应用特征抽取图像技术进行车站人群监测的初探.docVIP

　　应用特征抽取图像技术进行车站人群监测的初探 摘 要: 文中将以一个地铁站或火车站为例, 提出一种特征抽取 方法 去辨别在候车的人群, 并运用图像处理技术去探测出某时刻的人群拥挤情况; 同时, 用C语言编写所有的程序。 关键词: 特征抽取; 图像处理; 视觉信息; 人群监测; 边缘检测; 阈值法; 人群密度 过去几年以来, 在自动监测系统领域里, 出现了新的 研究 课题, 那就是地铁站和火车站人群的估计和检测。大多数的监测系统在现实生活中, 都是操作员使用一台台摄像机去获得视觉信息, 实时的监控是知道到底有多少人在车站的最好方法。由于在人流的高峰时期经常会有事故发生, 所以我们必需控制人群的数量。例如, 在香港, 由于上下班高峰期有成千上万的路人快速地经过这些拥挤的车站, 当人流过高的时候会大大提高车站的危险程度, 而许多意外都是发生在混乱的场合里, 所以大多数的地铁都会在人们的必经之路安装摄像机。在这些情况下, 如何疏导人流和限制过多的人进出车站, 使在车站候车的人们感到舒适和安全就显得非常重要, 如何做到实时管理和控制并且反馈到地铁中心是当今监测领域的主要研究 内容 。 本研究将利用在地铁和火车站现有的闭路电视 (CCTV) , 通过 计算 机去处理所得图像, 然后得出估计的人群密度。 1 人群检测的特征抽取 特征抽取是定位和追踪目标过程的一个重要步骤, 它要求计算机能认出这个目标的特征。 近几年来, 人们做了许多关于人群监测的研究, 这些研究都使用了许多火车站和地铁中闭路电视 (CCTV) 系统。在 现代 的CCTV系统中, 大多使用即时的数字化图像, 而在人群监测的过程中使用了大量的视像信息技术, 例如边缘检测、细化、像素计算。通过这些图像处理的结果, 可以轻易得出想要的结论, 例如人群密度、拥挤情况等。特征抽取的目的是在黑白的录像中抽取低级的人群视像信息。这些视像信息可以区别出不同程度的人群密度。 在实时系统中, 图像处理技术可起以下作用:①移除背景, 测量在此背景下被多少人群所占据;②边缘测量, 测量这些人群占据区域的边界。 然后, 它还需要一个用于 分析 的模板去测量上述处理过的每个事物的特征。最优的方法是使用时间和空间信息的kalman filter (DEKF)系统。在现实中, 地铁站或火车站台都会安装多个摄像头, 监控人员可以通过每个摄像来判断当时的人群数量和人流预测。 2 主要设计思路 在研究中, 我们主要的目标是编写利用图像处理技术来监测在拥挤的车站里的人群密度的程序, 使其自动的根据实时的数字图像辨别出在车站人流的多少, 也就是说, 会编写一个可以在高、中、低三种人群密度都可以进行监控的程序。因为要寻找出数据和人群密度之间的关系,需要做许多试验, 例如边缘检测、阈值运算, 然后组合这些数据, 得出结论。 在本文中, 探讨的人群监测的每幅图像的大小都是320* 240像素。所有的图像都来自同一个摄像点。 整个程序的基本工作流程如图1所示: 3 主要过程 3.1 灰度化 把图像转变成灰阶为8 bit的灰度图。 3.2 背景移除 顾名思义就是把图像的背景除掉。通常来说, 在一帧图像中, 重要的信息会由于变化多端的背景存在而变得不太明显。而把背景移除掉,会使信息变得清晰, 更加统一。在进行边缘检测和阀值运算时, 背景移除是非常有用的一步。通过移除一些固定的事物到达移除的目标, 如轨道、墙、人、火车, 还有棚。因摄像机位置是固定的, 所以同样的移除对象将会适用于整个试验过程。但对于不同的摄像机, 对象会有所不同。 这个程序需要一些合成图像, 主要分为两个部分, 一为以黑色覆盖, 移除火车和墙等背景的图像; 二为以白色覆盖, 移除人物背景的图像。为了能够更加准确地获取数据, 需要另外一组的合成图像, 同样分为两部分, 但与第一组正好相反, 以白色覆盖, 移除火车和墙等背景的图像,以黑色覆盖, 移除人物背景的图像。 为了能够更容易地对比源图像和合成图像,首先给出源图像(图2)。 正如大家所见, 这些从地铁站和火车站的闭路电视中获得的图像都是有一定 规律 的, 相对的火车和墙等背景是不变的, 处理的结果如图3。 从图3所得, 合成图由两个部分组成, 以黑色覆盖移除火车和墙等背景的图像; 以白色覆盖移除人物背景的图像。然后, 我们需要另一组数据, 所以给出下列的合成图 (图4)。 图4显示, 这组图像同样分为两部分, 但效果与第一组相反, 以白色覆盖移除火车和墙等背景的图像; 以黑色覆盖移除人物背景的图像。 3.3 特征抽取 从图像中抽取不同的图像特征去定义或解释事物。在本节, 简单的介绍程序是如何获取图像数据和如何区别人群密度, 总体可分为两部分。 3.