè)長度為h的物體從圖2中的y

8、w1運(yùn)動(dòng)到y(tǒng)w2,兩個(gè)位置對(duì)應(yīng)于成像照片上的位置分別為yc1和yc2,設(shè)成像長度分別為h1和h2,則圖2中yc1=yc1+h1,yc2=yc2+h2.   根據(jù)文獻(xiàn)中給出的攝像機(jī)坐標(biāo)系與世界坐標(biāo)系之間的關(guān)系,可以導(dǎo)出   進(jìn)行模板匹配前,通過在實(shí)際場(chǎng)景中的測(cè)量,按照距離攝像機(jī)由近及遠(yuǎn)均勻標(biāo)定出5個(gè)區(qū)域,然后在圖像中計(jì)算出對(duì)應(yīng)的各個(gè)區(qū)域的長度,依此作為選擇模板的界限.匹配時(shí),給定的基礎(chǔ)模板作為最近區(qū)域的模板,搜索進(jìn)入某個(gè)區(qū)域時(shí),就利用根據(jù)式(4)計(jì)算出的比例對(duì)模板進(jìn)行縮放.采用歸一化的相似函數(shù)R(i,j)作為模板與子圖像的相似性測(cè)度.R(i,j)=

9、0;  式中,T是Mpixel×Npixel的模板圖像,Sij是位于原圖像(i,j)處被模板圖像覆蓋的Mpixel×Npixel的子圖像.當(dāng)R(i,j)大于某一設(shè)定的閾值時(shí),認(rèn)為該子圖像與模板圖像相似,即為目標(biāo).   圖3是場(chǎng)景a、b的邊緣檢測(cè)結(jié)果及模板匹配的結(jié)果.   匹配過程中,算法可以記錄匹配點(diǎn)在圖像中的位置,即三維針孔模型中匹配點(diǎn)在圖像坐標(biāo)系(x,y)中的坐標(biāo)值.根據(jù)   可以將圖像坐標(biāo)系中的坐標(biāo)值(x,y)轉(zhuǎn)化為世界坐標(biāo)系中的坐標(biāo)值(Xw,Yw,Zw),從而定位到實(shí)際拍攝場(chǎng)景中,其中M為攝像機(jī)的

10、參數(shù)矩陣.3 實(shí)驗(yàn)分析   實(shí)驗(yàn)軟硬件環(huán)境:普通CCD攝像頭,MatroxCrona圖像采集卡,P41.5GHzCPU,256M內(nèi)存等;采集圖像格式為windows位圖(BMP),大小為384pixels×288pixels;在MicrosoftVisualC+的開發(fā)環(huán)境下完成算法的實(shí)現(xiàn).   實(shí)驗(yàn)對(duì)圖1中場(chǎng)景a的70張連續(xù)視頻圖像進(jìn)行了識(shí)別,其中共包含需要識(shí)別的行人實(shí)際數(shù)目為176人,系統(tǒng)自動(dòng)識(shí)別出來的有173人,漏檢11人,錯(cuò)檢8人,平均識(shí)別率為72.9%左右.對(duì)于行人較少且分布分散的情況,識(shí)別準(zhǔn)確率高于行人分布密集的情況,如人數(shù)少于3人的

11、圖像的識(shí)別率可以高達(dá)到77.5%,而人數(shù)多于3人的圖像的識(shí)別率只能達(dá)到66.7%.另外,如果行人頭部出現(xiàn)一些裝飾物的時(shí)候,會(huì)給識(shí)別帶來一定困難.4 結(jié)論   針對(duì)多目標(biāo)識(shí)別,提出了一種結(jié)合了背景分割的比例自適應(yīng)模板匹配方法,減少了傳統(tǒng)模板匹配的計(jì)算量,滿足了目標(biāo)在圖像中由于運(yùn)動(dòng)引起的大小變化的要求,在實(shí)驗(yàn)環(huán)境下能夠達(dá)到滿意的效果.該檢測(cè)方法針對(duì)形態(tài)復(fù)雜的人群,對(duì)于嚴(yán)重遮擋現(xiàn)象不能識(shí)別的問題還有待于進(jìn)一步完善.  參考文獻(xiàn):1田原,梁德群.圖像中人臉和眼睛的定位及其分割方法的研究J.西安交通大學(xué)學(xué)報(bào),1998,32(3):17-20.TIANYuan,LI

12、ANGDe_qun.TheStudyofMethodforFacesDetectionandSegmentationJ.JournalofXianJiaotongUniversity,1998,32(3):17-20.(inChinese)CristobalCurio,JohannEdelbrunner,ThosmasKalinke,etal.WalkingPedestrianRecognitionJ.IEEETransac-tionsonITS,2000,1(3):155-163.LeeSH,LeeMS.PresentConditionofResearchonFa-cialImageReco

13、gnitionTechnologyJ.TheInstituteofElectronicEngineersofKoreasCollectionofPaper,1996,23(6):80-94.阮鵬,趙明生.一種頭肩像序列的人臉快速定位算法J.計(jì)算機(jī)工程及應(yīng)用,2003,39(29):125-127.RUANPeng,ZHAOMing_sheng.AFastFaceLocationAlgorithmforHead_and_ShoulderSequenceJ.ComputerEngineeringandApplications,2003,39(29):125-127.(inChinese)Maran

14、aAN,VelastinSA,CostaLF,etal.EstimationofCrowdDensityUsingImageProcessingCIEECol-loquiumonImageProcessingforSecurityApplications,Di-gestNo:1997/074.London:IEE,1997:11/1-11/8.StefanHuwer,HeinrichNiemann.AdaptiveChangeDe-tectionforReal_TimeSurveillanceApplicationsCVi-sualSurveillance,2000.ProceedingsofThirdIEEEInter-natio