基于视频流的地铁人群目标识别_工程建筑论文.docVIP

基于视频流的地铁人群目标识别_工程建筑论文 基于视频流的地铁人群目标识别_工程建筑论文 摘　要:地铁站内人群数目及分布的在线监测是有效控制和疏散客流,保障地铁安全的重要依据之一.利用站内现有的闭路电视监视系统,通过计算机视觉技术实现人群数目的自动识别是目前国外普遍采用的一种方式.文中提出了一种结合了自适应背景差分和比例自适应模板匹配的算法,用背景减除对图像进行分割,然后再利用比例自适应模板对感兴趣的区域进行搜索匹配,识别目标人群的数目及位置分布.该算法能有效减少传统模板匹配的计算量,提高匹配的准确率,在一定误差范围内可以达到较好的效果. 关键词:人群识别图像处理模板匹配　　地铁作为一种大容量、快速的客运方式,在城市交通中扮演着重要的角色.地铁安全日益引起人们的重视,地铁站内的客流数据是有效进行客流控制、优化站内布局、保障地铁安全的重要信息.本文的目的在于,利用目前地铁站内使用的闭路电视监控系统(CCTV),实现对站内人群数目及分布的实时自动识别. 基于图像处理的人群识别,关键在于准确性和实时性,这是一个多目标的识别问题.关于人的识别,目前常用的方法大致有:①基于特征的方法,如利用人脸部特征[1]、步态特征[2]、肤色特征[3]等②基于模板匹配的方法,如头肩模板[4]等③基于学习的方法,如基于神经网络的处理方法[5]等.在地铁车站环境内,人体特征均有可能被遮挡而传统的模板匹配通常具有计算量庞大的缺陷,无法达到实时的检测.因此,本文作者提出了一种结合自适应背景差分和比例自适应模板匹配的方法.即首先利用背景差分进行图像分割,确定出模板匹配时的搜索区域,然后在原图的边缘图像中进行比例自适应的头部模板匹配.图像分割能有效减少模板匹配的计算量,采用比例自适应头部的模板减少了行人之间的遮挡现象,提高了匹配精度. 1 基于自适应背景差分的图像分割 自适应背景模型是考虑到环境中的光线变化等因素而提出的一种可以不断更新的背景模型.利用图像和自适应背景模型的差分,可以有效的分割图像,得到包含目标的前景图像.文中采用的是基于Kalman滤波器的自适应背景模型. 1.1 Kalman自适应背景模型的提取 Kalman自适应背景模型的提取分为两个步骤:背景预测和背景校核.背景图像的预测公式为 表示增益值的取值,thd为设定的阈值. 计算某一时刻的背景模型时,首先利用上一时刻的背景模型,按照式(1)得到当前时刻的背景预测,然后将背景预测带入式(3)进行校核. 利用Kalman自适应背景模型差分后得到的图象如图1所示.其中,背景用白色表示,前景区域用被处理图像的原灰度表示. 可以看出,Kalman自适应背景模型能够准确地分割图像. 1.2 图像搜索区域的确定 在模板匹配中,感兴趣的只是包含了目标的前景区域,因此,在匹配前先利用图像分割的结果判断该像素点是否为前景.若是前景,就对该像素点进行模板相似度的计算,否则忽略该点. 2 人群目标识别 选择遮挡现象较少的头部作为识别对象,并且针对图像中目标的大小变化提出了基于头部模板比例自适应匹配人群目标识别的方法. 2.1 基础模板的生成 基础模板是指衍生出其他模板的初始模板.它直接影响到最后的识别效果,因此需要慎重选择,即要包含待识别目标的特征信息,又要具有一定的普遍性,以识别形态各异的目标.本文作者对拍摄到的50幅64人的场景a的图片,经过高斯平滑处理、边缘检测(Robert算子)后,手工剪裁出所需的头部轮廓模板子样.然后对所得的200幅模板子样,通过大小缩放及灰度平均得到一幅25pixel×26pixel的基础模板.需要注意的是,作为基础模板,剪裁子样的时候应在图片中离摄像机较近的位置选取. 2.2 模板比例自适应的搜索匹配 目标处于同一场景的不同位置时,在图片上的成像大小也会不同.当目标距离摄像头较近时,成像比较大,即占像素比较多,反之较小.为了提高模板识别的准确率,作者提出了一种模板比例自适应的方法,即,依据摄像机的成像规律对基准模板进行比例缩放,以适应图像中不同的区域中的目标. 根据计算机立体视觉测量技术中经常采用的针孔模型[7],得到图2所示的二维成像模型.图2中,(Yc,Zc)为摄像机坐标系,原点定义在摄像机的光心,Zc轴为摄像机的光轴(Yw,Zw)为世界坐标系,Zw轴垂直于水平面,将原点定义在Yc轴与Yw轴的交点处θ为摄像机与地面的拍摄角度,拍摄到的图像垂直于Zc轴. 假设地面上有一个长度为h的物体从图2中的yw1运动到yw2,两个位置对应于成像照片上的位置分别为yc1和yc2,设成像长度分别为h1和h2,则图2中yc1′=yc1+h1,yc2′=yc2+h2. 根据文献[5]中给出的摄像机坐标系与世界坐标系之间的关系,可以导出 进行模板匹配前,通过在实际场景中的测量,按照