基于圖像的人數統計方法綜述

范欣欣

摘要：人數統計一直是計算機視覺系統研究的一個重要內容，近年來廣泛用于多種場合，利用圖像信息對教室中的人數進行統計已經成為主流。文章首先通過對近年來的相關文獻進行整理和歸納，總結出適用于教室環境中的人數統計方法，并將適用于教室環境中的人數檢測算法分成3類進行討論：基于人頭檢測的方法、基于膚色檢測的方法、基于人臉檢測的方法；其次，對典型的算法針對教室人數進行了仿真重現；最后對各種算法進行了分析和總結。

關鍵詞：人數統計；教室環境；人頭檢測；膚色檢測；人臉檢測

人數統計作為數字圖像處理和計算機視覺領域中的重要內容，具有很強的研究意義和應用價值。目前，人數統計已經成為商場、旅游景點、火車站、機場等統計客流量的重要方法。在教育方面，人數統計也大有用武之地。人數統計已經成為衡量課堂出勤率的新標準。同時，人數統計可以應用于自習教室，方便學生了解自習室的空座位的情況。此外，可以通過檢測教室和自習室中的人數自動地決定照明、取暖和制冷電器的使用情況，從而達到減少達到節能的作用。人數統計具有較強的針對性，對于不同的環境，所采用的人數統計方法也有所不同。對于商場、旅游景點、路口等人群活動量比較大的地方常采用運動目標檢測方法，如：選擇光流檢測法、幀間差分法、背景消減法等[1]。而針對教育方面，以上方法不適用于教室場景，在教室場景中人員基本上處于坐姿，運動的幅度不會過大。本文主要針對教室、自習室環境中的特點研究人數統計經常使用的方法，并對其進行討論。

1 人數統計常用的方法

早期的人數統計多是通過人工目測或點名統計的方法，既浪費人力又無法高效地實現精準的人數統計。隨著計算機視覺的迅速發展，基于圖像的人數統計逐漸占據主流，其高效性和準確性都已經有了非常大的提高。人數統計是從攝像頭拍攝的圖像中檢測人，并統計數目的過程。人數統計的關鍵是要確定人體的某個或某些特征標準，并對這些特征進行描述。根據人數統計所采用的檢測對象不同，常用的人數統計方法可分為：基于人頭檢測的方法、基于人頭肩檢測的方法、基于膚色檢測的方法、基于人臉特征檢測的方法、基于頭發紋理檢測的方法。

本文通過分析目前人數統計的發展和研究現狀，將人數統計分為3類進行介紹和討論：基于人頭檢測的方法、基于人臉檢測的方法、基于膚色檢測的方法。

1.1 基于人頭檢測的方法

基于人頭的檢測主要是針對人頭部的顏色空間和形狀特征、人頭肩的形狀特征“ Q ”這兩個方面進行檢測。

何揚名等[2]提出了利用人頭輪廓特征進行人頭識別的方法，先檢測圖像中的輪廓區域，然后根據輪廓所包圍的面積篩選出人頭區域，再利用人頭的圓形形狀對人頭進行識別。

顧德軍[3]提出了一種利用頭部的顏色特征和形狀特征進行檢測的方法，選取人頭部的特征點，對其進行橢圓擬合并采用最近鄰匹配方法進行計數。該方法主要適用于人群不是過于稠密和遮擋較少的人群。

李娜等[4]提出了一種比例自適應模板匹配的算法，對人體頭部進行識別。根據圖像采集設備的成像特點對基本模板進行大小比例縮放，從而使模板適應于不同場景中的對象和目標。

周鑫[5]采用機器學習的方法，提出兩階段人頭肩檢測算法。利用AdaBoost算法和HOG特征構造第一階段人頭分類器，再利用支持向量機（Support Vector Machine，SVM）算法和對象請求代理（Object Request Broker， ORB）特征構造第二階段分類器，對人頭進行檢測和識別。

1.2 基于膚色檢測的方法

膚色檢測應用于教室環境主要是對圖像中出現的人體臉部膚色區域進行篩選、檢測、識別的過程。人體的膚色在顏色空間上具有較強的聚類特性[6]。不同人的膚色差異主要是由圖像的亮度信息引起的，受色度影響較小，利用這一特性可以區分圖像中的膚色區域和非膚色區域，以此將待檢測圖像中的膚色區域或類膚色區域篩選出來，達到識別人臉膚色的目的。以膚色作為檢測的標準，通過對待檢測圖片進行膚色檢測，統計出膚色區域，從而實現對教室中的人數進行統計的目的。

