王 瑞，種蘭祥

（西北大學 信息科學與技術學院，陜西 西安 710127）

智能視頻監(jiān)控是信息產(chǎn)業(yè)未來最有發(fā)展前景的技術之一，其中通道口處人流量統(tǒng)計是該系統(tǒng)中具有實用價值的一項技術。在經(jīng)濟社會，對商場、超市、交易場所進行人流量統(tǒng)計，能夠幫助商家分析市場和制定營銷策略。在公共安全方面，可以輔助檢測可疑人物的出入，這對于重要公共場所的安全防范有著重要意義。

目前有很多學者在進行這方面的研究。Min Zhao[1]等人依據(jù)發(fā)色信息檢測人頭目標，該方法在人的著裝顏色與發(fā)色接近時會導致較高的誤檢率。Stan Birchfield[2]結合灰度梯度和彩色直方圖來估計人頭目標，但不適合復雜背景下的人頭檢測。于海濱[3]等人采用改進的Hough變換檢測人頭類圓形目標，并結合模糊置信度的感知聚類方法去除虛假頭部輪廓，但該方法的計算復雜、實時性較差。而且已有研究大都是對通道入口或出口進行單方向計數(shù)，要求必須對入口和出口作出明確規(guī)定，即入口不能用作出口，反之亦然。本文提出的行人通道口雙向人流量計數(shù)方法能較好地克服這些缺陷。

1 目標檢測

行人的著裝顏色可能不同，然而頭頂部的發(fā)色相對穩(wěn)定。無論胖瘦、年齡和性別，所有人的頭頂部都是一個類圓形，且其大小差別不大。依據(jù)這兩個關鍵特征，可對采集到的人頭頂部圖像的發(fā)色和形狀創(chuàng)建模型，提取人頭目標區(qū)域。

實驗中，將攝像頭垂直安裝在通道上方[4]并選取最佳視角和焦距，如圖 1所示。

1.1 發(fā)色模型的建立

研究頭發(fā)的顏色，需要選擇恰當?shù)牟噬臻g，使得發(fā)色在該空間中具有很好的聚類性。方法之一是歸一化RGB空間對發(fā)色聚類，建立二維高斯概率密度模型[5]，但實驗發(fā)現(xiàn)該方法并不理想，原因是頭發(fā)顏色的色差分量與亮度分量呈非線性的關系。YCbCr空間與人眼對色彩的感知一致，亮度色度分離[6]。本文將YCbCr空間作為發(fā)色檢測空間，使發(fā)色的聚類性不依賴于亮度，檢測效果良好。

在通常光照條件下，采集不同性別、年齡的亞洲人群發(fā)色，每張圖片大小為80×80像素，構成發(fā)色圖像庫，圖2為庫中部分圖片。從中選取100張最能代表亞洲人典型發(fā)色的圖片，將每個像素點投射到YCbCr彩色空間中，圖3(a)所示為所得發(fā)色像素點在YCbCr三維空間的分布情況。

為了確定發(fā)色像素點在Y、Cb、Cr分量上的分布范圍，按式(1)～(3)做如下計算

其中，Γi=[HYi,HCbi,HCri]T(i=1,2,…,N)是發(fā)色像素點 Γi在YCbCr 空間的取值。 y(Γi)、cb(Γi)、cr(Γi)分別是發(fā)色像素投射到Y、Cb、Cr坐標軸上的標記函數(shù)，N為發(fā)色像素點總數(shù)。f(y)是亮度Y的函數(shù)，表示發(fā)色圖像中具有某亮度級的像素的個數(shù)，反映了發(fā)色圖像中每種亮度出現(xiàn)的頻率，如圖 3(b)所示，橫坐標 Y是亮度分量，縱坐標 Number表示該亮度級出現(xiàn)的頻度。同理，f(Cb)和 f(Cr)分別是色度Cb、Cr的函數(shù)，表示發(fā)色圖像中具有某種色度的像素的個數(shù)，反映了發(fā)色圖像中每種色度出現(xiàn)的頻率，如圖3(c)、圖3(d)所示。發(fā)色在YCbCr空間具有非常好的聚類性，色差信息獨立于亮度信息，即使在大量(如黃色等)亮度值較高的淡色發(fā)色區(qū)域，也對 HCb、HCr的分布范圍影響很小，于是有理由認為 HY、HCb、HCr取值在發(fā)色聚類范圍的像素區(qū)域為發(fā)色區(qū)域。根據(jù)實驗可得到HY、HCb、HCr的取值范圍分別是[0,70]，[120,141]，[120,141]。

