基于頭部圖像特征的人流計數方法

王小鵬，渠燕紅，馬 鵬，張永芳

(蘭州交通大學電子與信息工程學院，甘肅蘭州 730070)

隨著計算機視覺技術的發展，利用視頻監控[1]和圖像分析技術實現人流的智能統計分析已日漸成熟，并已逐步在車站、碼頭、機場和超市等公共場所得到應用，通過人流統計可以獲取出入現場的人流密度，協助管理和決策者更好地進行資源管理和分配，科學合理地規劃管理方案，同時也為人群密集場所提供安全預警。目前人數統計系統一般采用運動目標識別和跟蹤相結合的方法，常見方法可以分為基于統計分類[2]和基于模板匹配[3]的人數統計，其中基于模板匹配的方法首先建立頭部特征模型，利用該模型在視頻圖像中識別目標，然后通過跟蹤實現統計。文獻[4]提出了結合形狀特征信息和多曲率尺度的物體輪廓檢測方法，頭部檢測效果較好，但運算量較大；文獻[5]利用頭部幾何輪廓和HSI顏色空間實現檢測，有效抑制了光照變化和陰影的影響；文獻[6]利用Kalman濾波對跟蹤窗口位置進行預測，該方法在行人軌跡交叉的情況下依然能夠連續跟蹤。

要準確統計出入口人流，首先需要準確分割出幀圖像中的單個人，剔除其他非人目標，這就需要選擇一種或多種能夠可靠表征單人的特征。由于人頭部近似剛性，不存在形變，因此將頭部作為人個體特征較為理想。同時攝像頭垂直向下可以采集到較完整的頭部特征，減少遮擋現象。因此本文使用豎直向下攝像頭進行監控場景內的行人頭部檢測，進而進行人流統計。對采集的視頻圖像，首先根據混合高斯模型[7]檢測出前景圖像，分割出感興趣的人流區域[8]并進行邊緣檢測；然后對邊緣曲線進行分類，僅選取滿足條件的獨立曲線進行基于梯度方向的RHT圓檢測[9]，并利用初始化的頭部篩選模型對圓形區域進行篩選；最后通過Kalman濾波器實現目標預測與跟蹤，并依據目標反饋的特征參數更新篩選模型參數。由于該方法檢測并處理的區域是感興趣的人流區域，因此可以減少運算量，同時通過RHT圓檢測消除了類圓非目標的干擾，提高統計準確率。

1 方法流程

人流計數方法流程如圖1所示。首先提取視頻幀圖像前景，根據前景圖像分離出感興趣區域并進行邊緣檢測；然后利用基于邊緣分類和梯度信息的RHT變換方法檢測出圓形目標，并依據基于面積和顏色信息的篩選模型對檢測結果進行過濾，篩選出行人頭部；最后采用基于Kalman濾波預測的跟蹤對目標進行跟蹤和計數，并將跟蹤目標信息反饋給篩選模塊。

圖1 人數統計方法流程

2 頭部目標檢測

2.1 感興趣區域邊緣提取

混合高斯模型對光照變化有較強的適應能力，由于本文的目標識別與跟蹤區域為前景部分(人流)而非背景，因此，將前景區域設置為感興趣區域。首先采用混合高斯模型提取前景二值圖像，以此作為掩模與原始幀圖像做點乘運算，去除相對靜止的背景區域，分割出感興趣區域，然后再利用Canny算子提取感興趣區域邊緣。假設目標前景二值圖像為h(x，y)，原始彩色圖像的RGB分量依次為R(x，y)，G(x，y)和B(x，y)，則感興趣區域可表示為

( 1 )

感興趣區域分割和邊緣檢測結果如圖2所示，將前景圖像設置為感興趣區域，只對該區域進行邊緣檢測，一方面可減小后處理運算量，另一方面避免了背景中類似頭部的類圓目標對后續特征檢測的影響。

(a)原始圖像 (b)感興趣區域

(c)邊緣檢測結果圖2 感興趣區域邊緣提取結果

2.2 頭部檢測

通過感興趣區域邊緣提取獲取行人等邊緣后，需要進一步提取頭部而剔除其他部分，由于頭部在垂直拍攝時，其形狀基本為圓形。因此，可以通過檢測圓的方法進行頭部檢測。RHT是一種有效圓檢測方法，通過隨機抽取3個不在同一條直線上的點，映射成參數空間中的一個點，并根據參數累計結果確定真正的圓。RHT變換是多到一映射，減小了傳統Hough變換一到多映射的計算量，這種優勢在處理簡單圖像時明顯有效，但對于視頻中復雜場景的幀圖像，由于無效積累過多，會導致計算量過大。為了降低無效累積的概率，文獻[10]提出基于梯度信息的RHT變換改進算法，利用梯度方向信息對參數空間累積操作之前的采樣點進行共圓判斷，只有通過判斷的點才能進行參數空間的累積操作，該算法雖然對采樣點進行了篩選，但對于邊緣點集較多的情況，計算量仍然較大。為此，提出一種基于邊緣分類和梯度信息的RHT圓檢測方法，基本思路是對檢測出的邊緣信息進行分類，選取滿足一定條件的單獨邊緣曲線進行基于梯度信息的RHT圓變換，從而減小運算量。

