深度图像下基于头部多特征的人数统计算法

1、深度图像下基于头部多特征的人数统计算法 刘磊 陈泽虹 张勇 赵东宁 深圳大学 ATR 国防科技重点实验室 深圳大学信息工程学院 哈尔滨工业大学(深圳)计算机科学与技术学院 摘 要： 在现实生活中, 因人流量过大而引发的安全事故不胜枚举.为了防止此类事故的发生, 可通过视频监控的方式统计人数, 及时对行人进行限流和分流.提出一种有效的人数统计算法.该算法采用深度摄像机作为视频采集源, 通过分析和提取深度图像下头部的 4 个特征, 实现行人头部检测, 并依靠 Kalman 滤波技术实现对头部目标的跟踪, 进而达到人数统计的目的.该算法对行人的不同发型具有一定适应性, 同时对轻微遮挡和多人环境下的头部检测均有良好效果.该算法人数统计平均准确率达到 88.6%.关键词： 数字图像处理; 深度图像; 区域生长; Kalman 滤波; 多特征; 人数统计; 作者简介：刘磊 (1991) , 男, 深圳大学硕士研究生.研究方向:图像处理.E-mail:收稿日期：2016-12-20基金：广东省自然科学基金资助项目 (2015A030310172) A people counting algorith

2、m based on multi-feature of head region in depth imagesLiu Lei Chen Zehong Zhang Yong Zhao Dongning ATR Key Laboratory of National Defense Technology, Shenzhen University; College of Information Engineering, Shenzhen University; Abstract： In daily life, a great number of security accidents are caused by the excessive flow of people. In order to prevent the occurrence of such accidents, we propose an efficient algorithm to count the number of people by using video monitors and limit the flow of p

3、eople in time. The algorithm uses the depth camera as a video capture device and realizes the detection of peoples heads by analyzing and extracting the four features of heads in depth image.The method uses Kalman filter technology to track the head and achieves the purpose of counting statistics. The proposed algorithm can effectively solve the head detection problem of complex scenes, such as hairstyle diversity and head part-occlusion. The average accuracy of the proposed algorithm reaches ab

4、out 88. 6%.Keyword： digital image processing; depth image; region growing; Kalman filter; multi-feature; people counting; Received： 2016-12-20为配合高人流量地区 (如商场、车站和交通路况) 安全等级划分、人流量限制标准设定和应急预案规划, 人数统计逐渐成为视频监控领域的一个重要分支.现阶段基于图像处理的人数统计算法主要是将摄像头安装在相关场所进出口处的顶部, 摄像头采用垂直式拍摄, 此方式有效降低了行人在运动中出现遮挡的概率, 低遮挡率保证了行人头部特征的完整性, 易于算法对头部特征的提取.本研究在保证行人头部被准确检测的基础上, 对行人头部进行跟踪, 并通过相关策略对行人轨迹线进行约束, 最终实现人数的统计.1 相关工作根据选用摄像头的类型, 可以将人数统计算法分为: (1) 基于 RGB 摄像机的人数统计算法; (2) 基于深度摄像机的人数统计算法.基于 RGB 摄像机的头部识别算法一般以头部的颜色1、轮廓2-3和头肩部模型4等为特征, 利用

5、颜色特征进行头部识别的方法易受外部光照和环境颜色的影响;头部轮廓往往难以归结到一个统一标准上, 而且行人在运动中姿势多样, 轮廓的变化范围将更复杂, 利用轮廓特征进行识别难以达到较高的识别率;头肩部模型判断需要斜向式拍摄, 由此导致行人头部遮挡概率提升和遮挡面积的变大, 利用头肩部模型难以精确识别, 只能大致估计.在此基础上, 部分学者利用上述特征, 或采用其他特征, 如 Harr、局部二值模式 (local binary pattern, LBP) 和梯度直方图 (histogram of gradient, HOG) 等, 进行训练和学习5-8, 迭代优化使识别率大幅提升, 多数基于机器学习的方法识别率都能达到 90%以上.除采用常规的特征提取方法之外, 文献9提出一种基于人体结构的人数统计方法, 该方法在图像前景的基础上, 依靠头部和身体形成的特殊角度为特征进行提取.深度摄像机的出现提供了一种新的图像获取方法.深度图像是依靠目标和摄像头之间的距离形成的图像, 因此深度图像可以简单地理解为距离图像.在垂直拍摄时, 头部区域距离摄像头最近, 则该区域像素值最小, 人体由上往下, 像素

6、值逐渐增加, 据此可将深度图像下的头部识别归结为图像的局部极值问题.Zhang等10根据现实中水的流动特性提出 Waterfill 算法, 该算法通过在图像上模仿水滴的流动方向和水滴停止点的控制, 获得表示头部的局部极值点, 具有较高的识别率和很强的物理实践意义.其后研究结合 Waterfill 算法提出了更优的头部识别方案11-12.深度图像中的头部识别除采用寻找局部极值的方法之外, 也可采用提取特征训练的方法实现13-14.文献14在特征的选取上与一般的特征提取方法不同, 其对头部区域进行多层多提取的方式提取头部方向梯度直方图并进行训练和学习.文献15依靠头部区域边缘像素点间的关系, 制作头部模板, 从而实现对头部的识别, 同时, 该作者还提出人体模板匹配算法16, 进一步提高头部识别的准确率, 该算法对多人环境仍具有很强的识别效果, 并对类似于人体的目标具有很强的排除能力.基于上述研究, 本研究提出一种有效的人数统计算法.该算法采用深度摄像机作为视频采集源, 通过分析和提取深度图像下头部的 4 个特征, 实现行人头部的检测, 并依靠 Kalman 滤波技术实现对头部目标的跟踪,