根據(jù) HY、HCb和 HCr的取值范圍，式(4)即為發(fā)色提取原則，式(4)為1的點pi所在區(qū)域即為發(fā)色區(qū)域。對圖像再進行形態(tài)學處理，消除其中的孤立點及毛刺，填補空洞。圖4所示為依據(jù)發(fā)色模型提取出頭部區(qū)域效果圖。

1.2 頭部形狀模型

當行人著裝與發(fā)色接近時，僅依據(jù)發(fā)色模型難以準確提取出頭部區(qū)域，需結合頭部形狀信息。將人頭頂看作類圓形，定義面積-長寬比模型。

2 目標計數(shù)

2.1 虛擬線圈的建立

為了保證本方法的有效性，對停留在入口或出口處某個范圍的行人不進行計數(shù)。為此，本文在監(jiān)視區(qū)域內(nèi)設置虛擬線圈，如圖5中兩條白色標記線之間的區(qū)域，系統(tǒng)只對進出該區(qū)域的行人進行計數(shù)。

2.2 單向計數(shù)策略

檢測到虛擬線圈內(nèi)的人頭目標后，便對目標進行外接矩形標記，統(tǒng)計矩形框數(shù)目便得到當前虛擬線圈中的行人數(shù)目。將虛擬線圈內(nèi)當前目標數(shù)設為輔助計數(shù)器，越過虛擬線圈的行人目標數(shù)設為主計數(shù)器。當輔助計數(shù)器的值發(fā)生變化時，主計數(shù)器作出相應變化，具體計數(shù)原理為：當輔助計數(shù)器的值由n變?yōu)閙時，主計數(shù)器增加(m-n)，統(tǒng)計一定時間內(nèi)主計數(shù)器的值，即統(tǒng)計出了該段時間的單向人流量。

2.3 人頭目標鏈的建立

為了進行雙向人流量統(tǒng)計，本文提出人頭目標鏈的概念，即將滿足某些運動特性的目標以鏈表的形式連接成一個目標序列。目標鏈通常包含灰度、形狀、位置等運動參數(shù)。運用這些運動信息能在當前幀中檢測到的多個目標中準確找到與前一幀某目標相匹配的同一個目標，為相似目標之間的區(qū)分提供依據(jù)。目標鏈既能提供目標的歷史運動信息，也能預測下一幀該目標的位置。目標鏈的建立與更新通過鏈表操作實現(xiàn)。本文綜合考慮連續(xù)三幀中同一運動目標質心的速度和方向信息。利用運動速度的均勻性和運動方向的直線性做為度量來定義代價函數(shù) Si,k。

式中，i為目標鏈編號，k為目標編號 (k∈n,n為當前幀目標數(shù)目)，t為當前幀編號,α為方向影響因子,β為速度影響因子。Di是方向光滑性函數(shù)，反映了目標運動方向的變化情況，Di越大目標運動方向越接近直線。Vi是速度光滑性函數(shù)，通過向量的幾何平均值與平均幅度之比來度量,反映了目標運動速度變化情況，Vi越大目標越接近勻速行走。對目標鏈i，連續(xù)3幀的目標構成目標序列Si=(pi,t-2,pi,t-1,pi,t)。定義序列中兩點的差分向量為Fi,t=pi,tpi,t-1,表示目標從前一幀到當前幀的行走位移向量。

對每幀圖像，計算各目標鏈i和當前幀所有目標的代價函數(shù)Si,k，將同目標鏈i中前兩幀目標的代價函數(shù)最大的目標加入目標鏈i。這樣就可將當前幀目標和前兩幀目標相關聯(lián)，每條目標鏈按時間順序記錄了同一目標所有歷史位置信息，即該目標的運動軌跡。當前目標在其下一幀中搜索到匹配目標時更新目標鏈，直至目標在ROI中消失，根據(jù)2.2節(jié)中單向計數(shù)策略判斷監(jiān)控區(qū)域內(nèi)人頭數(shù)目，對比目標鏈中存儲的目標歷史位置信息和虛擬線圈位置判定目標的行進方向,進而為相應方向計數(shù)器計數(shù),刪除該鏈表。當有新的目標進入ROI時，為其重新分配一條目標鏈，依次循環(huán)來記錄目標的運動軌跡,從而統(tǒng)計出監(jiān)控區(qū)域的雙向人流量。

