陳耀歡，任德均，陳生雄

（四川大學(xué)，四川成都 610065）

基于HOG的自動(dòng)售貨機(jī)人流量檢測(cè)系統(tǒng)

陳耀歡，任德均，陳生雄

（四川大學(xué)，四川成都 610065）

為了能夠檢測(cè)自動(dòng)售貨機(jī)周圍的行人數(shù)量，提出一種適用于自動(dòng)售貨機(jī)的人流量檢測(cè)系統(tǒng)。該系統(tǒng)首先采用高斯混合模型的運(yùn)動(dòng)前景檢測(cè)方法得到運(yùn)動(dòng)物體，并通過(guò)形態(tài)學(xué)處理進(jìn)一步降低前景的噪聲，然后提取運(yùn)動(dòng)物體的HOG特征并通過(guò)線性SVM分類器判斷該物體是否為行人。在從現(xiàn)場(chǎng)采集到的視頻上進(jìn)行實(shí)驗(yàn)，結(jié)果表明該系統(tǒng)能夠適應(yīng)自動(dòng)售貨機(jī)前方的特殊環(huán)境，并能滿足實(shí)時(shí)性的要求。

自動(dòng)售貨機(jī)；人流量；混合高斯模型；HOG；SVM

0 前言

隨著生活節(jié)奏的加快，自動(dòng)售貨機(jī)應(yīng)運(yùn)而生，但是有很多地方的自動(dòng)售貨機(jī)形同虛設(shè)。為了避免這種情況的發(fā)生，有必要統(tǒng)計(jì)安裝位置的人流量，以便于分析該處是否有必要安裝自動(dòng)售貨機(jī)以及供貨頻率。但是至今還沒(méi)有用于該領(lǐng)域的人流量檢測(cè)系統(tǒng)，而且由于應(yīng)用的特殊性，已有的行人檢測(cè)系統(tǒng)無(wú)法移植到自動(dòng)售貨機(jī)上面[1-2]。

首先，攝像頭要安裝于自動(dòng)售貨機(jī)上，但是售貨機(jī)高度有限，所以不能自上而下的監(jiān)視行人，無(wú)法用現(xiàn)有的通過(guò)數(shù)人頭的方法來(lái)統(tǒng)計(jì)人流量。

其次，自動(dòng)售貨機(jī)擺放位置的限制，行人大都不能正面對(duì)著攝像頭，所以不能通過(guò)檢測(cè)人臉的方法來(lái)統(tǒng)計(jì)人流量。

結(jié)合這些應(yīng)用特點(diǎn)，本文采用了一種單目固定攝像機(jī)實(shí)時(shí)監(jiān)控系統(tǒng)用于人流量的檢測(cè)。算法基本流程圖如圖1所示。

圖1 基本算法流程圖

1 運(yùn)動(dòng)前景檢測(cè)

本文所述系統(tǒng)應(yīng)用于人處于運(yùn)動(dòng)狀態(tài)的場(chǎng)景，所以先對(duì)采集的圖片進(jìn)行前景檢測(cè)，以提取運(yùn)動(dòng)物體，然后對(duì)運(yùn)動(dòng)的物體進(jìn)行下一步的處理，這樣可減少計(jì)算量，提高實(shí)時(shí)性。本文采用基于高斯混合模型的運(yùn)動(dòng)前景檢測(cè)方法。

在一段時(shí)間內(nèi)，某一個(gè)像素值的變化序列為(X1，X2，X3，…，Xn)，根據(jù)這一序列，用n(1≤n≤K)個(gè)高斯分布來(lái)描述該像素點(diǎn)的像素值分布情況。建立如下的混合高斯模型，即這段時(shí)間內(nèi)，像素值Xt屬于背景的概率：

