基于骨架特征的人数统计.docVIP

基于骨架特征的人数统计 　　摘 要： 　　针对视频监控中行人在运动中将出现部分或严重遮挡的问题，提出了一种基于人体骨架特征的人数统计算法。首先，利用形态学骨架提取算法提取初始人体骨架图；然后，剔除骨架孤立点和骨架伪分支，得到最优人体骨架特征；最后，通过分析骨架的人头区域特征，建立人头检测响应规则，检测行人人头个数实现人数统计。实验结果表明，该算法能够解决视频监控人物相互之间部分遮挡和严重遮挡问题，针对相对稀疏的场景该算法人数统计准确率为95%左右。 　　关键词： 　　人数统计；人头检测；骨架特征；前景检测；检测响应规则 　　中图分类号： 　　TP391.41 　　文献标志码：A 　　People counting based on skeleton feature 　　Abstract： 　　Concerning the problem that pedestrians would be partially or seriously shaded by each other in video monitoring， this paper proposed a people counting algorithm based on human body skeleton feature. At first， the initial human skeleton was extracted by morphological skeleton extraction algorithm. Then the optimal skeleton feature was obtained by eliminating outliers and pseudo branches. Finally， this paper established a head detection response rule through analyzing the characteristics of skeleton in head areas to detect the head of pedestrian， and completed people counting by counting the heads of pedestrians. The experimental results show that the algorithm can solve the problems of partial and serious shading in video monitoring. For relatively sparse scene， the overall people counting accuracy rate of the algorithm is about 95%. 　　Key words： 　　people counting； head detection； skeleton feature； foreground detection； detection response rule 　　0 引言 　　在许多商业和公共领域，行人的信息有各种潜在的应用价值。目前国内外已有许多学者提出多种算法估计图像序列或监控视频中的人数，使得人数统计系统得到广泛的研究。其中，Chan等[1]针对高密度人群遮挡严重问题提出一种通过动态纹理分割出不同流向的人群，然后对人群分割中提取的28种特征采用高斯过程回归模型估计人数。但是这种算法不能估计出输入图像中人体的位置，准确率低且不能达到实时。Antonini等[2]提出了一种通过跟踪算法得到轨迹来进行人数统计；该算法适用场合有限，缺乏通用性，对于实际过程的处理非常困难。文嘉俊等[3]使用AdaBoost算法学习训练人头检测分类器，然后通过过线跟踪的方法统计进出口人流量。牛胜石等[4]结合AdaBoost和支持向量机（Support Vector Machine， SVM）训练人头检测分类器；但是该算法的离线训练过程繁杂，且训练的分类器的检测准确率不高。Thome等[5]采用三角剖分方法提取人体骨架特征，通过计算相邻骨架点连线与垂直方向的夹角估计人头位置实现人数统计；但该算法对前景目标的提取要求过高，难以达到自适应统计人数。 　　针对目前人数统计主流算法中存在的计算复杂度高和人体相互遮挡导致的准确率低问题，提出一种基于骨架特征的人数统计算法。 　　1 算法描述 　　在前期人数统计算法研究基础上，提出一种基于骨架特征的人数统计算法。改进人体骨架提取算法，建立人头检测响应规则，检测行人人头，实现人数统计。算法的主要流程如图1所示。 　　输入图像序列，通过混合高斯自适应背景建模获