基于彩色視頻圖像處理的小區(qū)監(jiān)視及人數(shù)統(tǒng)計(jì)

樊秋月

（廣東科學(xué)技術(shù)職業(yè)學(xué)院，廣東 珠海 519090）

0 引言

隨著計(jì)算機(jī)視覺技術(shù)的不斷發(fā)展，視頻處理的應(yīng)用也越加廣泛，尤其是采用圖像處理技術(shù)對特定的視頻運(yùn)動對象的自動檢測，識別，跟蹤等智能監(jiān)控，有著非常廣泛的應(yīng)用前景。計(jì)算機(jī)視覺監(jiān)控技術(shù)能夠利用計(jì)算機(jī)視覺和圖像處理的方法建立一個智能管理系統(tǒng)，通過對攝像機(jī)拍錄的視頻序列來進(jìn)行分析來實(shí)現(xiàn)行人的定位、識別和跟蹤，從而提供了一種更加先進(jìn)和可行的智能處理方案[1]。行人人數(shù)監(jiān)視與統(tǒng)計(jì)技術(shù)是當(dāng)今世界智能視覺系統(tǒng)研究中一個十分活躍的新領(lǐng)域。人數(shù)監(jiān)視與統(tǒng)計(jì)在居民小區(qū)、地鐵、超市出入口中有著廣泛的應(yīng)用需求[2]。

傳統(tǒng)的人數(shù)統(tǒng)計(jì)方法是利用人工計(jì)數(shù)或人工電子設(shè)備觸發(fā)計(jì)數(shù)，隨著信息化時代的到來，發(fā)展一種自動化的人數(shù)統(tǒng)計(jì)方法顯得十分必要。通常采用的人數(shù)統(tǒng)計(jì)方法主要有紅外檢測法、密度檢測法以及圖像處理法[3]。紅外檢測法是一種較精確的方法，當(dāng)人通過時遮住了紅外射線，從而完成一次脈沖計(jì)數(shù)，但對于較多的人同時通過的場合，則顯得無能為力，同時安裝起來比較復(fù)雜，應(yīng)用場合也受到一定的限制；而密度檢測法是一種大范圍的粗略檢測法，根據(jù)密度分布來估算人數(shù)。現(xiàn)找到切實(shí)可行的方法，既能滿足較高的實(shí)時性要求，也可以采用現(xiàn)有的普通PC機(jī)來處理圖像數(shù)據(jù)。

1 模糊邏輯原理

1.1 隸屬度函數(shù)

模糊集使得某元素可以以一定程度屬于某集合，某元素屬于某集合的程度由0與1之間的一個數(shù)值——隸屬度來刻畫和描述[4]。把一個具體的元素映射到一個合適的隸屬度是由隸屬度函數(shù)來實(shí)現(xiàn)的。隸屬度函數(shù)可以取任意的形狀，但要簡單、方便、快速、有效，而且其值域?yàn)閇0,1]。常見的隸屬度函數(shù)有以下幾種：

示意圖見圖1(c)。三角形隸屬度函數(shù)，其表達(dá)式為：

示意圖見圖1(d)。

1.2 模糊邏輯運(yùn)算及推理

模糊邏輯是普通二值邏輯的推廣，在模糊邏輯中，任何陳述都以一定程度的真實(shí)性表示，其取值為0與1之間的數(shù)值，對應(yīng)的模糊邏輯運(yùn)算主要有：

邏輯與：μA∩B( x) = min[μA( x) ,μB(x )]，邏輯或：μA∪B(x)=max[μA( x) ,μB( x )]；邏輯非：μA(x) =1 - μA(x)。模糊推理是采用模糊邏輯由給定的輸入到輸出的映射過程。其主要包括五個步驟：①輸入變量模糊化，即把確定的輸入轉(zhuǎn)化為由隸屬度描述的模糊集；②在模糊規(guī)則的前件中應(yīng)用模糊算子（與、或、非）；③根據(jù)模糊蘊(yùn)含運(yùn)算由前件推斷結(jié)論；④合成每一個規(guī)則的結(jié)論部分，得出總的結(jié)論；⑤反模糊化，即把輸出的模糊量轉(zhuǎn)化為確定的輸出。

2 方法原理

首先確定監(jiān)視區(qū)范圍，即感興趣的區(qū)域，而在監(jiān)視區(qū)范圍外的點(diǎn)不予考慮。這樣既可以減少噪聲的干擾，又可以提高處理速度。對于差減后的圖像，采用比較低的閾值，這樣可以將人物盡可能地包括進(jìn)來。人物區(qū)域相對像素?cái)?shù)較多，而噪聲則比較分散，故形態(tài)學(xué)濾波無疑是一種很好的去噪方法。理想情況下，同一個人的各個部分是連在一起的，但有時由于衣服顏色或光照條件的影響，使得人的各個部分被分離成若干塊，此時可以將面積相對較小且相距較近的連通體連接，就可以盡可能地避免多計(jì)數(shù)或少計(jì)數(shù)現(xiàn)象的發(fā)生。處理之后的連通體個數(shù)即為總的人數(shù)，但們還無法分清他們的去向（即進(jìn)入還是離開）。確定去向的策略如下：首先從上到下，從左到右在形態(tài)學(xué)濾波后的圖像上找到該連通體的第一個點(diǎn)，并在未進(jìn)行形態(tài)學(xué)濾波的圖像（因形態(tài)學(xué)濾波會濾除一些細(xì)節(jié)）的某個鄰域內(nèi)搜尋真正的頭頂點(diǎn)，找到頭頂以后，將該點(diǎn)縱向坐標(biāo)向下移動某個數(shù)值，橫向坐標(biāo)分別向左右兩個方向移動某個數(shù)值檢測頭寬。然后根據(jù)人頭部的比例關(guān)系（一般頭部的長度與寬度之比在1或多一點(diǎn)，本文中取1.2），在一個局部矩形區(qū)中檢測頭發(fā)和膚色區(qū)域并記錄兩者的像素?cái)?shù)，求出各自所占的百分比。取局部矩形區(qū)的縱向平分線，并在其中找出頭部區(qū)，計(jì)算平均灰度值。將膚色所占百分比和平均灰度值作為模糊推理的前提條件件進(jìn)行模糊判決。