雍寶虎等[7]從視頻中取一幀作為待檢測圖像，由于膚色像素在不同的色彩空間上聚類程度不同，其選擇在YCbCr色彩空間上建立膚色模型，利用基于形態學的開閉操作對待檢測圖像進行預處理，然后采用AdaBoost算法訓練分類器并對待檢測區域進行人臉檢測，最后統計檢測出來的人臉區域作為教室中學生的人數。

畢雪芹等[6]利用膚色聚類特性在YCbCr色彩空間建立高斯模型，并通過AdaBoost算法構造級聯分類器檢測膚色區域，對人臉區域進行膚色篩選。

張爭珍等[8]針對膚色在不同色彩空間的聚類效果不同，提出了一種基于YCgCr色彩空間的膚色識別算法，在YCgCr色彩空間擬合之后，再利用高斯模型進行人臉膚色檢測。該方法可以在檢測過程中有效地去除非膚色區域的影響。

1.3 基于人臉檢測的方法

人臉檢測是人臉識別的一部分，已成為近年來的研究熱點。人臉檢測是指計算機在包含有人臉的圖像中檢測出人臉，并給出人臉所在區域的位置和大小等信息的過程[9]。

在教室環境中，學生上課時基本上處于抬頭的狀態，面部的信息很容易被捕捉到，因而很自然想到通過檢測人臉來達到識別“人”的目的，從而對人數進行統計。

目前基于人臉檢測的人數統計的方法非常之多，本文根據教室和自習室環境中的特點，介紹3種較適合用于教室和自習室環境中的基于人臉檢測的人數統計方法：基于特征的方法，基于先驗知識的方法，基于統計理論的方法。

1.3.1 基于特征的方法

基于特征的人臉檢測方法主要包括兩種：基于模板匹配的方法、基于特征不變性的方法[2]。

模板就是一幅已知的小圖像，而模板匹配就是在一幅大圖像中搜尋目標[10]。模板匹配的首要任務在于找到適合的人臉模板。

基于特征不變性的方法是指人臉的不變特征，如：眼睛、眉毛、鼻子、紋理等。利用各種方法檢測這些特征，通過檢測到的特征來確定和識別待測區域是否為人臉[11]。

1.3.2 基于先驗知識的方法

基于先驗知識的方法就是基于規則的方法[12]，是根據已知的人臉特征：輪廓特征、形狀特征、幾何器官分布特征、對稱性特征以及它們的綜合特征等先驗知識，制定一定的規則對圖像中的目標區域進行檢測，若符合標準則被檢測為人臉。

姜軍等[13]提出了一種基于先驗知識的快速人臉檢測算法，其采用人臉鑲嵌圖模型，根據人臉圖像的灰度和邊緣信息建立知識庫，并采用多級檢測步驟來加快檢測速度。該方法可以適用于復雜背景下，針對多人、人臉面部表情變化不是特別大的情況。

1.3.3 基于統計理論的方法

基于統計理論的人臉檢測方法是通過對大量的人臉樣本和非人臉樣本進行訓練和分析后，建立一種人臉分類器，由分類器進行人臉檢測[14]。人臉分類器的質量往往受樣本的影響比較大，因此樣本往往要符合不同環境的特點。基于統計知識的方法主要包括：子空間的方法、隱馬爾可夫方法、支持向量機方法、AdaBoost方法、神經網絡方法。

子空間方法主要可分為兩類：主成分分析法和線性判別分析法[11]，其中最常用的就是主成分分析（Principal Component Analysis，PCA）法。

SVM是在統計學習基礎上建立的一種機器學習算法。SVM方法最早是由陶勤勤[15]提出的，Osuna將該方法應用于人臉檢測中。

基于Adaboost算法人臉檢測方法是當前比較流行的并廣泛和其他方法結合使用的一種檢測方法。

神經網絡的優勢在于其可以較為準確的自動捕捉潛在的人臉面部特征，而不需要過多的主觀觀念確定人臉面部特征，基于神經網絡的方法主要包括BP神經網絡和卷積神經網絡（Convolution neural network，CNN）。