3 實驗結果

在學院樓門口采集視頻，幀大小為320×240，幀速為15 F/s，程序用Matlab 2010編寫?？紤]到攝像機與人之間的距離和行人身高的差異都會影響人頭頂面積大小，設置面積閾值Amin=100，Anax=1 000，在此之外都視為噪聲濾除。設 r1=0.6，r2=3，α=0.5，β=0.5。本文規(guī)定圖中行人下行為A方向，上行為B方向；A方向計數(shù)器用于行人從上至下行走時計數(shù)，B方向計數(shù)器用于行人上行時計數(shù)。圖5(a)～圖5(c)為單向統(tǒng)計人流量實驗結果圖，圖中Num of ROI表示當前虛擬線圈內(nèi)的行人數(shù)目，Num of Pedestrian表示經(jīng)過該區(qū)域的行人數(shù)目，圖 5(d)～圖 5(f)為雙向統(tǒng)計人流量實驗結果圖，Num of ROI為當前虛擬線圈內(nèi)行人數(shù)目，Num of direction A為A方向經(jīng)過該區(qū)域的行人數(shù)目，Num of direction B為B方向經(jīng)過該區(qū)域的行人數(shù)目。

將測量值與實際人流量之間的相對誤差作為誤檢率進而計算正確率。經(jīng)過多次實驗，行人單向行走和雙向行走的統(tǒng)計結果如表1、表2所示?？梢钥闯觯帽疚乃惴▎蜗蚪y(tǒng)計人流量的平均正確率為98.73%，雙向統(tǒng)計的平均正確率為97.3%,高于傳統(tǒng)的基于紅外線和壓力傳感器的統(tǒng)計方法，高于參考文獻[3]中給出的89.6%的平均正確率，也高于參考文獻[7]中實驗所得91.0%的正確率。可見該方法在滿足實時性要求的同時具有較高的正確率。應用本文算法檢測人頭耗時0.028 5 s，用霍夫變換進行人頭檢測需要0.977 4 s，可見應用本文方法檢測人頭比霍夫變換快30多倍，滿足實時性要求。

表1 行人單向行走人流量統(tǒng)計結果

表2 行人雙向行走人流量統(tǒng)計結果

本文應用計算機視覺的理論和方法，設計實現(xiàn)了人流量雙向統(tǒng)計算法和系統(tǒng)，實驗結果證明了該系統(tǒng)的實時性和有效性，較之前的方法和系統(tǒng)有明顯提高。該方法并不局限于人流量統(tǒng)計，它對交通領域中的車流量統(tǒng)計也具有指導性意義。但該方法不適合于統(tǒng)計行人戴帽時的人流量，對于行人戴帽和特別擁擠等更為復雜情況下的人流量統(tǒng)計還需進一步研究。

[1]Zhao Min,Sun Dihua,He Hengpan.Hair-color modeling and head detection[C].Proceedings of the 7th World Congress on Intelligent Control and Automation， Chongqing，2008:7773-7776.

[2]BIRCHFIELD S,Elliptical head tracking using intensity gradients and color histograms[C].IEEE Conference on Computer Vision and Pattern Recognition，California,1998:232-237.

[3]于海濱，劉濟林.應用于公交客流統(tǒng)計的機器視覺方法[J].中國圖象圖形學報，2008,13(4):716-722.

[4]ROSSI M,BOZZOLI A.Tracking and counting moving people[C].Proceedings of IEEE International Conference on Image Processing.Austin,Texas,USA:IEEE Computer Society,1994:212-216

[5]CHONG L，TATSEBG C，TECKKHIM N.Face tracking in video with hybrid of Lucas-Kanade and condensation[C].Proceedings of 2003 International Conference on Multimedia and Expo,Maryland,2003.

[6]王長軍，朱善安.基于顏色和變形模板的實時人體檢測[J].中國圖象圖形學報，2006,11(6):861-866.

[7]靳晶，萬衛(wèi)兵，方濤.使用單目攝像頭的實時行人計數(shù)算法[J].計算機工程，2009,35(23):204-206.