基于视频的多信息融合公交客流采集方法研究

苏彦莽，王 彦，郭志涛，闫 林

（1.河北工业大学 信息工程学院，天津 300401；2.天津职业大学 电子信息工程学院，天津 300410）

随着视频监控手段的广泛使用，利用计算机视觉和图像处理技术提高视频监控系统的应用范围，使监控系统更加自动化智能化已成为目前视频监控系统的主要方向.其中，统计监控范围内人数的方法的研究成为了目前视频研究的热点和难点.

现今在基于视频的人数统计方法研究领域中，研究人员们提出了许多颇有见解的解决方法，如基于差分的统计方法，计算每帧图像场景和背景图像的差分，通过面积变化趋势以统计人数[1]；基于轮廓特征的人头识别算法，计算封闭区间周长平方与面积比例识别人头[2]；基于Hough变换方法识别人头[3]；基于颜色特征的统计方法，利用灰度值判断头部区域以识别人[4]；基于二次分割提取跟踪客流的方法，依据相关性补偿分割的误差统计人数[5]等.但由于监控视频中许多非人因素的干扰，它们大都存在着与人相同的某一特征，基于轮廓或颜色或其他特征等单一特征的识别人的方法极容易出现人的误识，不能有效的识别人，导致人数统计的不准确.总结以上方法的优点与不足，本文提出了一种基于视频的多信息融合客流采集统计方法，在提高识别速度的同时，降低误识率，实现公交客流的准确统计.

1 目标提取与背景更新

若直接选取原始图像进行识别算法分析，由于图像中存在着大量无关像素，即监控范围内背景区域，将会增加人头识别算法的处理量并可能对识别结果产生干扰，所以在对每帧图像进行人头识别前，需要对该帧图像进行目标提取.

对于目标提取，目前成熟的方法有很多，基本都是根据帧差分法、背景法等衍生而出.本文采用背景法提取目标，帧差分法更新背景图像的目标提取方法.具体过程如下，系统运行前先抓拍一无运动目标的图像作为环境背景图像 ，如图1所示.

在人数统计过程中，由于光影变化等因素导致背景的改变，背景图像也必须进行及时的更新.本文采用的更新策略为，用当前帧与背景图像进行差分，差分后若两幅图的灰度值差小于某一阈值，则说明当前帧无运动目标出现，更新背景；反之说明当前帧存在运动目标（图2），提取出目标像素，存入前景图 ，如图3所示.从图中可以看出，背景法获取的前景图中存在衣服等的干扰，这会对后期的人头检测算法增加相当多的无用计算量.利用人头发色区域集中且为深色的特征去除干扰像素.通过采用自适应阈值二直化方法，有效的去除了大部分干扰像素点，处理后如图4所示.

图1 环境背景图Fig.1 Environmentalbackground image

图2 灰度图像Fig.2 Grayscale image

图3 前景图Fig.3 Prospects Figure

图4 二值化后的前景图Fig.4 Prospects Figure after binarization

2 改进Hough变换及人头多特征的人头识别算法

对于人的识别目前大都通过识别人的头部、肩部、四肢、脸部等特征以识别人.由于公共场所人群拥挤，遮挡现象严重，通常只有人的头部信息可以完整获取，所以本文的算法着重于人头的识别.为了把遮挡的影响降到最低，系统的监控摄像头应与垂直线大致成15角悬挂于监控区高处.

通过固定高度的监控摄像头获得的的实际监控视频容易发现，人头的特征是基本都是半径在一定范围内的不规则的类圆形，且极大部分人的发色固定在某一灰度值范围内.本文的识别算法融合这两个特征，通过改进Hough变换识别类圆，并通过发色确定人头区域，计算识别出的类圆中人头区域占整个圆的圆形度 ，=人头区域面积/圆面积，以确认该类圆是否为人头，算法流程见图5.

2.1 传统Hough变换

传统的Hough变换识别圆的思想为，将图像空间中的边缘点映射到参数空间中，然后将于参数空间中得到的所有可能的圆心坐标点对应的累加值进行累加统计，根据累加值大小判断圆的半径和圆心的所在位置.如图6所示，从图像空间中选4个边缘像素点A，B，C，D，以半径 将 这4个点映射到参数空间.图像空间的每个边缘像素点映射为参数空间的一个圆，图像空间中同一个圆上的边缘像素点映射到参数空间的圆必会相交于同一点E，且E点的累加值在参数空间中是最大的4，同时，E点也是图像空间中圆的圆心.所以，找到E点也就检测到了图像空间中圆的圆心.

2.2 利用梯度信息的Hough变换

传统的Hough变换检测圆算法计算量大，时间长．尽可能减少参与Hough变换的点数和降低积累阵列的维数是提高Hough变换效率的关键[6]，进而提出了利用梯度信息的圆检测Hough变换．

2.3 改进Hough变换

利用梯度信息的Hough变换相比传统的Hough变换在准确性基本一致情况下时空开销大幅度减少.但该方法对低分辨率图像 (本文中视频格式为CIF 11﹕9 352×288分辨率)进行圆检测时，累加器阈值设置稍大，则许多类圆无法识别；设置稍小，则类圆误识率过高，几个无关的点都有可能识别为类圆.所以，针对本系统需要保证算法对类圆识别的准确性，且尽量避免累加器阈值设置低时导致的无关几点被识别为类圆的现象，本文又进一步改进了Hough变换算法.