式（1）中各參數(shù)值的含義如下：

K：高斯分布的個(gè)數(shù)，通常情況下K值越大處理效果會(huì)越好，一般取3～5；

wi,t：第i個(gè)高斯分布在t時(shí)刻的權(quán)重；

μi,t：第i個(gè)高斯分布在t時(shí)刻的均值；

Σi,t：第i個(gè)高斯分布在t時(shí)刻的協(xié)方差矩陣；

η：是如下的概率密度函數(shù)：

對(duì)于某個(gè)像素的幾個(gè)混合高斯模型，按照wi,t的值，從大到小進(jìn)行排序，wi,t值越大證明此像素值出現(xiàn)的頻率高，可判定為背景。因此將前面B個(gè)模型視為背景，其他模型視為前景。其中T為閾值。

基本模型建立好之后，就要對(duì)相應(yīng)的參數(shù)進(jìn)行實(shí)時(shí)的更新，本文采用如下方法對(duì)模型中的各個(gè)參數(shù)進(jìn)行更新：

（1）為了提高運(yùn)算速度，假設(shè)每張圖片中各個(gè)像素的RGB值之間相互獨(dú)立并且具有相同的方差，如式（4）所示：

（2）由于應(yīng)用場(chǎng)合為戶外環(huán)境，光照會(huì)隨著時(shí)間的推移慢慢變化，所以背景是動(dòng)態(tài)變化的，故采用下面的方法動(dòng)態(tài)更新模型中的參數(shù)wi,t、μt、：

式（5）-（8）中，

α：學(xué)習(xí)率，一般被固定為一個(gè)較小的值，從而減少背景噪聲；

更新過(guò)程中，首先對(duì)wi,t進(jìn)行更新，如果，則代表該像素值與第i個(gè)高斯分布相匹配，此時(shí)該高斯分布的 ρ=1，其他高斯分布的 ρ=0，同時(shí)更新第i個(gè)高斯的分布的均值和方差，其余高斯分布的參數(shù)保持不變。

至此高斯混合模型已經(jīng)建立完成，并定義了更新方法，接下來(lái)就是對(duì)新來(lái)像素的判斷，將新來(lái)像素點(diǎn)的值與B個(gè)高斯中的每一個(gè)均值進(jìn)行比較，如果其差值在2倍的方差之間的話，則認(rèn)為是背景，否則認(rèn)為是前景。并且只要其中有一個(gè)高斯分量滿足該條件就認(rèn)為是前景。前景賦值為255，背景賦值為0。這樣就形成了一副前景二值圖。

2 降噪

通過(guò)高斯混合模型得到的前景二值圖中含有很多噪聲，所以采用形態(tài)學(xué)的開操作將噪聲縮減到0，然后用閉操作重建由于開操作丟失的邊緣部分的信息，從而消除不連通的小噪聲點(diǎn)。最后就得到運(yùn)動(dòng)前景。

3 行人檢測(cè)方法

Histograms of Oriented Gradients，顧名思義，方向梯度直方圖，是目標(biāo)的一種描述的方式，即是描述子[3-14]。

利用HOG+SVM檢測(cè)行人，最終的檢測(cè)方法是利用最基本的線性判別函數(shù)，wx+b=0。檢測(cè)分為訓(xùn)練過(guò)程和檢測(cè)過(guò)程，訓(xùn)練過(guò)程主要是提取一系列訓(xùn)練樣本的hog特征，得到svm的系數(shù)。

3.1 獲取HOG特征

HOG是將一個(gè)特征窗口win劃分為很多的塊block，在每一個(gè)塊里又劃分為很多的細(xì)胞單元cell（即胞元），hog特征向量即是把這些所有的cell對(duì)應(yīng)的小特征串起來(lái)得到一個(gè)高維的特征向量。