2 典型方法的仿真測試

基于人頭檢測的方法，本文采用一種基于分水嶺分割算法的例子對人頭進行檢測。從一堂課的教學圖像視頻中抽取一幀作為待檢測的圖像，以黑色頭部為對象，根據人頭部的顏色特征：黑色和形狀特征：橢圓形，對教室圖片進行圖像進行一系列的形態學處理，之后采用分水嶺算法對處理過后的圖像進行分割，統計分割出來的各個頭部對象塊，作為課堂上學生的總人數。

圖沖，對原始圖像（見圖1（a））設置合適的閾值進行二值化操作，將黑色（主要用來標記頭發）變為白色，其余背景變成黑色（由于分割的目標是較暗的頭部區域），得到二值化后的圖像（見圖1（b））。

計算梯度幅值，并將其作為分割函數，對二值化后的圖像進行分割，得到如圖2（a）的分割結果，由于圖像中存在大量的污點，對分割的結果影響很大，采用一系列的形態學操作對圖像進行去噪，并能保留圖像中的原始形狀，如圖2（b）所示。

如圖3所示，根據形態學操作后的圖像計算前景標記和背景標記，通過利用前景標記和背景標記來修改梯度幅值圖像，最后采用分水嶺算法對標記后的梯度幅值圖像進行分割。

用顏色標記出用分水嶺分割后的結果如圖4所示。由于攝像頭的位置是在教室前方，拍攝的照片中臉部范圍居多，采集的頭部信息較少，若采用教室后方的攝像頭進行采集圖像，則采集的頭部信息會居多，在進行形態學處理后的再使用分水嶺分割算法會得到更好的分割效果，從而會

4 結語

本文將適用于教室和自習室環境中的人數統計算法分為3個主要類別來討論：基于人頭檢測的方法、基于膚色檢測的方法、基于人臉檢測的方法。其中膚色檢測算法也可歸為人臉檢測算法中，但隨著膚色檢測算法的應用越來越廣泛，膚色檢測在人數統計中的地位也逐步提高，因此本文將膚色檢測算法單獨列為一類進行討論。基于人頭檢測算法是室內人數統計最實用的方法，其對角度、光線等的依賴程度不高。基于膚色檢測的人數統計算法對實地環境條件的要求較高，如：背景、光線等。人臉檢測的方法較為完善，并且已經逐步成為一個較為成熟的研究方向。近年來許多專家和學者為了提高檢測的準確性和更好地適用于特定的環境，結合多種檢測方法進行人數統計，這也成了一種新的研究趨勢。目前，隨著人數統計研究的逐步深入，其應用也越來越廣泛，不僅可以用于大型超市、商場、旅游景點的客流量分析，而且在教室和自習室環境中也具有較強的實用價值。

[參考文獻]

[1]張丙坤.基于人頭檢測的人數統計算法研究[D].西安：西安科技大學，2013.

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

[3]顧德軍.基于視頻圖像處理的人數自動統計技術研究[D].南京：南京航空航天大學，2010.

[4]李娜，方衛寧.基于視頻流的地鐵人群目標識別[J].北京交通大學學報，2006（1）：96-99.

[5]周鑫.基于改進ViBe和機器學習的行人頭肩檢測方法[D].南昌：華東交通大學，2017.

[6]畢雪芽，惠婷.基于膚色分割與AdaBoost算法的人臉檢測[J].國外電子測量技術，2015（12）：82-86.

[7]雍寶虎，李嵐，鄧勇.基于膚色分割和AdaBoost算法的人臉檢測[J].科學技術與工程，2013（11）：3119-3122， 3225.

[8]張爭珍，石躍祥.YCgCr顏色空間的膚色聚類人臉檢測法[J].計算機工程與應用，2009（22）：163-165.

[9]陳雅茜，雷開彬.人臉識別技術綜述[J].西南民族大學學報（自然科學版），2007（4）：878-880.

[10]何東健.數字圖像處理[D].西安：西安電子科技大學出版社，2015.

[11]孫寧，鄒采榮，趙力人臉檢測綜述[C].北京：中國通信學會通信理論與信號處理專業委員會，2005：8.

[12]趙麗紅，劉紀紅，徐心和.人臉檢測方法綜述[J].計算機應用研究，2004（9）：1-4.

[13]姜軍，張桂林.一種基于知識的快速人臉檢測方法[J].中國圖象圖形學報，2002（1）：8-12.

[14]鄭青碧.基于圖像的人臉檢測方法綜述[J].電子設計工程，2014（8）：108-110.

[15]陶勤勤.基于卷積神經網絡和改進支持向量機的人臉檢測[D].合肥：合肥工業大學，2016.