毕业论文——基于目标分割与SVM的人数统计.docVIP

基于目标分割与SVM的人数统计 张英，陈临强，杨礼坤 （杭州电子科技大学计算机学院，浙江 杭州 310018） 摘要：该文实现了垂直摄像头下的实时人数统计。为减少场景中伪目标区域对人头检测的影响，首先利用背景建模法提取前景目标，并根据发色信息筛选前景目标。然后采用线性SVM训练得到的头部分类器识别头部，并将头部中心点作为运动人体的特征点，利用最近邻匹配法进行数据关联，完成行人的跟踪计数。不同场景下的视频测试结果表明，该方法能较为准确地实现人数统计。 关键词：人数统计；目标分割；SVM；最近邻匹配法 中图分类号：TP391.41 文献标识码：A 文章编号： 0 引 言 人数统计问题是近年来计算机视觉领域的研究热点之一，在现实生活中具有较高的使用价值。如政府管理部门可根据旅客流量衡量公共设施使用效率，医院门诊流量统计利于总结病人就诊规律，缩短病人等候时间等。现有基于视频的人数统计方法大致可分三类：（1）基于底层特征的拟合方法，如 Kim等人[1]和Lee等人[2]利用底层特征——前景像素累积和与运动向量来进行人数统计。（2）基于特征点跟踪的方法，如Vincent等人[3]采用KLT跟踪器获取特征点的轨迹信息，并使用轨迹间的特征将点归属于不同的目标，再用RANSAC算法合并得到最终目标数目。（3）基于目标检测跟踪的方法，如Dalal等人[4]采用方向梯度直方图（Histograms of Oriented Gradients, Hog）对行人进行检测，取得了良好的效果。文中结合该方法与前景分割实现人数统计，通过前景分割减少了静态伪目标对检测的影响，并缩小了检测范围。另外，为避免严重遮挡问题，采用垂直摄像头布控。 1 方法概述 垂直摄像头下的人数统计系统流程图如图1所示。首先使用线性SVM离线训练人头样本，得到人头检测分类器；然后使用该分类器对经过前景分割处理及发色判决得到的前景目标进行头部识别。但得到的候选头部区域仍有可能是伪目标，须将检测到的头部的中心点作为运动人体的特征点，使用最近邻匹配法进行数据关联，当该目标达到一定的检测强度时才识别为人头。建立跟踪对象，使用绊线计数法实现行人计数与方向的判断。 图1 基于视频的人数统计系统流程图 文中使用背景差分法来分割前景，运用Grimson等提出的混合高斯法对颜色特征进行背景建 收稿日期： 作者简介：张英（1988-），女，浙江德清人，在读研究生，图形图像处理. 模。对每个像素点使用K个高斯分布来模拟像素的背景值，t时刻将当前像素Xt与已排列好的K个混合高斯模型进行相似度匹配，如果满足，其中，D为参数；为标准差，则表示Xt和该高斯函数匹配，更新参数。如果没有匹配，那么选取K个高斯模型中最小值用一个新的均值为Xt的高斯分布取代，初始化一个较大的标准差和较小的权值。最后，按下式生成背景： 其中，T为权重 (1) 图2（b）是前景分割后的结果，其受阴影影响较大，增加了检测范围，为进一步缩小SVM分 类器识别范围，对已得到的前景目标进行发色判决。一般而言，头发的灰度值相对较低，在[0，80]之间，因此，可用一个假定的阈值T作为初步限定，排除非头发区域。即若该像素点属于前景且灰度小于T，则判定该像素点为头部区域。 （a）原图 （b）前景分割图 （c）发色判决图 图2 预处理效果图 通过发色判决可检测出图像中的头部区域，并降低阴影的影响，但与发色信息接近的区域会被引入目标区域。图2（c）为对图2（b）进行发色判决的结果，可以看出深色服装会被误判为头部，因此，仅通过前景分割和发色判决不能有效地检测到头部。 2 基于SVM的头部识别 垂直摄像头下，人体头部近似圆形，但也存在差异。使用模板匹配[5]难以准确定位头部，文中使用机器学习方法进行头部检测，使用Hog进行特征提取，再采用线性SVM训练头部样本和非头部样本得到分类器，利用分类器在头部候选区域进行头部检测。 2.1特征提取 Hog特征是一种局部区域描述符，通过计算局部区域梯度方向直方图来构成目标特征。Hog特征提取主要分为5步：（1）将32×32的图像分割为4×4的单元，并将梯度方向平均划分为9个区间；（2）统计每个单元的所有像素的梯度直方图，得到一个9维的特征向量；（3）将每相邻的4个单元构成一个块，将特征向量联起来得到36维的特征向量，并归一化；（4）用块对样本图像进行扫描，扫描步长为一个单元；（5）收集所有的块，合并成最终图像的Hog特征向量。 2.2训练SVM分类器及头部识别 线性SVM是在假设样本线性可分的情况下，寻找一个能将训练样