監(jiān)控場景中人數(shù)評估算法的設(shè)計與實現(xiàn)

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(gòu)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(tài)對場景中人數(shù)進行統(tǒng)計評估，理論分析和試驗結(jié)果表明該種算法都具有較好可靠性和有效性。

關(guān)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(shù)在智能交通系統(tǒng)、安防、智能小區(qū)監(jiān)控、超市客流統(tǒng)計等領(lǐng)域有很廣泛應(yīng)用。這些領(lǐng)域大部分需要能統(tǒng)計出在某一特定區(qū)域經(jīng)過的行人數(shù)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(tài)攝像機實時監(jiān)控一塊特定區(qū)域，其目的是為了從視頻靜態(tài)背景中分離出動態(tài)目標(biāo)，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(biāo)（行人）與非運動目標(biāo)分離開來。首先讀取監(jiān)控視頻數(shù)據(jù)，為了增強背景模型的適應(yīng)性，需要根據(jù)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模可以建立自適應(yīng)實時動態(tài)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取（運動目標(biāo)），然后用連通域提取篩選掉一些多余無用的運動目標(biāo)并不斷更新背景，接著利用自己定義的FindWhiteBlob（FrImg）函數(shù)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(shù)。

2 前景檢測

Blob團塊檢測：Blob track 又稱運動目標(biāo)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(xiàn)成的blob檢測函數(shù)，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(nèi)容，這兩個方法都是基于圖像表層信息的算法，對一些復(fù)雜的場景，例如暴風(fēng)雨，人海等，檢測效果就不可能這么好，加上近景和遠景的區(qū)別，文章采用另一種檢測方法：模式識別。

3 實驗結(jié)果分析

3.1 基于前景提取的行人檢測結(jié)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(biāo)號為的2物體，和圖c中標(biāo)號為1的物體，雖然檢測出來是一個人，實際上是兩個人，導(dǎo)致這種效果的原因是blob的連接，當(dāng)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(dǎo)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(jù)超過的多少，相應(yīng)的增加人數(shù)。

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(yán)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(guān)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(jié)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(xiàn)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。基于haar+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(jié)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(xiàn)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(xùn)練過程，訓(xùn)練所花費的時間，是svm訓(xùn)練時間的上千倍，假如是10000張圖片，hog訓(xùn)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(xùn)練越慢），用高昂的訓(xùn)練時間，換取了檢測時間，雖然作為一件產(chǎn)品是不錯，但是研發(fā)成本也要控制好才行。

4 結(jié)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（前景提取）、HOG+SVM算法和haar+Adaboost級聯(lián)分類器進行實時檢測行人的方法。經(jīng)過分析不同的視頻數(shù)據(jù)，實驗表明HOG特征算法在對行人目標(biāo)較大且離監(jiān)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(jié)果差強人意。其中haar+Adaboost級聯(lián)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(jīng)過分類器樣本的訓(xùn)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(biāo)距離較遠時效果明顯，由于OpenCV中已經(jīng)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(xùn)練，簡化了設(shè)計流程并且檢測效果良好。

參考文獻

[1]朱文佳.基于機器學(xué)習(xí)的行人檢測關(guān)鍵技術(shù)研究[D].上海，上海交通大學(xué)，2008：7-11.

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

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

[4]楊威，張?zhí)镂?復(fù)雜景物環(huán)境下運動目標(biāo)檢測得新方法[J].計算機研究與發(fā)展，1998，8（35）：4-5.

[5]蘇松志.復(fù)雜背景下的行人檢測技術(shù)研究[D].廈門：廈門大學(xué)，2008：78-116.

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