7、进而达到人数统计的目的.该算法对行人的不同发型具有一定的适应性, 同时对轻微遮挡和多人环境下的头部检测均有良好效果.该算法的人数统计平均准确率达到 88.6%.2 算法描述该算法主要由前景提取、头部检测和头部跟踪与人数统计 3 个模块组成.为避免因图像采集阶段产生的噪声对头部检测和跟踪造成影响, 前期需对深度图像进行预处理, 即进行中值滤波和邻域填充等图像处理操作14.2.1 前景提取前景提取是为了避免背景图像对头部检测造成干扰, 以及缩小头部搜索区域的范围, 即减小 ROI (region of interest) , 达到降低算法计算量的目的.本研究采用背景静态差分的方式实现前景提取.背景模型的建立有两个基本要求: (1) 建立背景模型时, 拍摄区域内不能含有动态目标; (2) 获取的背景必须是稳定背景.背景模型 bg (x, y) 为其中, f k (x, y) 为第 k 帧图像, (x, y) 表示图像像素点的坐标;n 为背景建模时所需的帧图像数量.本研究采用 n 帧图像的均值作为背景模型, 建立的模型为均值背景模型.前景图像的获取依靠实时输入图像与均值背景图像差分完成, 其计

8、算式为其中, mask (x, y) 为前景图像, (x, y) 代表图像像素点的坐标;f t (x, y) 为实时输入图像;t 为图像序列;T bg为图像阈值.2.2 头部检测2.2.1 头部区域特征概述本研究深度摄像头采用顶部安装, 垂直拍摄的方式, 结合深度图像的成像特点 (深度图像的像素值和目标距离摄像头的距离成正比) , 定义人头部区域在深度图像下的 4 个特征:特征 1 (头部区域像素值整体最小) :摄像头垂直拍摄, 头部距离摄像头最近, 头部区域的像素值整体小于人体其他部位的像素值.特征 2 (头部区域边缘存在像素值阶跃) :摄像头垂直拍摄, 颈部属于拍摄盲区, 头部和肩部或者身体其他区域, 在图像上直接连接, 所连接的 2 个区域由于颈部盲区的存在, 像素值差异明显.特征 3 (头部区域是圆弧曲面) :摄像头垂直拍摄下, 头部形成 1 个椭圆形或类似椭圆形, 椭圆内的像素值小于椭圆边缘像素值, 所以, 头部区域呈现圆弧曲面的形状.特征 4 (头部区域像素值平滑) :摄像头垂直拍摄, 人头部区域像素值无剧烈波动, 像素值较为平滑.据此定义的 4 个特征, 摄像头垂直拍摄下

9、, 深度图像中的人头部区域被描述为1 个在垂直空间内整体像素值最小且平滑的圆弧曲面, 且曲面边缘存在明显的像素值阶跃.2.2.2 头部区域检测根据上述描述的头部区域特征, 人头部在深度图像以圆弧区域的形式存在, 且圆弧区域边缘存在像素值阶跃, 所以头部区域在深度图像中属于一个较为特殊的区域形式存在.在前景 ROI 区域的基础上, 通过区域生长算法分割出数量不等的子区域, 再利用头部的相关特征实现子区域的挑选, 即实现头部区域的检测.1) 区域划分摄像头垂直拍摄, 人体颈部、腰部和腰部以下部分区域, 属于拍摄盲区, 在图像上会出现不同程度的缺失, 最终导致盲区所连接区域在像素值层级上会出现不同程度的数值阶跃.同时, 人头部区域内具有像素值整体平滑的特性.上述两个条件构成了头部区域可以被划分成一个整体区域的基础.本研究利用区域生长算法实现图像区域分割14, 其原理可简单概括为:在图像中选取种子点, 依次在种子点的邻域内不重复地选取满足阈值标准的像素点, 并将其纳入到同一区域, 再将该像素点作为新的种子点, 当且仅当在种子点的邻域内没有满足阈值标准的像素点时, 种子停止生长, 一个区域划分结束.种子点的阈值标准为其中, P (n) 和分 P (s) 别为邻域像素点 n 和种子点 s 的像素值;T 为种子生长阈值.2) 头部子区域选取前景 ROI 区域通过区域生长进行分割后, 被分割为数个子区域, 由于头部区域有其独特的特征属性, 所以头部区域的选取问题转化为头部特征与 ROI 子区域的匹配问题.下面分别定义头部区域整体像素值最小特征和头部圆弧区域特征的提取方法 (图 1) .在行人所占据的垂直空间内, 头部区域的像素值整体最小, 结合区域划分的结果, 头部区域边缘的像素值应小于相邻区域边缘的像素值, 用图 1 中的椭圆代表头部区域, 由此定义如下判别方法.图 1 头部区域边缘扩展圆弧示意图 Fig.1 Expanding circle arc of edge of head region 下载原图步骤 1 在头部区域边缘有间隔的随机取 n 个点, 分别为 P1, P2, , Pn.步骤 2 以每个点为弧心, 在头部

《深度图像下基于头部多特征的人数统计算法》由会员小**分享，可在线阅读，更多相关《深度图像下基于头部多特征的人数统计算法》请在金锄头文库上搜索。