基于視頻處理的行人檢測和跟蹤系統(tǒng)

1、基于視頻處理的行人檢測和跟蹤系統(tǒng)摘 要：行人檢測和跟蹤在智能視頻監(jiān)控、智能交通、汽車自動駕駛或輔助駕駛系統(tǒng)中均有廣泛應(yīng)用。本文選取 OpenCV 作為主要開發(fā)工具，設(shè)計并實現(xiàn)了智能監(jiān)控系統(tǒng)中對感興趣區(qū)域的行人進(jìn)行檢測、跟蹤、計數(shù)和對異常行為進(jìn)行報警的功能。行人檢測階段，引入自己提出的低維度SVM行人分類器和第二線程思想來實施精確行人檢測。實驗表明本系統(tǒng)具有較高的識別率，并能達(dá)到實時處理的實際應(yīng)用需求。關(guān)鍵詞：行人檢測，行人跟蹤，行人計數(shù)，危險報警，智能視頻監(jiān)控.Pedestrian Detection and Tracking in Intelligent Video Monitoring S

2、ystemsChen Yuanyuan1,2, Guo Shuqin2, Wang Xiaoling1, Shou Na1, Zhang Biaobiao1, Miao Guojing1, Ma Rui1, Du Kelin1 Enjoyor Labs, Enjoyor Inc., Hangzhou 310030 College of Information Engineering, Zhejiang University of Technology, Hangzhou 310032Abstract: Pedestrian detection and tracking technologies

3、 have been widely applied to intelligent video surveillance, intelligent transportation, automotive automatically driving or driving-assistance systems. We select OpenCV as the development tool to implement pedestrian detection, tracking, counting and risk warning in a video segment. Experiments ind

4、icate that the system has a high recognition accuracy, and can operate in real time.Keywords: Pedestrian detection, pedestrian tracking, pedestrian counting, risk warning, intelligent video monitoring,. 1.引言基于視頻處理的行人檢測和跟蹤是智能視頻監(jiān)控、智能交通等領(lǐng)域的一個重要課題1，直接影響到行人計數(shù)、行人闖紅燈等后續(xù)行為分析的效果。具體來說，它是指在一段視頻圖像序列中自動檢測出用戶感興趣的

5、目標(biāo)，并且在后續(xù)的序列中持續(xù)對該目標(biāo)進(jìn)行定位的過程。目前，該技術(shù)主要針對于銀行、軍隊、交通、廣場、大型購物超市、儲物倉庫等高安全要求的場合地點，利用行人的檢測和跟蹤技術(shù)實時地檢測行人，并后續(xù)分析大規(guī)模聚集、搶劫、盜竊等異常行為。 2. 系統(tǒng)組成本系統(tǒng)以Visual Studio 2010為開發(fā)平臺，采用OpenCV作為主要開發(fā)工具，并根據(jù)系統(tǒng)需要對幾個關(guān)鍵函數(shù)進(jìn)行改進(jìn)，最終實現(xiàn)了對智能視頻監(jiān)控中的行人進(jìn)行檢測、跟蹤、統(tǒng)計和對某些異常行為的檢測和報警。圖1是系統(tǒng)工作框圖，主要由五部分組成：1、制作系統(tǒng)的展示界面，實現(xiàn)加載、播放行人視頻。2、通過與背景做差得到所加載視頻中的前景運(yùn)動目標(biāo)。3、根據(jù)前

6、景目標(biāo)形狀特征、抽象特征篩選出目標(biāo)中的行人。4、選擇感興趣的一個或多個目標(biāo)，實時跟蹤并畫出目標(biāo)軌跡。5、分析上述位置信息和軌跡，統(tǒng)計行人數(shù)目和對某些越界行為進(jìn)行報警。圖1 系統(tǒng)工作框圖 3. 系統(tǒng)工作原理 3.1 行人檢測行人檢測即檢測視頻中每幀的行人目標(biāo)，并將其按順序標(biāo)記存儲到容器中。在攝像頭固定的視頻處理中行人檢測方法總體上可歸納為三類：光流法、幀間差法和背景差法。本系統(tǒng)采用背景差分法2，它簡單易于實現(xiàn)。圖2給出了本系統(tǒng)行人檢測的流程圖，由主線程模塊和輔助線程模塊兩部分組成。主線程模塊功能：首先通過與背景做差得到所加載視頻中的前景目標(biāo)，并利用行人形狀特征（比如：寬高比、面積）初步篩選出目標(biāo)