Canny邊緣檢測后得到一些相互獨立的邊緣曲線，由于同一頭部輪廓點必然位于同一條邊緣上，而RHT變換采樣是隨機抽取3個不在一條直線上的點，像素總數小于3的邊緣曲線不滿足該條件。因此，本文方法獲得的獨立邊緣曲線可以分為兩類：一類是像素點數大于3；另一類是小于等于3。如果僅對像素點數大于3的獨立邊緣曲線進行基于梯度信息的RHT圓檢測，便可以剔除部分無效的邊緣曲線，減少無效的累積，從而減少運算時間。假設邊緣圖像中邊緣點數大于3的獨立曲線集為{D1，D2，D3，…，Dn}，那么改進后的頭部圓檢測算法過程如下：

步驟1構造邊緣曲線Di的點集Oi，記錄各點梯度方向，初始化參數單元集P=NULL和循環次數k=0。

步驟2從Oi中隨機抽取3個點：d1(x1，y1)，d2(x2，y2)，d3(x3，y3)。

步驟3計算這3個點的梯度方向直線α1和α2的交點c1(x4，y4)，α2和α3的交點c2(x5，y5)。若滿足|x4-x5|≤δ，|y4-y5|≤δ(也可計算α1和α3的交點，選取其中兩個交點進行判斷即可)，則利用式( 2 )～式( 4 )計算這3個點所確定的圓參數(a，b，r)，轉至步驟4；否則，轉至步驟7。

( 2 )

( 3 )

( 4 )

步驟4在P中尋找點pc(xc，yc)，如果滿足以下條件，則轉至步驟6，否則轉至步驟5。

( 5 )

步驟5將特征參數(a，b，r)作為新參數插入P，其對應計數值設置為1，轉至步驟7。

步驟6將pc的計數值加1，如果小于指定閾值N，轉至步驟7；否則轉至步驟8。

步驟7令k=k+1，若k>Kmax，則結束，否則轉至步驟2。

步驟8pc為候選圓特征參數，若該參數對應圓邊緣點數m>Mmin，則轉至步驟9；否則為虛假圓，從P中刪除pc，轉至步驟2。

步驟9pc為真實圓參數，將落在參數相對應特征上的點從Di中去掉，判斷已檢測到圓的數目是否達到規定值，或者檢測一個圓循環次數是否達到最大值，如果是則結束；否則，重置P=NULL，k=0，轉至步驟2。

上述步驟中，Kmax為設定檢測一個圓所允許采樣的最大循環次數；Mmin為圓所需的最小點數，一般設為2πRλ，λ為固定系數，取值范圍為0～1；m為圖像空間中落到候選圓上的點數。

2.3 頭部篩選模型

在攝像頭垂直拍攝條件下，行人具有類圓的頭部輪廓，但不同行人頭部大小之間存在差異，發色相對于周圍環境有明顯不同，因此采用頭部面積和顏色[11]信息可以建立篩選模型。

篩選模型根據人體先驗知識和實際場景頭部特征初始化參數，模型參數為Smin，Smax，Rcb和Rcr，其中Smin和Smax是根據實際情況設置的頭部面積最小和最大值。假設檢測出的頭部圓半徑為r，那么頭部區域面積S=πr2，如果Smin-δ≤S≤Smax+δ，則說明目標大小符合要求。頭發顏色信息根據采集的發色樣本，利用混合高斯模型對不同顏色分量概率分布進行描述，可以發現常見的黑色、棕色和金色等頭發顏色在YCbCr顏色空間具有較好的聚類效果，因此，利用Rcb和Rcr分別表示YCbCr空間內的Cb和Cr通道值，且兩者滿足

( 6 )

根據顏色分量的聚類范圍，對檢測出的頭部特征進行顏色信息篩選，進一步剔除不滿足條件的圓形區域。

通過建立面積和顏色信息的篩選模型可以去除偽目標。圖3(a)是僅進行圓檢測的結果，圖3(b)是加入篩選模型后的檢測結果，可以看出圖3(a)將垃圾桶檢測出來，而圖3(b)則剔除了垃圾桶，而將頭部保留。

