視頻流的地鐵人群目標(biāo)識別

1、視頻流的地鐵人群目標(biāo)識別        摘 要:地鐵站內(nèi)人群數(shù)目及分布的在線監(jiān)測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),通過計算機視覺技術(shù)實現(xiàn)人群數(shù)目的自動識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,用背景減除對圖像進(jìn)行分割,然后再利用比例自適應(yīng)模板對感興趣的區(qū)域進(jìn)行搜索匹配,識別目標(biāo)人群的數(shù)目及位置分布.該算法能有效減少傳統(tǒng)模板匹配的計算量,提高匹配的準(zhǔn)確率,在一定誤差范圍內(nèi)可以達(dá)到較好的效果.   

2、 關(guān)鍵詞:人群識別;圖像處理;模板匹配    地鐵作為一種大容量、快速的客運方式,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),實現(xiàn)對站內(nèi)人群數(shù)目及分布的實時自動識別.    基于圖像處理的人群識別,關(guān)鍵在于準(zhǔn)確性和實時性,這是一個多目標(biāo)的識別問題.關(guān)于人的識別,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2、膚色特征3等;基于模板匹配的方法,如頭肩模板4等;

3、基于學(xué)習(xí)的方法,如基于神經(jīng)網(wǎng)絡(luò)的處理方法5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算量龐大的缺陷,無法達(dá)到實時的檢測.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

4、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步驟:背景預(yù)測和背景校核.背景圖像的預(yù)測公式為    表示增益值的取值,thd為設(shè)定的閾值.      計算某一時刻的背景模型時,首先利用上一時刻的背景模型,按照式(1)得到當(dāng)前時刻的背景預(yù)測,然后將背景預(yù)測帶入式(3)進(jìn)行

5、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)果判斷該像素點是否為前景.若是前景,就對該像素點進(jìn)行模板相似度的計算,否則忽略該點.    2 人群目標(biāo)識別  &#

6、160; 選擇遮擋現(xiàn)象較少的頭部作為識別對象,并且針對圖像中目標(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)識別的方法.    2.1 基礎(chǔ)模板的生成    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別效果,因此需要慎重選擇,即要包含待識別目標(biāo)的特征信息,又要具有一定的普遍性,以識別形態(tài)各異的目標(biāo).本文作者對拍攝到的50幅64人的場景a的圖片,經(jīng)過高斯平滑處理、邊緣檢測(Robert算子)后,手工剪裁出所需的頭部輪廓模板子樣.然后對所得的200幅模板子樣,通過大小縮放及灰度平均得到一幅25pixel×2

7、6pixel的基礎(chǔ)模板.需要注意的是,作為基礎(chǔ)模板,剪裁子樣的時候應(yīng)在圖片中離攝像機較近的位置選取.    2.2 模板比例自適應(yīng)的搜索匹配    目標(biāo)處于同一場景的不同位置時,在圖片上的成像大小也會不同.當(dāng)目標(biāo)距離攝像頭較近時,成像比較大,即占像素比較多,反之較小.為了提高模板識別的準(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)攝像機的成像規(guī)律對基準(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)計算機立體視覺測量技術(shù)中經(jīng)常采用的針孔模型7,得到圖2所示的二維成像模型.圖2中,(Y

8、c,Zc)為攝像機坐標(biāo)系,原點定義在攝像機的光心,Zc軸為攝像機的光軸;(Yw,Zw)為世界坐標(biāo)系,Zw軸垂直于水平面,將原點定義在Yc軸與Yw軸的交點處;為攝像機與地面的拍攝角度,拍攝到的圖像垂直于Zc軸.    假設(shè)地面上有一個長度為h的物體從圖2中的yw1運動到y(tǒng)w2,兩個位置對應(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)5中給出的攝像機坐標(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

9、際場景中的測量,按照距離攝像機由近及遠(yuǎn)均勻標(biāo)定出5個區(qū)域,然后在圖像中計算出對應(yīng)的各個區(qū)域的長度,依此作為選擇模板的界限.匹配時,給定的基礎(chǔ)模板作為最近區(qū)域的模板,搜索進(jìn)入某個區(qū)域時,就利用根據(jù)式(4)計算出的比例對模板進(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度.R(i,j)=    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,認(rèn)為該子圖像與模板圖像相似,即為目標(biāo).  

10、0; 圖3是場景a、b的邊緣檢測結(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在圖像中的位置,即三維針孔模型中匹配點在圖像坐標(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),從而定位到實際拍攝場景中,其中M為攝像機的參數(shù)矩陣.    3 實驗分析    實驗軟硬件環(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

11、圖(BMP),大小為384pixels×288pixels;在MicrosoftVisualC+的開發(fā)環(huán)境下完成算法的實現(xiàn).    實驗對圖1中場景a的70張連續(xù)視頻圖像進(jìn)行了識別,其中共包含需要識別的行人實際數(shù)目為176人,系統(tǒng)自動識別出來的有173人,漏檢11人,錯檢8人,平均識別率為72.9%左右.對于行人較少且分布分散的情況,識別準(zhǔn)確率高于行人分布密集的情況,如人數(shù)少于3人的圖像的識別率可以高達(dá)到77.5%,而人數(shù)多于3人的圖像的識別率只能達(dá)到66.7%.另外,如果行人頭部出現(xiàn)一些裝飾物的時候,會給識別帶來一定困難.  

12、60; 4 結(jié)論    針對多目標(biāo)識別,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)模板匹配的計算量,滿足了目標(biāo)在圖像中由于運動引起的大小變化的要求,在實驗環(huán)境下能夠達(dá)到滿意的效果.該檢測方法針對形態(tài)復(fù)雜的人群,對于嚴(yán)重遮擋現(xiàn)象不能識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,1998,32(3):17-20.TIANYuan,LIANGDe_qun.TheStudyofMethodforFacesDe

13、tectionandSegmentationJ.JournalofXianJiaotongUniversity,1998,32(3):17-20.(inChinese)    2CristobalCurio,JohannEdelbrunner,ThosmasKalinke,etal.WalkingPedestrianRecognitionJ.IEEETransac-tionsonITS,2000,1(3):155-163.    3LeeSH,LeeMS.PresentConditionofResearchonFa-cialImage

14、RecognitionTechnologyJ.TheInstituteofElectronicEngineersofKoreasCollectionofPaper,1996,23(6):80-94.    4阮鵬,趙明生.一種頭肩像序列的人臉快速定位算法J.計算機工程及應(yīng)用,2003,39(29):125-127.RUANPeng,ZHAOMing_sheng.AFastFaceLocationAlgorithmforHead_and_ShoulderSequenceJ.ComputerEngineeringandApplications,2003,39(29):

15、125-127.(inChinese)    5MaranaAN,VelastinSA,CostaLF,etal.EstimationofCrowdDensityUsingImageProcessingCIEECol-loquiumonImageProcessingforSecurityApplications,Di-gestNo:1997/074.London:IEE,1997:11/1-11/8.    6StefanHuwer,HeinrichNiemann.AdaptiveChangeDe-tectionforReal_TimeSurveillanceApplicationsCVi-sualSurveillance,2000.ProceedingsofThirdIEEEInter-nation