7、中的行人；然后，利用輸入為低維度HOG特征、輸出為隸屬于行人的概率值的SVM行人分類器對前景進(jìn)一步精確識別，同時，把所有隸屬分類不明確的前景目標(biāo)順序存儲到隊列中；最后，輸出主線程模塊行人檢測的結(jié)果。輔助線程模塊功能：調(diào)用輸入特征維數(shù)較高的SVM分類器對主線程存儲的隸屬分類不明確的前景目標(biāo)進(jìn)行再識別處理?？紤]到計算機(jī)線程利用有效率問題，我們只有當(dāng)存儲前景目標(biāo)數(shù)達(dá)到10的時候才觸發(fā)一次輔助線程，利用高維度SVM處理完10張圖片并進(jìn)行再識別處理后，輔助線程關(guān)閉，等待下一次的觸發(fā)。下面對各模塊原理進(jìn)行詳細(xì)介紹。輸出更可靠的行人識別結(jié)果，與低維度軟輸出SVM行人分類器輸出結(jié)果比較。若一致，直接進(jìn)入下一張

8、圖片的判斷；若不一致，用現(xiàn)輸出結(jié)果覆蓋之前的存儲結(jié)果The main thread module features: first, we obtains the foreground moving target by difference with the background, and screens the objects of pedestrian using pedestrian physical characteristics, 比如. Then, We introduce a low-dimensional and soft-output SVM pedestrian classi

9、fier to implement precise pedestrian detection. Meanwhile save the foreground objects without clear classification sequentially in the queue. Finally, we get the pedestrian detection results of the main thread module. The support thread module features: When the foreground objects stored in the queu

10、e reached 10, we call SVM classifier of input higher-dimension HOG feature to process them again. Comparing this result with the result of low-dimensional and soft output SVM classifier, if they are the same, we go to the next foreground object in the queue; otherwise, we use this result instead of

11、the previous results. 圖2 行人檢測算法框圖3.1.1提取前景目標(biāo)背景差分的關(guān)鍵在于使用背景建模提取背景。背景建模的方法很多，但一般建模后的背景并非十分干凈清晰，而高斯混合模型3是建模最為成功的方法之一。它是用高斯模型即高斯概率密度函數(shù)來表征圖像中每個像素點的特征：設(shè)為時刻的背景圖像，對該時刻背景圖像上每個像素點建立混合高斯模型： (1) 其中，, , 分別為所對應(yīng)的權(quán)重系數(shù)、均值和方差，表示時刻第個高斯分量的分布函數(shù)。隨著時間的變化，背景圖像也會發(fā)生緩慢的變化，混合高斯模型需要不斷更新：, (2) 其中，為背景模型權(quán)重更新參數(shù)，為背景模型均值更新參數(shù)，為圖像在像素點處的

12、灰度值。對混合高斯模型，在時刻，式(1)背景模型的每個象素屬性只包括兩個參數(shù)：均值 和方差。對于一幅給定的圖像I，用每個像素點I與對應(yīng)時刻的混合高斯模型匹配，如果滿足 (3)其中為我們設(shè)定的閾值，通常選取區(qū)間任意數(shù)，則認(rèn)為匹配成功，判斷為背景點；否則，為前景點。3.1.2 篩選前景圖片篩選前景圖片是通過提取行人的某些特征對圖像分割得到的一系列運(yùn)動目標(biāo)進(jìn)行識別、分類，并把判斷為行人的目標(biāo)標(biāo)識出來。傳統(tǒng)的方法一般選取行人最直觀的形狀特征（比如寬高比、面積）進(jìn)行識別，可簡單、快速去除車輛等明顯不是行人的目標(biāo)，提高系統(tǒng)效率，但這種不使用行人任何抽象特征的識別方法往往精確度會很低。基于此，本文在傳統(tǒng)方法

