動態視覺監控系統人流量檢測

賈其臣, 張 琦, 曹開發, 謝慕君

(長春工業大學 電氣與電子工程學院， 吉林 長春 130012)

?

動態視覺監控系統人流量檢測

賈其臣, 張 琦, 曹開發, 謝慕君*

(長春工業大學 電氣與電子工程學院， 吉林 長春 130012)

運用混合高斯模型對背景進行建模，然后實時更新背景，檢測出運動目標，采用改進卡爾曼濾波對目標位置進行預測，并與目標實際位置進行參數匹配，如果二者距離不大于閥值，則認為二者為同一目標，否則為二個不同目標。視頻圖像的人數統計實驗驗證了檢測方法的有效性。

人流量檢測； 混合高斯模型； 卡爾曼濾波； 目標計數

0 引 言

近年來，隨著計算機視覺技術的發展，人流量檢測已成為各大科研單位的研究熱點。Malinovskiy Y[1]等提出從連續的圖像序列中判別出運動行人，然后進行快速的計數，達到人流量監測的目的。而在目標識別和跟蹤中，建立背景模型起關鍵作用。背景差分法[2]、幀間差分法[3]、光流法[4]這3種是當前使用最多的背景提取算法，但它們各有優點與缺點。孫洋[5]提出采用高斯背景建模和邊緣檢測技術，通過提取目標運動的區域以及其邊緣信息形成目標區域，同時把頭部和肩部組合起來形成一形態，構建行人檢測模板，然后采用該行人檢測模板對檢測區域進行匹配，統計行人，達到人流量監測效果。姚金良[6]等提出虛擬門，通過統計其前景像素個數進行人流量統計，該方法包括：學習過程與計數過程。學習過程：采用行人檢測的方法提取場景中的行人模型，然后用線性把行人模型擬合為虛擬門上的點并賦予權重。在計數過程，該方法考慮虛擬門上前景像素的權重、運動矢量和方向等信息，逐幀統計虛擬門上的前景像素點數，在特定時間內積累的前景點數來統計通過虛擬門的人數。Garcia J[7]等通過檢測人體頭部，跟蹤頭部得到頭部候選區的運動軌跡，根據軌跡的方向更新來計數，該方法在室內具有良好的行人檢測效果。

文中針對室外進行人流量計數。運用混合高斯背景建模與卡爾曼迭代跟蹤進行人流量監測。

1 行人檢測

采用混合高斯模型[8]對目標背景進行提取，由多個高斯模型分布的集合表示每個像素值。其樣本通過以下獲得：

(1)

式中：Xt----第t幀圖像的像素值;

(x0,y0)----像素的位置;

I(x0,y0,i)----第i時刻在位置(x0,y0)的像素值。

Xt的高斯混合分布概率密度函數：

(2)

式中：K----混合高斯模型的個數；

ωk,t----t時刻第k個高斯分布的權值;

圖像的每個像素點的特征用5個高斯模型表示。高斯混合模型包括3個處理過程。

1.1 參數初始化

(3)

(4)

1.2 模型參數更新

當得到新的圖像時，用新圖像上的每一個像素與該像素的高斯混合模型中的K個高斯分布分別進行兩兩匹配，如果該新的像素Xt和該高斯分布中的某一個滿足式(5)，則認可該像素Xt與其高斯分布滿足匹配條件。

(5)

式中：μi,t-1----第i個高斯的分布第t-1時刻的均值；

δi,t-1----第i個高斯的分布第t-1時刻的標準差。

能與Xt相匹配的每一個高斯分布，其參數按下式進行更新：

(6)

式中：α----用戶定義的學習率;

ρ----參數學習速率。

如果該像素Xt與任一個高斯分布都不能兩兩匹配，則可認為出現新的高斯分布，則權重最小的高斯分布將被新的高斯分布替換。新的高斯分布的均值為μi,t，初始化一個較大的標準差σ0和一個較小的權重ω0。

