監控場景中人數評估算法的設計與實現

黃寧寧 馮光等

摘 要：文章通過高斯建模得到一個很好的前景模型構架，再用blob斑點掃描確定斑點的位置，接著運用OpenCV自帶的行人分類器和自定義算法判斷行人的行走狀態對場景中人數進行統計評估，理論分析和試驗結果表明該種算法都具有較好可靠性和有效性。

關鍵詞：智能檢測；OpenCV；行人檢測；高斯背景建模

引言

視頻圖像中的行人檢測跟蹤技術在智能交通系統、安防、智能小區監控、超市客流統計等領域有很廣泛應用。這些領域大部分需要能統計出在某一特定區域經過的行人數目以及他們的行為。這會大大減輕日常管理的工作量提高效率。本文使用一個靜態攝像機實時監控一塊特定區域，其目的是為了從視頻靜態背景中分離出動態目標，并對其進行分類、跟蹤等操作。

1 行人檢測流程

這里采用高斯建模的方法提取前景，高斯建模算法的目的是將視頻中運動目標（行人）與非運動目標分離開來。首先讀取監控視頻數據，為了增強背景模型的適應性，需要根據實際情況，對背景模型進行實時更新，因此利用混合高斯背景建?？梢越⒆赃m應實時動態背景的特點，我們用混合高斯背景建模的方法進行前景圖像的提?。ㄟ\動目標），然后用連通域提取篩選掉一些多余無用的運動目標并不斷更新背景，接著利用自己定義的FindWhiteBlob（FrImg）函數找出blob斑點位置（行人位置）并為其繪制矩形框，計算矩形框以得到行人的人數。

2 前景檢測

Blob團塊檢測：Blob track 又稱運動目標檢測跟蹤，在OpenCV的眾多框架中有一個可以拓展的運動跟蹤的框架，其中包含了前景檢測模塊、新團塊檢測模塊、團塊跟蹤模塊、軌跡生成模塊、軌跡后處理模塊、軌跡生成模塊、跟蹤流程模塊七個模塊，且該框架為每個模塊都提供了一個基類，不同算法可以寫成一個子類，這樣可以方便嵌入到框架之中。

雖然OpenCV提供了現成的blob檢測函數，但是為了進一步了解blob的工作原理，文章采用了自己的blob檢測方法。高斯建模和blob提取的內容，這兩個方法都是基于圖像表層信息的算法，對一些復雜的場景，例如暴風雨，人海等，檢測效果就不可能這么好，加上近景和遠景的區別，文章采用另一種檢測方法：模式識別。

3 實驗結果分析

3.1 基于前景提取的行人檢測結果

分析：從圖1可以看出，該算法很好的檢測到了人的位置，但是如圖b中標號為的2物體，和圖c中標號為1的物體，雖然檢測出來是一個人，實際上是兩個人，導致這種效果的原因是blob的連接，當兩個blob塊合成一個時，blob掃描算法會將這個大的blob認為是一個人，就導致了這樣的效果。解決方案：可以計算整個圖像的所有blob的平均值，其中某個blob加入超過了均值，根據超過的多少，相應的增加人數。

分析：近景的效果，相對于遠景的來說，差不少，先不談圖a的光線影響多嚴重，圖c中的人物被檢測成了兩個，造成這種原因的也是blob的關系，由于人物過大，前景提取的blob被分成了兩個，所以人物也變成了兩個，這也是為什么會有模式識別這種檢測方法。

3.2 基于HOG+SVM的行人檢測

相對于前景提取的檢測方案，hog+svm檢測結果，誤檢率低得多，因為是特征對比，所以不會因為一點光照或背景的影響而改變，但是漏檢率也很高，因為遠景的特征表現不明顯，算法無法從圖像中獲得足夠的信息，所以只能將之排除。近景的效果比遠景好多了，說明圖像信息足夠豐富?；趆aar+adaboost的行人檢測與hog+svm效果都是差不多的，因為都是基于特征識別的檢測算法，所以檢測結果就不貼出來了，接下來分析一下算法的效率。針對同樣的圖片（432*240），不同算法呈現出不同的運算時間。

前景提取：0.04s；HOG+SVM：0.33s；HAAR+ADABOOST：0.04s。前景提取的時間和haar+adaboost的時間一樣多，為什么兩種完全不同的算法，原理都不一樣卻得到了相同的時間消耗，既然模式識別能較為精確的檢測到物體，為什么還不耗費時間？原因在于，adaboost分類算法的訓練過程，訓練所花費的時間，是svm訓練時間的上千倍，假如是10000張圖片，hog訓練花了3分鐘，adaboost則要花費大概兩天的時間（cpu處理速度越慢，訓練越慢），用高昂的訓練時間，換取了檢測時間，雖然作為一件產品是不錯，但是研發成本也要控制好才行。

4 結束語

本課題針對行人檢測問題，提出三種基于OpenCV、VC的算法，高斯背景建模（前景提?。?、HOG+SVM算法和haar+Adaboost級聯分類器進行實時檢測行人的方法。經過分析不同的視頻數據，實驗表明HOG特征算法在對行人目標較大且離監控攝像頭較近時檢測具有較好的效果，但hog+svm對遠景的視頻檢測結果差強人意。其中haar+Adaboost級聯分類器的效果與HOG特征算法的效果基本差不多，但是這兩種算法都需要經過分類器樣本的訓練才能得到一個比較好的檢測效果。而高斯背景建模則是對檢測行人目標距離較遠時效果明顯，由于OpenCV中已經自帶了行人分類器，所以這里不需要對分類器的行人樣本進行訓練，簡化了設計流程并且檢測效果良好。

參考文獻

[1]朱文佳.基于機器學習的行人檢測關鍵技術研究[D].上海，上海交通大學，2008：7-11.

[2]尹彥，耿兆豐.基于背景模型的運動目標檢測與跟蹤[J].微計算機信息，2008（1）：2-17.

[3]楊學超，劉文萍.視頻圖像序列中的運動目標檢測技術[J].計算機應用與軟件，2008（1）：1-6.

[4]楊威，張田文.復雜景物環境下運動目標檢測得新方法[J].計算機研究與發展，1998，8（35）：4-5.

[5]蘇松志.復雜背景下的行人檢測技術研究[D].廈門：廈門大學，2008：78-116.

[6]周柯.基于HOG特征的圖像人體檢測技術的研究與實現[D].武漢：華中科技大學，2008：50-61.