13、的基礎(chǔ)上引入分類器和第二線程的思想對目標(biāo)進(jìn)行精確判斷、識別。設(shè)目標(biāo)外接矩形面積為，每幀圖像尺寸為，圖像面積為。考慮到同一運(yùn)動與攝像頭距離不同，面積也會有顯著差別，所以我們把獲取的視頻按橫向或縱向坐標(biāo)分成, , 三個區(qū)域。判斷是否滿足 (4)若滿足(4)，初次判斷為行人，以去除車輛等面積過大目標(biāo)和樹葉、天線等過小目標(biāo)。進(jìn)一步，若目標(biāo)外接矩形的寬高比滿足 (5)再次判定為行人。因為行人高挑的特征十分明顯，故用該比例可很好分離出行人。我們進(jìn)一步采用分類算法來實施行人檢測。把每個運(yùn)動目標(biāo)當(dāng)成一幅獨(dú)立圖片，經(jīng)過歸一化尺寸特征提取，依次輸入分類器中。這些圖片相對于任意的靜態(tài)圖片具有以下特點：1）圖片尺寸小

14、，提取的特征維數(shù)大大降低，分類算法復(fù)雜度隨之減小；2）圖片中目標(biāo)所占比例較大，即主元信息較多，使分類器更容易識別出行人?；谶@些特點，我們采用自己提出的低維度軟輸出SVM行人分類器來實施精確的行人檢測。 通過對提取的前景圖片高維度HOG特征進(jìn)行降維處理，得到一個低維度SVM分類器。一般訓(xùn)練SVM分類器的樣本圖片均歸一化為，對樣本分塊，塊大小為像素；把每個塊分為4個像素的單元，步長為8個像素。這樣歸一化處理后，每張圖片HOG特征維數(shù)為維5。但是，本系統(tǒng)輸入的前景圖片尺寸較小，故我們把歸一化尺寸降低為，同樣方法每張圖片HOG特征維數(shù)為維。綜上，運(yùn)算復(fù)雜度降低了5倍。 通過改變低維度SVM分類器輸出

15、結(jié)果，獲得低維度軟輸出SVM分類器。低維度SVM分類器輸出為類別判斷信息，一般“”表示不屬于該類別，“1”表示屬于該類別。但實際應(yīng)用時由于噪聲等的污染，無法把處于類邊界的樣本明確地歸為某一類，只能以一定概率或一定隸屬度判別為某一類。因此，為了使SVM分類器更適用于這些問題，我們引入Platt J. C.提出的軟輸出(soft output)的概念9。用一個擠壓函數(shù)sigmoid()作為連續(xù)函數(shù)把SVM的硬判斷輸出映射到，實現(xiàn)SVM的后驗概率輸出，稱為隸屬于行人的概率值。在使用該分類器進(jìn)行行人檢測時，把每個運(yùn)動目標(biāo)當(dāng)成一幅獨(dú)立圖片，經(jīng)過歸一化尺寸HOG特征提取，依次輸入SVM分類器，得到是否是行

16、人的判斷結(jié)果。同時，把可靠性參數(shù)屬于的樣本被分離出來，存儲分離出的目標(biāo)圖片，并記錄該圖片所在幀的時刻。3.1.3 輔助線程中糾錯處理主程序處理過程中，軟輸出結(jié)果隸屬分類不明確的前景目標(biāo)及所在幀圖片的對應(yīng)時刻已經(jīng)存儲到一個定義好的隊列中。輔助線程對這些圖片進(jìn)行處理：首先，為了節(jié)省輔助線程中的資源，我們只有當(dāng)隊列存儲前景目標(biāo)的數(shù)量大于10張時，才觸發(fā)輔助線程開始工作。從隊列中按先進(jìn)先出的順序讀取存儲的前景圖片，并歸一化尺寸為。提取前景圖片HOG特征輸入到訓(xùn)練好的SVM分類器中進(jìn)行檢測，與低維度軟輸出SVM行人分類器輸出結(jié)果比較，若一致，直接進(jìn)入下一張圖片的判斷，不一致，采用新結(jié)果替換之前結(jié)果。 3