1.3 目標檢測

高斯分布中參數完成更新后，按照ωi,t/σi的比值由大到小對所存高斯分布進行排序，最能代表背景的高斯分布排在序列的前面，按下式取前L個高斯分布為背景，這樣行人目標就檢測出來了。

(7)

視頻圖像處理過程如下：

1)對視頻中的每幀圖像一一做去噪等預處理。

2)根據提取視頻的前40幀圖像，用高斯混合模型進行背景訓練。第40幀之后的視頻圖像需要更新其背景模型和參數，并且利用該模型提取前景的目標后，進行開、閉運算等形態學方法，檢測到的前景目標是二值化圖像。文中以第一段視頻第275幀為例，原圖像及二值化效果分別如圖1和圖2所示。

圖1 原圖像

圖2 二值化圖像

3)對步驟2)提取的二值化圖像進行中值濾波，消除了目標周圍的噪聲點和圖像邊緣的毛刺，效果如圖3所示。

圖3 濾波后二值圖像

4)檢測出的目標包括非行人目標與行人目標，此時需要根據面積大小進行判斷域，文中面積大于40認定是行人。

2 目標跟蹤計數

2.1 卡爾曼濾波

目標跟蹤[9-10]常用的方法是首先得到目標的特征向量集，然后依靠特征集去尋找與其相應匹配的目標。文中提取行人的前景目標圖像之后，對行人目標跟蹤，采用區域的方法，將包含行人目標的團塊作為跟蹤區域[11]，將該區域外界矩形的重心作為跟蹤特征。為提高跟蹤效率和跟蹤精度，文中引入了卡爾曼濾波算法對行人重心進行跟蹤估計。

卡爾曼濾波器(Kalman Filtering)[12]是一種通過建立線性系統狀態方程，計算系統的輸入輸出數據，對系統的狀態做最優化估計算法。該算法利用當前時刻的狀態對下一時刻的狀態做最優狀態預估計，卡爾曼濾波器具有良好的實時性，并且計算量較小的特點。其預測方程如下：

(8)

A----狀態轉移矩陣;

B----噪聲輸入矩陣;

U(t)----隨機噪聲序列。

2.2 改進的行人跟蹤算法

為了對行人進行有效跟蹤，文中為每個目標設計了一個跟蹤器，對跟蹤器進行實時更新計數，假如A代表已經被跟蹤的目標，B代表檢測出的目標，d為用卡爾曼濾波預測出的型心與檢測出的目標型心之間的距離。由于行人在前后二幀之間的移動距離不大，故可設定一閥值，當移動距離小于此閥值時，可以認定此距離對應的被檢測的A目標和被跟蹤的B目標為同一目標，故為此目標分配跟蹤器進行跟蹤計數，文中將閥值設定為30。在開始匹配時，先求出所在的d值，將其加入跟蹤器，然后找到其中小于d，若d<30，則判斷Tp和Dq為同一目標，令Tp=Dq+30，繼續找出跟蹤列表中的最小值，重復以上判斷過程，直到所有d的值全部大于30，則此次匹配結束，對目標進行標號計數，如圖4所示。

圖4 跟蹤計數圖

3 行人目標跟蹤實驗

根據上述原理，繪制視頻人數統計流程如圖5所示。

圖5 行人統計算法流程圖

在PC機(Intel i5-410U 1.70 GHz 4G內存) MATLAB2014a上運行，視頻圖像為320×240，在同一場景拍攝了6個AVI視頻片段進行行人流量檢測實驗，每段視頻時長1 min左右。采用圖5的流程圖步驟，實驗結果見表1。

表1 行人人數統計結果

實驗結果表明，上述算法可以實現動態監控視頻的人數統計。對單個行人或無遮擋的多個行人可以達到很好的計數效果。但是由于行人運動的無序性，在檢測區域停留引起目標消失，人體相互遮掩以及光照產生的陰影干擾，對行人統計有一定的誤差。

