基于数字图像处理的人员运动参数提取方法研究参考资料.doc

基于数字图像处理的人员运动参数提取方法研究 [来源：]?[作者：admin]?[日期：2010-1-14 14:40:08]?[点击： 46854 次] 摘要：针对人员疏散研究中提取疏散场景行人运动参数的需要，采用数字图像处理技术对记录行人运动的视频进行了处理。首先对背景进行混合高斯建模并提取前景，然后采用mean—shift算法对视频中彼此相连的多个行人目标进行有效地聚类分割并准确地跟踪每个行人，得到了包含有行人运动特性时空信息的运动轨迹，利用轨迹得到了行人在行进过程中的速度变化特征。结果表明该文所提出方法可以方便、快速、准确地提取人员运动特性参数，可望对提取人员疏散实验以及真实场景中行人运动的基础数据，如速度、密度、流量等提供有效的技术手段。 ? 关键词：人员疏散；运动参数；混合高斯模型；mean—shift算法 ? 在火灾等紧急情况下，如何对公共建筑中的人近年来，为弥补疏散实验的缺失，研究人员开展员进行快速、高效的疏散是公共安全研究的重点之了一些疏散实验，他们提取疏散过程运动参数以及一。为此，研究人员提出并发展了大量的疏散模型，考察人员疏散特性的手段，可以分为两种：一种是通如社会力模型[1]和元胞自动机模型E4-21]等，用以过人工统计和观察的方法E。另一种是使用数模拟不同工况下公共建筑内的人员疏散过程，考察字图像处理技术对疏散场景中的行人运动轨迹提疏散时问、人员运动速度和密度、行人通过疏散通道取，再借助行人运动轨迹考察疏散过程中行人运动的流量、间隔时间分布等疏散行为的特征参数，研究的微观和宏观行为规律。 它们之间的相互关系。结果表明发展疏散模型，并人工统计的方法存在费时费力，考察的运动特利用计算机进行模拟为我们认识疏散行为规律、设性的范围有限，而且数据的准确度低等缺点。而运计疏散设施提供了一种有效的技术手段。用数字图像处理技术，则可以实现自动准确地提取然而，由于人员行为的复杂性，疏散模型能否完疏散过程中每个行人目标，并自动跟踪其运动轨迹，准确地反映疏散过程中人的行为规律必须通过进而借助轨迹来考察疏散特性。Hooogendoorn等实验加以验证。因此，开展疏散实验[5。。]收集可针对常用的视觉跟踪技术存在缺点E333-37~的事实，为以反映行人运动宏观和微观特性的基础数据，进而简化分割视频中行人目标的难度，让实验者戴上红考察疏散过程特性和行为规律就成为一项重要的基色和绿色帽子，再采用模糊聚类的方法来检测场景础性研究。但是，由于开展疏散实验的困难以及缺中的红色和绿色区域，使得实验场景中的行人在发乏一种有效的统计疏散过程中行为参数的技术手生拥挤时也能被较好的检测到l2。但是采用该方_， 真实场景，如街道或商场，中的行人检测就遇到了很大的困难。此外，上述跟踪方法的准确性也有待于进一步提高，且很难达到人机交互的目的，也很难观察和记录某一行人在整个疏散场景中的运动特性。 本文针对人员较密为集场景的运动行人目标检测和跟踪问题，发展了基于数字图像处理的行人运动参数提取方法，结合文献【。中利用.. mean---shift算法对相连的多个目标进行聚类分割的方法，并进一步采用文献[3]中基于.. mean---shift算法的跟踪技术，实现了真实场景中相连的多个行人目标自动、快速、有效地分割和准确地跟踪，初步提取了复杂实际场景中行人的运动轨迹，为计算疏散过程中行人运动的流量、速度、密度等参数奠定基础。.. 1．模型框架本文以校园内某路段的行人流为研究对象。为了研究行人的运动轨迹等运动参数，我们选择俯视视频场景，如图.. 1所示，进行研究。 图1视频场景.. Fig．1 Videscene我们首先对该场景进行高斯背景建模提取前景【4， 与此同时计算当前帧和背景图片的差分图像，然后将两者结合得到只有前景区域的差分图像；其次利用基于.. mean—shift算法对前景目标进行聚类分割，并计算器聚类巾心；最后将每个目标的聚类中心传人跟踪模块实现基于.. menhf算法的目标跟a---sit踪。系统模型框架如图2所示。.. 2．行人分割与跟踪图2算法流程 Fig．2 Algorithm flow 2．1背景建模由于阳光照射，本文研究的视频场景在行人运动条件下引起环境照度的变化，以及随时间推移，视频场景中草坪上阴影的范围也发生变化，需要我们在提取前景(运动目标)时考虑到背景的相对变化。 因此，本文采用了一种自适应的背景建模方法——混合高斯模型[。来提取前景。混合高斯背景建模方法假定场景中每一像素点可能的取值.. P(xf)的概率符合以若干个特定值为均值的多个有权重的高斯子模型的累加分布：.. P(X)一.. W叩(x，，Σ) (1) 其中，w是第i个高斯子模型在时刻的权重。每个高斯子模型可表示为： Σ)一.. ’.. (2)一般，混合高斯子模型数目N