17、.2 行人跟蹤行人跟蹤是監(jiān)視各個行人在視頻序列中的空時變化，包括人體的出現(xiàn)位置、大小、形狀等7。我們選取以顏色為特征進(jìn)行跟蹤的CamShift (Coninuously Adaptive Mean Shift) 算法，它可有效解決目標(biāo)變形問題。本系統(tǒng)從實際應(yīng)用出發(fā)，在傳統(tǒng)半自動、單目標(biāo)CamShift8算法的基礎(chǔ)上，實現(xiàn)了以下功能：用戶手動圈出一個或多個感興趣目標(biāo)，系統(tǒng)按目標(biāo)的個數(shù)自動分配跟蹤器，進(jìn)而實時跟蹤多個目標(biāo)、畫出目標(biāo)軌跡并把軌跡存儲到指定的文件夾中。具體工作原理和步驟如下： 鼠標(biāo)選擇感興趣區(qū)域。設(shè)置標(biāo)簽表征是否選中第個目標(biāo)：未選中賦值0，選中后賦值，跟蹤結(jié)束后賦值。利用標(biāo)簽依次把選中

18、的區(qū)域存入數(shù)組中。 獲取初始目標(biāo)及H分量直方圖。調(diào)用setMouseCallback()函數(shù)，獲取感興趣目標(biāo)的坐標(biāo)值；調(diào)用calcHist()函數(shù)計算目標(biāo)區(qū)域的H分量直方圖；初始化搜索窗的大小和位置，定義為質(zhì)心坐標(biāo)。 利用直方圖計算輸入圖像的反向投影圖。反向投影圖是一種記錄給定圖像中各像素點顏色信息出現(xiàn)在此處可能性的一種離散化的度量?？赏ㄟ^調(diào)用calcBackProject()實現(xiàn)。 運(yùn)行MeanShift跟蹤算法，搜索目標(biāo)圖像新的窗口區(qū)域。設(shè)為搜索窗口中圖像像素位置，是投影圖中的像素值。定義搜索窗口的零階矩和一階矩，：得到搜索窗口質(zhì)心位置為 移動搜索窗口的中心到質(zhì)心的位置設(shè)為點，原質(zhì)心位置設(shè)

19、為點。令，。設(shè)為誤差閾值，為最大迭代次數(shù)。如果或者，則迭代結(jié)束，返回新的目標(biāo)位置；否則，跳轉(zhuǎn)到(4)繼續(xù)執(zhí)行。 把每幀中獲得的質(zhì)心保存至vector容器中，間隔5個點連接成線，獲取目標(biāo)跟蹤的軌跡。 3.3 行人計數(shù)和異常報警行人計數(shù)是行人檢測和跟蹤的一個具體應(yīng)用，即對視頻中某個特定區(qū)域的行人數(shù)目進(jìn)行統(tǒng)計9。我們選取的視頻圖像大小是480360。首先把每幀圖片沿軸坐標(biāo)分成4段，如圖8所示：左右兩側(cè)是方向標(biāo)志區(qū)域，中間兩個為計數(shù)區(qū)域。當(dāng)檢測到行人進(jìn)入視頻，若為左側(cè)進(jìn)入，則左側(cè)對應(yīng)的標(biāo)志符為1而右側(cè)標(biāo)志符為0，當(dāng)行人前進(jìn)到左側(cè)的計數(shù)區(qū)域時相應(yīng)的計數(shù)器加1；若為右側(cè)進(jìn)入時同理。圖8 行人計數(shù)原理圖異常