4 結 語

采用混合高斯針對行人進行背景建模提取運動目標，然后通過改進卡爾曼跟蹤的方法，實現對單個行人或多個行人目標的有效跟蹤計數，實驗證實，文中設計的行人流量跟蹤統計方法可行有效。但是行人相互之間的遮擋，光照突變引起對背景干擾沒有得到很好的解決，造成計數有誤差，這一問題還需要進一步的科學實驗研究解決。

[1] Malinovskiy Y， Zheng J Y， Wang Y H. A simple and model-free algorithm for real-time pedestrian detection and tracking[C]// The 86th Annual Meeting of the Transportation Rescarch Board, Washington,D. C：[s.n.] ,2007.

[2] Haritaoglu, Harwood D, Davis L S G. A human body part labeling system using sihouettes[C]// Fourteenth International Conference on Pattern Recognition,1998:77-82.

[3] Hong Bingrong, He Huaiqing. Research of waling and running locomotion control methods for virtual humans[J]. Chinese High Technology Letters,2001(3):91-95.

[4] Meyer D, Denzler J, Niemann H. Model based extraction of articulated objects in image sequences for gait analysis[C]// Proc IEEE International Conference on Image Processing, Santa Barbara,California,1997:78-81.

[5] 孫洋.視頻中行人快速檢測計數方法研究[J].數字技術與應用,2013(11):84-85.

[6] 姚金良,錢翰博,汪澄.視覺自適應行人計數[J].光電工程,2012(7):102-108.

[7] Garcia J, Gardel A, Bravo I, et al. Directional people counter based on heads tracking[J]. IEEE Computer Socity Press,2012,120:470-475.

[8] Stauffer C, Grmson W E L. Adaptive background mixture models for real-time tracking[C]// Proceeding of IEEE International Conference on Computer Vision and Pattern Recognition, Fort Colins, Colorado, USA: iEEE Computer Society,1999(2):246-252.

[9] Lee Munwai, Cohen I, Soon Kijung. Particle filter with analytical inference for hunman body tracking[C]//Proceeding of IEEE Workshop on Motion & Gmputing,2002:159-165.

[10] Collins R T. Mean-shift blob tracking through scale space[C]// Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recongnition, Madison, WI, USA:[s.n.],2003:234-240.

[11] 王唯合，王宏志，趙蘭英.運動目標檢測跟蹤方法研究[J].長春工業大學學報：自然科學版，2007,28(4):411-414.

[12] 胡學剛,劉忠振.基于高斯模型和卡爾曼預測的檢測與跟蹤[J].計算機工程與設計，2013,34(1):247-251.

Dynamic visual pedestrians flow measurement system

JIA Qichen, ZHANG Qi, CAO Kaifa, XIE Mujun*

(School of Electrical & Electronic Engineering, Changchun University of Technology, Changchun 130012， China)

Mixed Gaussian model is applied to build and update the background to detect the moving targets. With improved Kalman filter, target positions are estimated and then matched with the real position parameters. If the distance between the estimated and real is less than the threshold, we can conclude that the two positions are thesame object otherwise they are different. Statistic experiments of pedestrian flow based on video images verified the method.

traffic detection; Gaussian mixture model; Kalman filter; target counting.

10.15923/j.cnki.cn22-1382/t.2017.1.15

2016-11-17

吉林省科技廳基金資助項目(2015-25)

賈其臣(1989-)，男，漢族，河南商丘人，長春工業大學碩士研究生，主要從事圖像處理方向研究,E-mail:fendouxiaozi2015@sina.com. *通訊作者：謝慕君(1969-)，女，漢族，吉林長春人，長春工業大學教授，博士，主要從事智能機械方向研究,E-mail:xmj666@163.com.

TP 391

A

1674-1374(2017)01-0079-05