基于圖像處理的課室人員位置分布識別

張顯宗 柳寧 王高

（暨南大學信息科學技術學院）

1 引言

對大型課室、自修室的人員位置分布識別有利于課室燈光的自動管理，便于節能。基于圖像處理的人體識別方法很多，常見的有基于頭形輪廓特征的識別方法[1,2]，它適用于類似公交系統人流統計這種特定的場合[3]；背景圖像差分人體檢測算法可以消除背景噪聲干擾，突出人體圖像信息[4]。

對課室人員位置分布進行識別時，可以采用邊緣檢測提取人體輪廓，圖像差分方法消除背景噪聲，并根據輪廓面積進行人員位置判定[5]；也可以通過對課室的背景圖像識別得到座位網格圖，采用背景圖像差分法消除背景噪聲，凸現人員分布狀態，經二值化處理，得到人員位置 Blob圖，比對座位網格與人員位置Blob圖即可得到人員分布情況。前一種方法稱為基于面積判據的人體識別方法，后一種方法稱為基于座位網格判據的人體識別方法。

2 基于面積判據的人體檢測算法

2.1 人體位置Blob圖

(1)將當前圖像和參考背景圖像（無人時的圖像）轉成灰度圖像，再將這兩個圖像每個對應像素的灰度值依次相減，取絕對值，得到差分圖像。

(2)計算圖像二值化的閾值。求出差值圖像各像素點的灰度平均值μ以及均方差σ。得到二值化的閾值參數：T'=μ+2σ。

根據正態分布“3σ原則”，變量落在區間(-2σ,2σ)的概率為95.4%。即差值圖像像素灰度值大于 T'的概率約為5%。將 T'進行線性調整，得到適合二值化的閾值T。令灰度值大于等于T像素點記為1，小于T的記為0，可得到二值化圖像。

(3)對二值圖像進行形態學圖像處理。先對其進行形態學閉運算，然后再進行開運算，消除斑點噪聲，將人體輪廓從背景圖像中分割出來。

2.2 人體輪廓提取

在輪廓提取中采用八方向碼（Freeman碼）跟蹤方法［5］。

(1)對圖像從上到下逐行搜索白色像素點，當發現第一個白色像素點時，記錄該點坐標值，設為（x0，y0）。

(2)以（x0，y0）為中心，從八方向碼的8方向開始，順時針依次判斷相鄰像素點是否為白色像素點。發現白色像素點時記錄其坐標值，設為（x1，y1）。記（x0，y0）到（x1，y1）的八方向碼矢量為V0。

(3)以（x1，y1）為中心，搜索的八方向碼方向為（V0+4）%8-1（“%”，取余），如果求得的方向碼值為0和-1，則分別用8和7代替。順時針方向依次判斷（x1，y1）的相鄰像素點是否是白色像素點。發現白色像素點時，記錄其坐標，設為（x2，y2）。于是可以得到（x1，y1）到（x2，y2）矢量V1。

(4)以（x2，y2）為中心，按照（3）的方法，繼續尋找后面的輪廓點，直到尋找到的輪廓點回到起點（x0，y0）為止。于是就得到了某個區域的輪廓。這樣得到的輪廓的特點為：沿著輪廓順時針方向走，其區域內部的像素都位于右邊。

(5)重復上述步驟，提取圖像中的全部人體區域輪廓碼。

3 基于座位網格判據的人體識別算法

3.1 座位網格圖生成

(1)對于圖1（a）所示的座位分布，利用Canny算子對此參考背景圖像作邊緣檢測，得到橫向邊緣圖像，如圖1（b）所示。比較圖1（a）和圖1（b）可以確定，兩行邊緣線表示一排座位。

(3)利用Prewitt算子對參考背景圖像做縱向邊緣檢測，得到縱向邊緣圖像，如圖1（c）所示。用形態學圖像處理方法，對縱向邊緣圖像作形態學開運算，消除部分噪聲。再利用最小行間距Δhmin作參數，對圖像進行膨脹操作，得到圖1（d）所示的圖像。

(4)以計算得的橫向邊緣的平均坐標為參考，取每兩行（1、2行；3、4行……如此類推）的中間位置，從左到右對圖1（d）所示圖像進行縱邊緣搜索。假設搜索到的縱邊緣n，若n與n-1的距離小于或等于3個像數時，則將n與n-1求平均，替換n-1，繼續向右搜索縱邊緣n。若n與n-1的距離大于本搜索行的行間距Δh的2/3，則認為是新的縱邊緣n，繼續向右搜索縱邊緣n+1。對于其他情況的縱邊緣則視為是噪聲，將其忽略，繼續向右搜索。