20、報警是行人檢測和跟蹤的另一個具體應(yīng)用。在小區(qū)、公園、商場等場景的視頻監(jiān)控中，很多區(qū)域是禁止行人進(jìn)入的，故本系統(tǒng)實現(xiàn)了對此類異常行為的自動檢測和報警的功能。首先，選定禁止入內(nèi)的區(qū)域。比如：園區(qū)中的綠化帶，商場中的收銀臺。然后，判斷行人識別后的行人坐標(biāo)是否在預(yù)設(shè)區(qū)域。最后，設(shè)置報警的效果，比如按鈕閃爍等。 4. 系統(tǒng)軟件實現(xiàn)軟件運(yùn)行環(huán)境是在Visual Studio 2010開發(fā)平臺下創(chuàng)建的一個基于對話框的MFC應(yīng)用程序。實現(xiàn)過程中，調(diào)用了OpenCV2.3.1中圖像處理相關(guān)函數(shù)。具體流程如圖3所示。 4.1 系統(tǒng)界面界面是人機(jī)交互的接口，為我們更改系統(tǒng)參數(shù)、展示系統(tǒng)功能等提供了很大便利。本系統(tǒng)創(chuàng)

21、建了基于對話框的MFC應(yīng)用程序，最終實現(xiàn)的系統(tǒng)主界面如圖6所示。主要包括選取視頻源和視頻處理兩個區(qū)域。選取視頻源區(qū)域即通過各個按鈕實現(xiàn)本地磁盤或攝像頭獲取的行人視頻的載入、正常播放和暫停。視頻處理區(qū)域有Setting和Run/Stop兩個選項。Setting：點擊可彈出一個新的Detection界面，效果展示如圖7所示，可在Detection對話框中選擇運(yùn)動目標(biāo)檢測、行人識別、跟蹤對應(yīng)的處理方法并在picture控件中播放處理效果。Run/Stop：播放顯示用背景差分等方法處理后的視頻。另有顯示區(qū)域Warning，當(dāng)設(shè)定區(qū)域發(fā)生異常時自動報警。 4.2 系統(tǒng)實現(xiàn)（實現(xiàn)方法,住算法實現(xiàn)）首先，加

22、載、關(guān)閉行人視頻。視頻是一幀一幀的圖像，根據(jù)視頻的幀率設(shè)置合適的時鐘，定時對視頻中的幀圖像進(jìn)行讀取顯示。加載視頻可通過OpenCV中DrawToHDC()等函數(shù)實現(xiàn)；關(guān)閉視頻可通過一個標(biāo)簽實現(xiàn)。First, load and close a pedestrian video. (行人視頻的加載和播放) Video is composed of lots of frames images, we can set the appropriate clock to timing read and display each image. DrawToHDC() in OpenCV library ca

23、n realize the function. Close video can realize by setting the value of a label.圖6 主界面圖7 副界面其次，行人檢測模塊。1）提取前景。本系統(tǒng)是用混合高斯模型進(jìn)行背景建模，用當(dāng)前幀和背景做差獲取二值前景圖片，進(jìn)而獲取每個輪廓外接矩形坐標(biāo)，并存儲為vector類型。我們可通過調(diào)用OpenCV中morphologyEx()、erode()、dilate()、findContours()、boundingRect() 函數(shù)實現(xiàn)。后面的行人識別均是對vector類型的外接矩形進(jìn)行操作。2）初步篩選前景。采用行人形狀信息進(jìn)

24、行篩選。首先去除車輛等面積過大目標(biāo)和樹葉、天線等過小目標(biāo)。計算目標(biāo)外接矩形的寬高比滿足式(4)，再次判斷為行人。3）精確識別前景。a) 調(diào)用resize()函數(shù)歸一化前景圖片為。b) 提取前景圖片756維HOG特征。c) 輸入到已訓(xùn)練好的SVM行人分類器中進(jìn)行檢測，輸出行人檢測結(jié)果。4）顯示行人檢測結(jié)果。畫出判斷為行人的前景目標(biāo)外接矩形，可調(diào)用rectangle()函數(shù)實現(xiàn)。其中，訓(xùn)練低維度軟輸出SVM行人分類器時4，本系統(tǒng)采用已編譯且可在Windows系統(tǒng)直接執(zhí)行的LIBSVM分類器(下載網(wǎng)址為.tw/cjlin/)，選取具有海量正負(fù)樣本的INRI