圖1 隸屬度函數(shù)曲線示例圖

下面對模糊推理加以較詳細(xì)地論述。膚色所占百分比的論域?yàn)閇0 0.8]，分成三個隸屬度函數(shù)，小、中、大，函數(shù)類型取比較簡單的三角形，隸屬度的中心點(diǎn)分別為 0.2、0.4、0.6，函數(shù)取點(diǎn)均為181，如圖2(a)所示；平均灰度值的論域?yàn)閇0 80]，隸屬度的中心點(diǎn)分別為20、40、60，如圖2(b)所示；輸出變量進(jìn)入可能性的論域?yàn)閇0 1]，隸屬度的中心點(diǎn)分別為0.25、0.5、0.75，如圖2(c)所示。

圖2 輸入輸出隸屬度函數(shù)示意圖

在if-then模糊規(guī)則中，if部分是規(guī)則的前提條件，then部分則是結(jié)論或后件。模糊規(guī)則為：

①if（膚色百分比小）or（平均灰度值小）then（進(jìn)入可能性小）；

②if（膚色百分比中）or（平均灰度值中）then（進(jìn)入可能性中）；

③if（膚色百分比大）or（平均灰度值大）then（進(jìn)入可能性大）。

應(yīng)用模糊算子取或算子中的模糊并（max）；模糊蘊(yùn)含算子取最小運(yùn)算；糊合成算子取模糊并反模糊化使用中心法。整個模糊推理過程如圖3所示。

圖3 模糊推理過程示意圖

在圖中，假設(shè)膚色百分比為0.64，平均灰度值為49，經(jīng)模糊推理后，進(jìn)入可能性為0.638，即此人應(yīng)為進(jìn)入小區(qū)。

為了盡量防止多計(jì)數(shù)和少計(jì)數(shù)現(xiàn)象的發(fā)生，采樣間隔應(yīng)根據(jù)實(shí)際情況進(jìn)行選取，可以將普通人通過監(jiān)視區(qū)域的時間作為標(biāo)準(zhǔn)。

3 實(shí)際處理過程示例

在實(shí)際處理中，考慮了人物正向、側(cè)向和背向以及多人進(jìn)出、衣服顏色干擾等多種情況。針對監(jiān)視區(qū)域的大小，采樣頻率取為每八秒一幀。

下面以多人進(jìn)出為例加以說明。

圖4 小區(qū)監(jiān)視與人數(shù)統(tǒng)計(jì)處理示例圖

從上圖中可見，接合處理有效地防止了多計(jì)數(shù)現(xiàn)象的發(fā)生。圖中三個人的膚色百分比分別為0.6、0.64、0.44，平均灰度值分別為61、49、43，進(jìn)入可能性分別為0.75、0.6385、0.5595，均大于閾值0.5，故三人均為進(jìn)入。從這個角度來說，基于視頻圖象處理的人數(shù)統(tǒng)計(jì)方法在實(shí)際應(yīng)用中的準(zhǔn)確率是很高的，所以可以應(yīng)用于實(shí)際中。

4 結(jié)語

通常模糊推理由于速度較慢、推理復(fù)雜等因素較少用于實(shí)時圖像處理中，但這里的問題較適合于其使用，因?yàn)橛赡w色百分比和平均灰度值信息判斷進(jìn)入還是離開本來就是一個不確定的問題，此時用模糊推理和模糊判別來處理比較適合，同時，該應(yīng)用是每隔若干秒才拍一幀，所以模糊處理時間上也滿足條件。作為一種比較新的應(yīng)用，在嘗試和探索中還有一些需要解決的問題。彩色視頻圖像雖然具有比灰度圖像更多的信息量，但其應(yīng)用場合可能會受到一定的限制，如在夜晚效果可能較差一些。各個閾值的選取也會隨著應(yīng)用場合的變化而變化，或許在這種場合比較合適而在另一種場合效果就變得較差。這些問題需要在以后的嘗試和探索中進(jìn)一步來解決。

[1] 鮑占闊.基于視頻圖像的交通信息處理方法研究與實(shí)現(xiàn)[D].北京：北京工業(yè)大學(xué),2006.

[2] Xu Xiaowei, Wang Zhiyan, Liang Yinghong, et al. A Rapid Method for Passing People Counting in Monocular Video Sequences[C].USA：IEEE,2007：1657-1662.

[3] Valle Jr,Oliveira J D,Koerich L E S, et al. People Counting in Low Density Video Sequences. Conference[C]. Heidelberg：Springer Berlin 2007：737-748.

[4] 程科.模糊形態(tài)學(xué)技術(shù)及其在圖像處理中的應(yīng)用[D].南京：南京理工大學(xué),2005.