(5)對所有行搜索完成后，便得到了整個圖像的各橫縱網絡線的坐標值，這些網格坐標值確定了每個座位在圖像中的位置，形成座位網格圖。如圖1（e）所示，圖中每個矩形區域代表一個座位。

3.2 人員分布識別

(1)將當前圖像和參考背景圖像相減，取絕對值，得到差分圖像，再利用“3σ原則”法得到二值化Blob圖。

(2)根據上文生成的座位網格圖，以每個矩形區域為單位，對二值化Blob圖進行搜索，若某個矩形區域內檢測出白色點的面積大于該矩形區域面積的20%，則認為該區域“有人”。對所有矩形區域搜索完之后，便可得到人員分布情況。

4 算法評估

4.1 評估方法

選取同一組檢測圖像和參考背景圖像進行比對，檢測圖像和參考背景如圖 2所示。算法均采用MATLAB編程測試。檢測圖像和參考背景圖像的像素為 351×163。

4.2 基于面積判定準則方法的測試

圖3 （a）為當前圖像與參考背景的差值圖像。經過“3σ原則”法二值化后得到圖3 （b）的二值化圖像。從圖3 （b）中可見，二值化后的白色區域無明顯的人體特征，且有相鄰人體區域相接的情況，因此為了準確提取輪廓，需要對二值圖像進行形態學處理，去除噪聲和分割輪廓。進行形態學處理后可得圖3 （c）所示的人體區域劃分圖像，圖中每一個白色封閉區域正好對應一個人員分布。利用輪廓提取算法將圖3 （c）中的各個白色封閉區域的輪廓分別提取出來，根據提取出的輪廓數據可計算判別人員分布情況。

圖2 測試圖像

基于面積判定準則的方法對形態學處理參數設置非常敏感，參數設置不當時容易出現圖3 （d）所示人體面積“粘連”現象，導致識別錯誤。

圖3 基于面積判定準則的算法

4.3 基于座位網格判定準則的算法測試

利用差值圖像和“3σ原則”法同樣得到圖4所示的二值化圖像，利用座位網格劃分區域圖像，對每一個劃分區域進行搜索，若某個矩形區域內檢測出白色點的面積大于該矩形區域面積的20%，則認為該區域“有人”。最后得到人員分布情況如圖4所示。

圖4 基于座位網格判定準則的算法

4.4 兩種算法的對比

基于面積判據的人體檢測算法應用場合不受限制，但容易出現人體區域劃分錯誤；基于座位網格判定準則的識別方法克服了這個缺陷，但只適用于成排固定座位的場合。兩種算法的效率比較如表1所示。

表1 兩種算法的效率比較

表1中的時間是算法程序單次運行時間平均值，其中基于座位網格的識別法首次運行是生成網格的時間，正常運行時，其速度要快于基于面積判據的識別算法。

基于面積的識別算法效率較低。且隨著分布人數的增加，需要提取的輪廓也增加，算法程序運行時間也越長。因此，針對固定座位的課室，基于座位網格的識別算法在效率上有明顯的優勢。

5 結論

基于面積判定準則的人體檢測方法應用不受座位布置的影響，但人員分布 Blob圖像的“粘連”可能導致結果出錯，基于座位網格的人體識別方法簡單明了，實時性好，但它只適用于固定座位的課室。

[1]何揚名,戴曙光.利用輪廓特征進行人頭識別的方法[J].計算機工程與應用,2010,46(29):164-166.

[2]孫棣華,何恒攀,趙敏,等.基于單目視頻多特征融合的人頭識別算法[OL].中國科技論文在線.

[3]潘浩,高枝寶,何小海,等.基于計算機視覺的公交系統人流量檢測算法[J].計算機工程,2007,33(11):216-218,263.

[4]曹丹華.鄒偉,吳裕斌.基于背景圖像差分的運動人體檢測[J].光電工程,2007,34(6):107-111.

[5]王厚大.一種計算任意封閉形狀面積的方法[J].南京郵電學院學報,1997(4):83-85.

[6]Rafael C. Gonzalez,Richard E. Woods,et al,阮秋琦(譯).數字圖像處理(MATLAB版)[M].北京:電子工業出版社,2005.

[7]Rafael C. Gonzalez,Richard E. Woods,阮秋琦(譯),阮宇智(譯).數字圖像處理(第二版)[M].北京:電子工業出版社,2007.