经测试发现，当几个无关点被误识别为类圆时，累加矩阵中圆心位置的累加值为突然增加，周围像素累加值无渐变过程；而真实类圆圆心处累加值为峰值，且周围像素累加值为逐渐变小.由此，改进后的Hough变换改判断累加矩阵单像素的累加值为判断区域像素的累加值，大幅提高了真实类圆圆心区域的累加值，而某几个无关点误识为圆的圆心区域累加值变化较小，以此提高Hough变换圆检测的累加器阈值，更准确的检测出类圆，减少了类圆的误识别.

2.4 多特征识别人头

改进Hough变换识别出的类圆，其中可能会包含有人携带的物品或背包等误识为类圆的干扰圆，需要通过人头的另一特征对这些类圆进行排除，以确保后续人头跟踪统计的准确.方法如下.

把识别的类圆坐标带入图像A，见图7，图A只保留关心区域的图像，本文算法将只统计该区域内的客流人数，完整通过该区域则计一人次.

计算类圆区域中人头区域的圆形度C，若C大于圆形度阈值则判定该类圆为人头，并把最后获得的人头坐标传给下一部分人数统计，实际识别效果图见图8.

为了说明多特征识别人头的必要性，做了对比实验，通过单一轮廓特征进行人头识别，使用改进Hough变换识别类圆，效果如图9所示.

轮廓图中最下方区域由于轮廓类似圆形也被识别为人头，这显然会对后续的人头跟踪统计造成干扰.对比实验结果表明，多特征识别人头方法准确率高，且识别速度基本不受影响.

图5 人头算法流程图Fig.5 Thealgorithm flow chartof head detection

图6 图像空间和参数空间投影Fig.6 The figureof imagespaceand parameterspace projection

图7 区域分割图Fig.7 Regionalsegmentationmap

3 目标跟踪与客流统计

本文的人头统计算法通过运动位移匹配运动目标，跟踪更新人头坐标，统计通过监控区域的人数.由于本文系统采样率高，每秒20帧帧率，相邻帧间时间间隔非常短，且摄像头离地面较近，约2.5m高处，获取的人头半径约在30像素左右，而每帧人的位移基本在20像素内，移动位移有限，所以通过计算两运动目标圆心的相对距离则可有效匹配运动目标.

统计算法描述如下.识别出的人头可分为3种类型：A为新进入关心区域的人头；B为区域内原有运动目标移动后的人头；C为突然出现于区域内的噪声人头.

得到新的人头坐标后，首先检测人头列表是否为空，列表为空则查看该人头是否处于IN或OUT边界区域，在边界区域则表明该人头为A类人头，人头在OUT区域则标记为in加入人头列表，人头在IN区域则标记为out加入人头列表，若不在边界区域则表明该人头为C类人头，抛弃不作处理；人头列表不为空，则遍历列表寻找列表中与该人头位置最接近的人，若两人头坐标横向和纵向距离都小于预先设定的距离阈值则判定此人头为B类人头，更新该人的人头坐标，且该人相应的被检测次数累加值加一，若大于阈值，查看人头是否在边界区域，方法同上.判断完当前帧中所有人头的类别后，再次遍历人头列表，查看是否存在在IN区标记为in的人和在OUT区标记为out的人，若存在，查看此人的累加值是否大于预先设定的累加次数阈值，符合则相应in或out人次加一.统计算法流程如图10所示.

图8 人头识别效果对比图Fig.8 Thehead detection schematic diagram

4 实际测试结果

按照上述方法，对实际拍摄的视频数据进行了人数统计测试，同时进行了基于单一轮廓特征的对比试验，视频数据为实际录制的实验室门口区域的监控视频，每秒20帧，分辨率为352X288，统计系统运行在个人PC机(Intel(R)Core(TM)Duo CPU T2450@2.00GHz，2GB内存)，实验的结果见表1.

表1中视频1为4人连续进入；视频2中为2人近距离进入；视频3为1人先进入，并在监控区域稍作停留，第2人超过第1人进入；视频4为2人一进一出，且同时进入监控区域，擦肩而过.实验结果表明，该方法相较于单特征人数统计可以更准确的统计出监控区域内的人数，有很好的实用性.

表1 实际通过人数与实验结果Tab.1 The table of experimental results

5 结论

本文构建了一个实时有效的人数统计系统，通过人头多特征对人头进行准确识别，并采用运动目标连续性匹配算法实现对目标的跟踪统计，对连续通过监控的客流可以较准确的统计出人数.实验结果表明，该方法相比单一特征的人数统计具有更高的准确性，且运算速度快，时效性强，适合公交环境的客流采集与统计.

[1]李衡宇，何小海，吴炜，等.基于计算机视觉的公交车人流量统计系统 [J].四川大学学报，2007（8）：23-25.

[2]闫敬文，樊秋月.基于视频图像处理的人数统计方法 [J].汕头大学学报：自然科学版，2008（2）：69-73.

[3]韩亚伟，张有志，李庆涛，等.动态场景监控系统中人数统计算法的研究 [J].计算机应用与软件，2011（2）：135-137.

[4]陈朝霞.Hough变换在人头识别中的应用 [J].佳木斯大学学报：自然科学版，2008（6）：755-757.

[5]HE Yang-m ing，DAIShu-guang.Method for recognizing human head based on feature of contour[J].Computer Engineering and Applications，2010，46（29）：164-166.

[6]ZHAOM in，SUNDi-hua，Zhang Lu，etal.Automatichead recognitionby integratingmean shiftw ithmultiple features[J].JournalofChongqing University，2010（2）：115-120.