基于深度图像行人目标检测及轮廓提取算法研究.docVIP

基于深度图像行人目标检测及轮廓提取算法研究 　　摘 要：在对Kinect采集到的图像进行预处理后，为了实现行人运动目标检测，需要对行人目标进行特征识别，然后将识别分割的区域作为行人目标的备选区域。通过改进的自适应高斯混合模型的背景建模对预处理后的深度图像进行行人目标分割，分离出有用信息，然后利用Freeman?码方法提取连通域轮廓，作为行人目标的人体头部区域，便于后续对行人目标的跟踪与统计研究。试验表明，最终得到的结果达到了预期目标，算法准确性与鲁棒性很好。 　　关键词：背景建模；深度图像；高斯混合模型；Freeman链码；轮廓提取 　　DOIDOI：10.11907/rjdk.171413 　　中图分类号：TP312 　　文献标识码：A 文章编号文章编号：1672-7800（2017）008-0039-04 　　0 引言 　　随着城市化的快速发展，人口?{密度化带来的各种经济、安全问题成为当今社会的热点问题。公共场合下的人流统计已应用于安防、商业、交通管理等领域。在商业领域，商场内各个区域、时段的人流统计数据对提高经营决策的科学性、资源调配的合理性、消费环境的舒适度等方面起着至关重要的作用；在博物馆、汽车站、地铁口、机场等公共场所中，实时、精准的人流统计信息，对于人员调度、资源分配和突发事件预防等同样起到决定性的指导作用。当前基于计算机视觉的人流统计是该领域主流的技术方案，但是在现实研究中如何实现准确率高、实时性好的行人统计系统仍然是一个难点。因此，行人运动目标分割与检测技术是目前研究的主要方向，具有较强的现实意义。 　　1 国内外研究现状 　　目前应用较为广泛的自动客流统计系统（AntoPassengercouni）主要有接触式和非接触式两种设计思路。接触式方法主要分为两种，一种采用入口机械栏杆装置，一种采用踏板压力传感器；非接触式方法也分为两大类，一种采用红外检测技术，另一种则是基于机器视觉的方法。机器视觉的方法是目前新兴的解决方案。国外如Terada和Yoshida[1]采用双目摄像机，通过左、右眼获得的时空图像实现人数统计；Kettnaker和Zabih采用多个不重叠的摄像机，根据所摄内容的相关性及轨迹跟踪的时间帧关系实现人数统计；Schofield和Stonham采用单目摄像机和基于随机存取存储器（RAM）神经网络的方法实现人数统计。 　　在国内，清华大学、上海交通大学、华中科技大学、中科院自动化研究所、微软亚洲研究院等高校与科研院所也在目标跟踪领域进行了大量研究工作，在诸如人体特征部位跟踪、视觉监控、人数统计等方向取得了许多科研成果。 　　2 基于深度图像的行人目标检测与轮廓提取 　　在对Kinect采集到的图像进行预处理后，需要对行人目标的特征进行识别，将识别分割的区域作为行人目标的备选区域[2]。因此，需要对经过中值滤波、形态学预处理后的深度图像进行行人目标分割，分离出有用信息，并对识别出的连通域进行轮廓提取，作为行人目标的人体头部区域，便于后续对行人目标的跟踪与统计研究[3]。 　　2.1 自适应高斯混合模型背景建模 　　在基于自顶向下获取图像方式的人数统计系统中，视场中的背景随时间变化较少，属于固定场景的场合。对于无行人目标的静态场景，其具有的特性可以用统计模型进行表述，因此可以用多个高斯模型的加权混合模拟背景特性[4]。 　　2.1.1 标准高斯混合模型建立 　　利用深度图像进行人体头部区域的识别，实际的深度图像为灰度图，并且每个像素点的灰度值服从高斯分布，因此可以使用高斯模型进行背景像素点的建模统计，以实现前景区域和背景的分离[5]。 　　对于复杂的人流统计场景，往往单个高斯模型不能有效地实现背景建模，因此需要多个高斯模型来描述背景特征，称为高斯混合模型（GMM）。高斯混合模型通常使用M个（通常M取值为3～7）高斯模型的加权和表征背景图像中每个像素的多峰状态和变化特征，常用于复杂动态背景的建模。 　　高斯混合模型实现的大致过程如图1所示。 　　对传统的高斯混合模型，在采样间隔T内，在t时刻采集到的值设为xT={x（t），…，x（t-T）}。假设图像中的各像素点之间是独立分布（高斯分布）的，则在t时刻当前像素的概率如式（1）所示： 　　p（xT）=∑Mm=1ωmη（x；μm，∑m）（1）式（1）中，M代表高斯模型的个数，ωm表示第m个高斯分布的权重，0≤ωm1并且ΣMm=1ωm=1。μm表示第m个高斯分布的均值；∑m表示第m个高斯分布的协方差矩阵且Σm=σ2mI，σ2m表示第m个高斯模型的方差。概率密度函数η（x；μm，∑m）可由式（2）表示：η（x；μm，∑m）=1（2π）D2∑m12e-12（x-μm）TΣ-1m（x-μm）（2）在模型参数更新时，一般使用E