(a)圓檢測結果 (b)加入篩選模型后圖3 頭部特征檢測結果

3 頭部跟蹤與計數

人流屬于實時移動目標，當頭部檢測出來后，可以通過跟蹤頭部實現每個行人的狀態估計和位置預測，通過關聯準則將視頻序列中相同的單個人準確匹配，從而獲得行人在連續視頻中的運動軌跡。由于Kalman濾波[12]預測能夠較為精準地預測目標運動軌跡，并且場景中運動頭部在相鄰幾幀圖像內的運動可以近似為勻速直線運動。因此，本文采用基于Kalman濾波預測的頭部跟蹤方法，利用Kalman濾波器對運動頭部在下一幀的位置進行預測和更新，將預測出的頭部目標與當前幀目標進行匹配，最后將匹配成功的目標反饋到篩選模型庫，實現篩選信息的更新。

將頭部外接矩形作為跟蹤窗口，依次選取跟蹤窗口中心點坐標、速度和頭部區域的均值和方差作為狀態模型參量，目標狀態向量為

( 7 )

( 8 )

( 9 )

式中：pix(x，y)為半徑為R，中心點位于(x，y)的頭部區域內像素值；N為頭部區域內像素總數。利用頭部檢測結果對狀態模型初始化后，進行基于Kalman預測的跟蹤與計數，具體過程如下：

(10)

(11)

(12)

步驟2狀態更新，根據實際觀測值和預測出的狀態方程以及誤差協方差對預測結果進行修正，獲得系統狀態的最佳估計值，更新過程如下

(13)

(14)

(15)

(16)

式中：Zk為系統觀測向量；V為觀測噪聲，設為零均值高斯白噪聲；H為設定觀測矩陣；R為觀測噪聲協方差；I為單位矩陣；Kk為卡爾曼增益。

步驟3頭部匹配，將當前檢測的結果與之前檢測目標進行匹配。

(17)

式中：Ud為目標之間距離的閾值。如果匹配成功，將目標信息反饋到篩選模型進行更新；否則，說明目標可能因為快速移動或者遮擋而產生假消失等現象，此時直接利用Kalman預測值更新參數，并將其標記為假消失對象。如果在規定時間段內仍然沒有找到匹配的對象，則將其判為離場。

步驟4人數統計，進出口處人流自動統計采用雙線法進行軌跡判斷，即在視頻圖像中設定兩條計數虛擬線，虛擬線之間區域視為計數區域。當跟蹤窗口中心點進入兩線之間區域，計數開始，如果中心點離開計數區域，則計數結束。

圖4給出了基于Kalman預測的跟蹤和計數過程結果，由于引入了Kalman預測，避免了行人運動過快或遮擋導致的跟蹤丟失等情況。

(a)雙向人流密集場景

(b)背景變化場景

(c)攜帶行李場景圖4 跟蹤計數過程

4 實驗結果與分析

為了驗證方法的有效性和計數性能，采用實際場景監控視頻進行仿真測試，采用MATLAB和C++語言進行編程仿真。采用的評價指標為檢測率DR和準確率AR，具體定義如下

(18)

(19)

式中：p為正確檢測人數；q為誤檢人數；r為漏檢人數。

首先選取不同場景的監控視頻進行測試，分別為圖4(a)的雙向密集人流且存在相互遮擋，圖4(b)背景環境發生突變以及圖4(c)行人攜帶行李的場景。從表1數據可以看出，平均準確率在94%以上，由于設置感興趣區域和頭部篩選模型能夠減弱背景中類圓物體的干擾，采用Kalman濾波跟蹤減少了遮擋導致的漏檢，使本文方法能夠在不同場景下具有較高的計數準確率。但在人流密度較大的情況下，由于行人之間長時間遮擋和頭部輪廓的嚴重缺失，計數準確率會出現降低。另外，當行人攜帶類似頭部大小和顏色行李時，容易誤判為行人，導致計數誤差。

表1 不同場景檢測率和準確率測試結果

為了進一步評估本文方法，對大小為320×240的視頻序列與不同方法進行了實驗數據對比。表2(其中AT表示運算時間)為不同方法計數之間的測試結果，其中基于HOG特征的Adaboost目標檢測檢測率較高，但漏計較為嚴重，降低了計數準確率；結合Hough變換檢測與光流法跟蹤的人流統計僅以Hough檢測結果作為跟蹤依據，不能有效排除類圓物體干擾，且光流法計算復雜度較大，使檢測率和準確率降低。相比之下，本文設置的感興趣區域和篩選模型，剔除了類圓物體的干擾，改進的RHT變換提高了圓檢測的效率，因此，本文方法的總體檢測率和準確率相對較高，計算復雜度較低。

表2 不同方法結果對比

5 結束語

本文提出一種利用視頻圖像中頭部特征快速且較準確實現雙向人流計數的方法，通過設置感興趣區域和篩選模型，消除背景中類圓物體的干擾，提高檢測的準確率；提出了基于邊緣分類和梯度信息的RHT變換圓檢測方法，提高頭部檢測的速度；根據跟蹤匹配結果，將匹配成功目標信息反饋給篩選模型，實現了模型的更新，保證了篩選條件的準確性。