25、A數(shù)據(jù)庫，樣本歸一化尺寸為。然后，行人跟蹤模塊。主要是依靠OpenCV中函數(shù)接口實現(xiàn)的。首先調(diào)用setMouseCallback()函數(shù)，獲取感興趣目標(biāo)的坐標(biāo)值；然后調(diào)用calcHist()、normalize()、calcBackProject()獲得目標(biāo)直方圖和反向投影圖；最后，用CamShift()實現(xiàn)對該目標(biāo)的跟蹤。在單人跟蹤的基礎(chǔ)上，設(shè)置標(biāo)簽容器表征是否選中第個目標(biāo)：未選中賦值0，選中后賦值，跟蹤結(jié)束后賦值。一旦目標(biāo)處于選中狀態(tài)，系統(tǒng)自動分配一個目標(biāo)跟蹤器，直到跟蹤結(jié)束。最后，行人計數(shù)和危險報警。行人檢測的實現(xiàn)：當(dāng)檢測到有行人進(jìn)入視頻時，首先利用行人檢測和跟蹤獲取的行人坐標(biāo)判斷行人進(jìn)

26、入視頻的方向，并為相應(yīng)方向的標(biāo)簽賦值；行人坐標(biāo)存儲在vector容器中。然后，當(dāng)行人坐標(biāo)和檢測線坐標(biāo)吻合時，相應(yīng)方向的計數(shù)器遞增。最后，調(diào)用putText()把計數(shù)結(jié)果顯示在主界面中。對異常行為的自動檢測和報警的實現(xiàn)方法如下： 添加3個消息響應(yīng)函數(shù)，獲取禁止入內(nèi)的區(qū)域。OnLButtonDown()：鼠標(biāo)左鍵單擊視頻任意位置，獲取矩形一個頂點的坐標(biāo)； OnMouseMove()：拖動鼠標(biāo)到選定的另一位置處；OnLButtonUp()：釋放鼠標(biāo)獲取矩形另一個對角線上的頂點，兩頂點構(gòu)建平行于窗口的矩形。 更改畫出的矩形方法：鼠標(biāo)雙擊矩形邊框任意處，所畫矩形取消，再重新繪制新的矩形區(qū)域即可。 添加初

27、始化屬性為隱藏的Warning按鈕，設(shè)置報警效果。調(diào)用ShowWindow()函數(shù)顯示該按鈕；調(diào)用SetDownColor(), SetUpColor()函數(shù)改變按鈕顏色；重新調(diào)用ShowWindow()函數(shù)隱藏該按鈕。 判斷行人識別后的行人坐標(biāo)是否在預(yù)設(shè)區(qū)域，若沒有，正常輸出；否則調(diào)用報警函數(shù)，實現(xiàn)報警，即Warning按鈕閃爍且變成彩色。 4.3 實驗結(jié)果為驗證本文算法各功能模塊實現(xiàn)效果，我們選取一段有車、人、繩線等細(xì)小運(yùn)動干擾的園區(qū)視頻，視頻尺寸，幀率。程序在PC機(jī)上運(yùn)行，PC機(jī)配置：中央處理器（CPU）為Intel i3平臺；內(nèi)存（Memory）為2GB DDR3。檢測效果分析如下。其

28、中行人檢測和跟蹤的效果如圖9所示。其中行人檢測和的效果如圖9所示。圖9b展示系統(tǒng)能較完整的檢測出運(yùn)動目標(biāo)，包括因天線抖動出現(xiàn)的一些細(xì)小噪聲。在圖9c的行人識別圖片中抖動產(chǎn)生的影響消失，精確識別出了行人目標(biāo)。在圖9d中對目標(biāo)準(zhǔn)確跟蹤，獲取行人運(yùn)動的軌跡。 原圖 (b) 運(yùn)動目標(biāo)檢測 (c) 行人識別 (d) 行人跟蹤圖9 基礎(chǔ)處理部分效果圖系統(tǒng)計數(shù)效果如圖10所示。系統(tǒng)分別對從左、右兩側(cè)進(jìn)入視頻的行人進(jìn)行統(tǒng)計。圖10b中“in:2 out:0”表示從左側(cè)進(jìn)入共2人，右側(cè)進(jìn)入0人。圖10c中“in:2 out:1”表示從左側(cè)進(jìn)入共2人，右側(cè)進(jìn)入1人?？梢?，兩側(cè)均能夠準(zhǔn)確計數(shù)。 (a) 設(shè)置檢測線

