基于視頻的多信息融合公交客流采集方法研究

蘇彥莽，王 彥，郭志濤，閆 林

（1.河北工業大學 信息工程學院，天津 300401；2.天津職業大學 電子信息工程學院，天津 300410）

隨著視頻監控手段的廣泛使用，利用計算機視覺和圖像處理技術提高視頻監控系統的應用范圍，使監控系統更加自動化智能化已成為目前視頻監控系統的主要方向.其中，統計監控范圍內人數的方法的研究成為了目前視頻研究的熱點和難點.

現今在基于視頻的人數統計方法研究領域中，研究人員們提出了許多頗有見解的解決方法，如基于差分的統計方法，計算每幀圖像場景和背景圖像的差分，通過面積變化趨勢以統計人數[1]；基于輪廓特征的人頭識別算法，計算封閉區間周長平方與面積比例識別人頭[2]；基于Hough變換方法識別人頭[3]；基于顏色特征的統計方法，利用灰度值判斷頭部區域以識別人[4]；基于二次分割提取跟蹤客流的方法，依據相關性補償分割的誤差統計人數[5]等.但由于監控視頻中許多非人因素的干擾，它們大都存在著與人相同的某一特征，基于輪廓或顏色或其他特征等單一特征的識別人的方法極容易出現人的誤識，不能有效的識別人，導致人數統計的不準確.總結以上方法的優點與不足，本文提出了一種基于視頻的多信息融合客流采集統計方法，在提高識別速度的同時，降低誤識率，實現公交客流的準確統計.

1 目標提取與背景更新

若直接選取原始圖像進行識別算法分析，由于圖像中存在著大量無關像素，即監控范圍內背景區域，將會增加人頭識別算法的處理量并可能對識別結果產生干擾，所以在對每幀圖像進行人頭識別前，需要對該幀圖像進行目標提取.

對于目標提取，目前成熟的方法有很多，基本都是根據幀差分法、背景法等衍生而出.本文采用背景法提取目標，幀差分法更新背景圖像的目標提取方法.具體過程如下，系統運行前先抓拍一無運動目標的圖像作為環境背景圖像 ，如圖1所示.

在人數統計過程中，由于光影變化等因素導致背景的改變，背景圖像也必須進行及時的更新.本文采用的更新策略為，用當前幀與背景圖像進行差分，差分后若兩幅圖的灰度值差小于某一閾值，則說明當前幀無運動目標出現，更新背景；反之說明當前幀存在運動目標（圖2），提取出目標像素，存入前景圖 ，如圖3所示.從圖中可以看出，背景法獲取的前景圖中存在衣服等的干擾，這會對后期的人頭檢測算法增加相當多的無用計算量.利用人頭發色區域集中且為深色的特征去除干擾像素.通過采用自適應閾值二直化方法，有效的去除了大部分干擾像素點，處理后如圖4所示.

圖1 環境背景圖Fig.1 Environmentalbackground image

圖2 灰度圖像Fig.2 Grayscale image

圖3 前景圖Fig.3 Prospects Figure

圖4 二值化后的前景圖Fig.4 Prospects Figure after binarization

2 改進Hough變換及人頭多特征的人頭識別算法

對于人的識別目前大都通過識別人的頭部、肩部、四肢、臉部等特征以識別人.由于公共場所人群擁擠，遮擋現象嚴重，通常只有人的頭部信息可以完整獲取，所以本文的算法著重于人頭的識別.為了把遮擋的影響降到最低，系統的監控攝像頭應與垂直線大致成15角懸掛于監控區高處.

通過固定高度的監控攝像頭獲得的的實際監控視頻容易發現，人頭的特征是基本都是半徑在一定范圍內的不規則的類圓形，且極大部分人的發色固定在某一灰度值范圍內.本文的識別算法融合這兩個特征，通過改進Hough變換識別類圓，并通過發色確定人頭區域，計算識別出的類圓中人頭區域占整個圓的圓形度 ，=人頭區域面積/圓面積，以確認該類圓是否為人頭，算法流程見圖5.