本文獲取HOG特征的其具體過(guò)程如下。

（1）計(jì)算圖片中每個(gè)像素點(diǎn)的梯度幅度和方向。

（2）將檢測(cè)窗口大小設(shè)為128×64，并均勻地劃分為相鄰的cell，cell大小為8×8。

（3）將梯度方向分為9個(gè)區(qū)間，即梯度方向?qū)?°～360°分為9個(gè)方向塊，每個(gè)方向塊大小為20°，以各像素點(diǎn)的梯度幅度為權(quán)重，對(duì)各cell統(tǒng)計(jì)其梯度方向直方圖，得到cell的HOG特征。然后每相鄰的兩個(gè)cell組成一個(gè)block，相鄰block間有一半的區(qū)域是重疊的，即block在檢測(cè)窗口中上下移動(dòng)尺寸為8×8。

（4）在block內(nèi)采用下式進(jìn)行歸一化處理，以消除光照的影響，得到block的HOG特征。

其中，Vi為原向量；為歸一化后的向量；ε為常數(shù)。

（5）將窗口內(nèi)所有block的HOG特征串聯(lián)起來(lái)，構(gòu)成最后的HOG特征。

所以一個(gè)檢測(cè)窗口共有105=((128-16)/8+1)* ((64-16)/8+1)個(gè)block；一個(gè)block中有4個(gè)cell，而一個(gè)cell的hog描述子向量的長(zhǎng)度為9；所以本文中檢測(cè)窗口的hog向量長(zhǎng)度=3780=105*4*9維。

3.2 獲取SVM參數(shù)

本文檢測(cè)方法是利用最基本的線性判別函數(shù)，wx+b=0。

通過(guò)樣本所求的3780維向量是w，而加了一維的b就形成了3781維檢測(cè)算子，然后用svm訓(xùn)練得到本文檢測(cè)的w以及b。

3.3 檢測(cè)過(guò)程

在檢測(cè)期間，先用上文所述的獲取HOG特征的方法，提取待檢測(cè)目標(biāo)的HOG特征x，得到此特征之后帶入方程wx+b=0，就能進(jìn)行判別目標(biāo)是否為行人，并輸出行人數(shù)量。

4 結(jié)論

本文對(duì)自動(dòng)售貨機(jī)安裝現(xiàn)場(chǎng)采集到的視頻進(jìn)行分析處理，攝像頭為30萬(wàn)像素。

圖2 原始視頻幀

圖3 經(jīng)過(guò)高斯混合模型提取前景

圖4 經(jīng)過(guò)形態(tài)學(xué)處理后的前景二值圖

圖5 當(dāng)前幀檢測(cè)結(jié)果

圖6 顯示行人數(shù)量界面，當(dāng)前行人數(shù)目為4

由以上結(jié)果可見(jiàn)，在背景較為復(fù)雜，應(yīng)用環(huán)境較為特殊的情況下，很好的實(shí)現(xiàn)了行人檢測(cè)的功能，處理速度足以滿足自動(dòng)售貨機(jī)實(shí)時(shí)監(jiān)控的實(shí)時(shí)性。

5 結(jié)束語(yǔ)

本文提出的是一種應(yīng)用于智能售貨機(jī)統(tǒng)計(jì)人流量的行人檢測(cè)方法。針對(duì)特殊的應(yīng)用環(huán)境，首先利用基于高斯混合模型的運(yùn)動(dòng)前景檢測(cè)方法提取運(yùn)動(dòng)物體，然后對(duì)前景圖進(jìn)行形態(tài)學(xué)處理，消除部分噪聲，接著提取運(yùn)動(dòng)物體的HOG特征并判斷是否為行人。該方法在檢測(cè)行人之前，先提取運(yùn)動(dòng)前景，從而減少了需計(jì)算HOG的窗口，在檢測(cè)準(zhǔn)確率基本不變的情況下，明顯提高了檢測(cè)速度，從而滿足了實(shí)時(shí)性的要求。下一步工作將考慮如何實(shí)現(xiàn)行人的跟蹤，即在同一個(gè)人從開始出現(xiàn)到最后消失記為人流量數(shù)目為1，從而提高檢測(cè)的精確性，同時(shí)繼續(xù)研究解決遮擋問(wèn)題的方法。

［1］Jianming Hu.Locating head and face boundaries for head shoulder images［J］.1 pattern Recognition，1999，32（8）：1317-1333.