29、(b) 左側(cè)進(jìn)入計數(shù) (c) 右側(cè)進(jìn)入計數(shù)圖10 行人計數(shù)效果圖危險報警效果如圖11所示，當(dāng)有人踐踏草坪時，系統(tǒng)可自動報警。首先在草坪上手動設(shè)置有效區(qū)域。無人跨進(jìn)該區(qū)域時Warning按鈕會一直隱藏。當(dāng)有人跨進(jìn)設(shè)定區(qū)域時，Warning按鈕會一直閃爍，系統(tǒng)開始報警，并記錄下軌跡，同時錄下視頻片段，如圖11b示。 設(shè)置有效區(qū)域 (b) 危險報警圖11 危險預(yù)警效果圖 5. 總結(jié)本文結(jié)合了混合高斯建模、背景差分、HOG特征提取、分類算法、CamShift算法等圖像處理知識，較好的實現(xiàn)了視頻監(jiān)控中行人的檢測、識別和跟蹤，并在此基礎(chǔ)上設(shè)計算法完成了智能視頻監(jiān)控中的行人流量統(tǒng)計和對某些異常行為的檢測和報

30、警。最后，在Visual Studio 2010開發(fā)平臺下，利用OpenCV中的庫函數(shù)，實現(xiàn)了該系統(tǒng)并可根據(jù)不同場景自由設(shè)置。 參考文獻(xiàn) References1P. Spagnolo, M. Leo, T. DOrazio & A. Distante, Robust moving objects segmentation by background subtraction. Proc. Interactive Services (WIAMIS), Lisboa, Portugal, 2004, 81-84. 2J. Rymal, J. Renno, D. Greenhill, J. Orwel

31、l & G. A. Jones, Adaptive eigen-backgrounds for object detection. Proc. IEEE Int. Conf. on Image Processing (ICIP), Singapore, 2004, 3:1847-1850.3M. Andriluka, S. Roth & B. Schiele, Pictorial structures revisited: people detection and articulated pose estimation. Proc. IEEE Conf. on Computer Vision

32、and Pattern Recognition, Miami, Florida, USA , 2009, 1014-1021. 4N. Shou, H. Peng, H. Wang, L.-M. Meng, K.-L. Du, An ROIs based pedestrian detection system for single images. Proc. 5th. Int. Congress on Image and Signal Processing (CISP), chongqing, China, Oct. 2012, 1205-1208.5Q. Zhu, S. Avidan, M.

33、-C. Yeh & K.-T. Cheng, Fast human detection using a cascade of histograms of oriented gradients. Proc. IEEE Conf. Computer Vision Pattern Recogn., New York, 2006, 2: 1490-1499. 6Platt J. C. Probabilistic Output for Support Vector Machine and Comparisons to Regularized Likelihood Methods. Advances in

34、 Large Margin Classifiers: MIT Press, 1999.7C. Wen, A. Azarbayejani, T. Darrell & A. P.Pfinder, Real-time tracking of the human body. IEEE Trans. Pattern Anal. Mach. Intell., 1997, 19(7):780-785. 8M. Andriluka, S. Roth & B. Schiele, People-tracking-by-detection and people-detection-by -tracking. Pro

35、c. IEEE Conf. Proc. Computer Vision and Pattern Recognition, Anchorage, Alaska, USA, 2008, 1-8.9Y.-L. Hou & G.K.H. Pang, People counting and human detection in a challenging situation. IEEE Trans. Syst. Man Cybern., 2011, 41(1):24-33. Select positive and negative samples for training the classifier. We sele