2.1 傳統Hough變換

傳統的Hough變換識別圓的思想為，將圖像空間中的邊緣點映射到參數空間中，然后將于參數空間中得到的所有可能的圓心坐標點對應的累加值進行累加統計，根據累加值大小判斷圓的半徑和圓心的所在位置.如圖6所示，從圖像空間中選4個邊緣像素點A，B，C，D，以半徑 將 這4個點映射到參數空間.圖像空間的每個邊緣像素點映射為參數空間的一個圓，圖像空間中同一個圓上的邊緣像素點映射到參數空間的圓必會相交于同一點E，且E點的累加值在參數空間中是最大的4，同時，E點也是圖像空間中圓的圓心.所以，找到E點也就檢測到了圖像空間中圓的圓心.

2.2 利用梯度信息的Hough變換

傳統的Hough變換檢測圓算法計算量大，時間長．盡可能減少參與Hough變換的點數和降低積累陣列的維數是提高Hough變換效率的關鍵[6]，進而提出了利用梯度信息的圓檢測Hough變換．

2.3 改進Hough變換

利用梯度信息的Hough變換相比傳統的Hough變換在準確性基本一致情況下時空開銷大幅度減少.但該方法對低分辨率圖像 (本文中視頻格式為CIF 11﹕9 352×288分辨率)進行圓檢測時，累加器閾值設置稍大，則許多類圓無法識別；設置稍小，則類圓誤識率過高，幾個無關的點都有可能識別為類圓.所以，針對本系統需要保證算法對類圓識別的準確性，且盡量避免累加器閾值設置低時導致的無關幾點被識別為類圓的現象，本文又進一步改進了Hough變換算法.

經測試發現，當幾個無關點被誤識別為類圓時，累加矩陣中圓心位置的累加值為突然增加，周圍像素累加值無漸變過程；而真實類圓圓心處累加值為峰值，且周圍像素累加值為逐漸變小.由此，改進后的Hough變換改判斷累加矩陣單像素的累加值為判斷區域像素的累加值，大幅提高了真實類圓圓心區域的累加值，而某幾個無關點誤識為圓的圓心區域累加值變化較小，以此提高Hough變換圓檢測的累加器閾值，更準確的檢測出類圓，減少了類圓的誤識別.

2.4 多特征識別人頭

改進Hough變換識別出的類圓，其中可能會包含有人攜帶的物品或背包等誤識為類圓的干擾圓，需要通過人頭的另一特征對這些類圓進行排除，以確保后續人頭跟蹤統計的準確.方法如下.

把識別的類圓坐標帶入圖像A，見圖7，圖A只保留關心區域的圖像，本文算法將只統計該區域內的客流人數，完整通過該區域則計一人次.

計算類圓區域中人頭區域的圓形度C，若C大于圓形度閾值則判定該類圓為人頭，并把最后獲得的人頭坐標傳給下一部分人數統計，實際識別效果圖見圖8.

為了說明多特征識別人頭的必要性，做了對比實驗，通過單一輪廓特征進行人頭識別，使用改進Hough變換識別類圓，效果如圖9所示.

輪廓圖中最下方區域由于輪廓類似圓形也被識別為人頭，這顯然會對后續的人頭跟蹤統計造成干擾.對比實驗結果表明，多特征識別人頭方法準確率高，且識別速度基本不受影響.