［2］鄭翔翔.基于頭部檢測(cè)和跟蹤的人數(shù)統(tǒng)計(jì)方法［J］.計(jì)算機(jī)應(yīng)用與軟件，2011，28（2）：43-46.

［3］Rigoll G，Eickeler S，Muller S.Person tracking in real world scenarios using statistical met hods［J］.Greno?ble：IEEE，2000：342.

［4］A.Samal.P.A.Iyengar.Automatic Recognition and Anal?ysis of Human Faces and Facial Expressions：A Survey. Pattern Recognition［J］.1992，25（1）：65-77.

［5］馬義德，朱望飛，安世霞.改進(jìn)的基于高斯混合模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法［J］.計(jì)算機(jī)應(yīng)用，2007，27（10）：2544-2546.

［6］Dalai N，Tfiggs B.Histograms of Oriented Gradients for Human Detection［A］.//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Rec?ognition［C］.［S.1.］：IEEE Press，2005：886-893.

［7］Bertozzi M，Brogi A，Caraffi C，et a1.Pedestrian Detec?tion By Means of Far-infrared Stereo Vision［J］.Com?puter Vision and Image Understanding，2007，i06（2／3）：194-204.

［8］汪中.面向變化場(chǎng)景的行人分類檢測(cè)方法研究［D］.合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2011.

［9］楊英，劉衛(wèi)國(guó)，王有財(cái).基于二進(jìn)制粒子群優(yōu)化算法的行人檢測(cè)［J］.機(jī)電工程，2013（9）：1142-1146.

［10］Liu Xuying.Exploratory Under-sampling for Class-im?balance Learning［J］.IEEE Transactions on Sys?tems，Man and Cybernetice，Part B：Cybernetics，2009，39（2）：539-550.

［11］Gavrila D M.Pedestrian Detection from a Moving Vehicle［A］.//Proc.of European Conference on Computer Vi?sion［C］.［S.l.］：ACM Press，2000.

［12］Viola P，Jones M，Snow D.Detecting Pedestrians Us?ing Pattern of Motion and Appearance［A］.//Proc.of IEEE International Conference on Computer Vision［C］.Nice，F(xiàn)rance： ［s.n.］，2003：734-741.

［13］曾春，李曉華，周激流.基于感興趣區(qū)梯度方向直方圖的行人檢測(cè)［J］.計(jì)算機(jī)工程，2009，35（24）：182-184.

［14］鄭江濱，張艷寧，馮大淦，等.視頻監(jiān)視中運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤算法［J］.系統(tǒng)工程與電子技術(shù)，2002，24（10）：34-37.

Vending Machine Pedestrian Flow Calculation System on HOG

CHEN Yao-huan，REN De-jun，CHEN Sheng-xiong
（Sichuan University，Chengdu 610065，China）

In order to detect the number of pedestrians around the vending machine，puts forward a kind of traffic detection system applicable to the vending machine.Firstly this system gets the moving objects by using the mixture gaussian model and reduces the nosie of the foreground through the morphology processing.Then gain the HOG feature of the moving object through the linear SVM classifier to judge whether the moving object is pedestrians.Finally the results show that the system can adapt to the special environment in front of the vending machine,and can satisfy the requirement of real-time after testing on the video captured from the vending machine.

vending machine；pedestrains number；gaussian model；HOG；SVM

TP391.41

A

1009－9492(2014)07－0098－04

10.3969/j.issn.1009-9492.2014.07.029

陳耀歡，男，1989年生，河南濮陽(yáng)人，碩士。研究領(lǐng)域：數(shù)字圖像處理，生產(chǎn)過(guò)程中的動(dòng)態(tài)監(jiān)測(cè)。

(編輯：向 飛)

2014－01－14