圖5 人頭算法流程圖Fig.5 Thealgorithm flow chartof head detection

圖6 圖像空間和參數空間投影Fig.6 The figureof imagespaceand parameterspace projection

圖7 區域分割圖Fig.7 Regionalsegmentationmap

3 目標跟蹤與客流統計

本文的人頭統計算法通過運動位移匹配運動目標，跟蹤更新人頭坐標，統計通過監控區域的人數.由于本文系統采樣率高，每秒20幀幀率，相鄰幀間時間間隔非常短，且攝像頭離地面較近，約2.5m高處，獲取的人頭半徑約在30像素左右，而每幀人的位移基本在20像素內，移動位移有限，所以通過計算兩運動目標圓心的相對距離則可有效匹配運動目標.

統計算法描述如下.識別出的人頭可分為3種類型：A為新進入關心區域的人頭；B為區域內原有運動目標移動后的人頭；C為突然出現于區域內的噪聲人頭.

得到新的人頭坐標后，首先檢測人頭列表是否為空，列表為空則查看該人頭是否處于IN或OUT邊界區域，在邊界區域則表明該人頭為A類人頭，人頭在OUT區域則標記為in加入人頭列表，人頭在IN區域則標記為out加入人頭列表，若不在邊界區域則表明該人頭為C類人頭，拋棄不作處理；人頭列表不為空，則遍歷列表尋找列表中與該人頭位置最接近的人，若兩人頭坐標橫向和縱向距離都小于預先設定的距離閾值則判定此人頭為B類人頭，更新該人的人頭坐標，且該人相應的被檢測次數累加值加一，若大于閾值，查看人頭是否在邊界區域，方法同上.判斷完當前幀中所有人頭的類別后，再次遍歷人頭列表，查看是否存在在IN區標記為in的人和在OUT區標記為out的人，若存在，查看此人的累加值是否大于預先設定的累加次數閾值，符合則相應in或out人次加一.統計算法流程如圖10所示.

圖8 人頭識別效果對比圖Fig.8 Thehead detection schematic diagram

4 實際測試結果

按照上述方法，對實際拍攝的視頻數據進行了人數統計測試，同時進行了基于單一輪廓特征的對比試驗，視頻數據為實際錄制的實驗室門口區域的監控視頻，每秒20幀，分辨率為352X288，統計系統運行在個人PC機(Intel(R)Core(TM)Duo CPU T2450@2.00GHz，2GB內存)，實驗的結果見表1.

表1中視頻1為4人連續進入；視頻2中為2人近距離進入；視頻3為1人先進入，并在監控區域稍作停留，第2人超過第1人進入；視頻4為2人一進一出，且同時進入監控區域，擦肩而過.實驗結果表明，該方法相較于單特征人數統計可以更準確的統計出監控區域內的人數，有很好的實用性.

表1 實際通過人數與實驗結果Tab.1 The table of experimental results

5 結論

本文構建了一個實時有效的人數統計系統，通過人頭多特征對人頭進行準確識別，并采用運動目標連續性匹配算法實現對目標的跟蹤統計，對連續通過監控的客流可以較準確的統計出人數.實驗結果表明，該方法相比單一特征的人數統計具有更高的準確性，且運算速度快，時效性強，適合公交環境的客流采集與統計.

[1]李衡宇，何小海，吳煒，等.基于計算機視覺的公交車人流量統計系統 [J].四川大學學報，2007（8）：23-25.

[2]閆敬文，樊秋月.基于視頻圖像處理的人數統計方法 [J].汕頭大學學報：自然科學版，2008（2）：69-73.

[3]韓亞偉，張有志，李慶濤，等.動態場景監控系統中人數統計算法的研究 [J].計算機應用與軟件，2011（2）：135-137.

[4]陳朝霞.Hough變換在人頭識別中的應用 [J].佳木斯大學學報：自然科學版，2008（6）：755-757.

[5]HE Yang-m ing，DAIShu-guang.Method for recognizing human head based on feature of contour[J].Computer Engineering and Applications，2010，46（29）：164-166.

[6]ZHAOM in，SUNDi-hua，Zhang Lu，etal.Automatichead recognitionby integratingmean shiftw ithmultiple features[J].JournalofChongqing University，2010（2）：115-120.