喻 恒

（平頂山學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，河南 平頂山 467000）

視覺物聯(lián)網(wǎng)下的自習(xí)教室人數(shù)統(tǒng)計(jì)方法

喻 恒

（平頂山學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，河南 平頂山 467000）

以圖像處理技術(shù)為基礎(chǔ)，提出了一套基于視覺物聯(lián)網(wǎng)框架下的人數(shù)統(tǒng)計(jì)方法。該方法利用背景差分法提取目標(biāo)，再進(jìn)行圖像濾波的預(yù)處理，利用邊緣檢測(cè)和形態(tài)學(xué)算法獲得人物目標(biāo)對(duì)象的完整輪廓。通過對(duì)連通域填充和標(biāo)記來獲得精確的人數(shù)，并對(duì)利用面積閾值法消除統(tǒng)計(jì)誤差進(jìn)行了討論。通過對(duì)整套算法進(jìn)行仿真實(shí)驗(yàn)分析，該方法能比較準(zhǔn)確地完成自習(xí)室中人數(shù)的統(tǒng)計(jì)。

圖像處理；邊緣檢測(cè)；形態(tài)學(xué)；人數(shù)統(tǒng)計(jì)

計(jì)算機(jī)視覺在人數(shù)統(tǒng)計(jì)方面的應(yīng)用目前國(guó)內(nèi)對(duì)于該項(xiàng)研究開展得較少，而國(guó)外的研究成果主要有：Terada和Yoshida［1］利用立體攝像機(jī)模擬左、右眼，通過獲得的時(shí)空?qǐng)D像來實(shí)現(xiàn)人數(shù)統(tǒng)計(jì)；Beymerl［2］采用立體攝像機(jī)，利用高斯混合模型跟蹤個(gè)體的狀態(tài)，并進(jìn)行分類，做出判定是否計(jì)數(shù)；Schofield和Stonham［3］采用單個(gè)攝像機(jī)和基于隨機(jī)存取存儲(chǔ)器（RAM）神經(jīng)網(wǎng)絡(luò)的方法實(shí)現(xiàn)人數(shù)統(tǒng)計(jì)。以上方法采用的設(shè)備成本過高，算法復(fù)雜，要求處理速度較高，不適合實(shí)際應(yīng)用中的推廣和普及。

智能視覺物聯(lián)網(wǎng)［4］是新一代信息技術(shù)的重要組成部分，視覺物聯(lián)網(wǎng)技術(shù)下的人數(shù)統(tǒng)計(jì)的難點(diǎn)就是對(duì)采集的室內(nèi)圖像進(jìn)行處理分析，得到準(zhǔn)確的人數(shù)信息。本文通過將視頻監(jiān)控圖像進(jìn)行預(yù)處理后，將目標(biāo)對(duì)象“人”進(jìn)行輪廓提取和形態(tài)學(xué)處理之后，對(duì)連通域進(jìn)行標(biāo)記統(tǒng)計(jì)，并通過面積閾值糾正誤差，達(dá)到智能快速統(tǒng)計(jì)教室的人數(shù)。從而使教室人數(shù)信息能夠?qū)崟r(shí)共享，有利于學(xué)校教室人數(shù)流動(dòng)的統(tǒng)計(jì)，提高學(xué)生學(xué)習(xí)效率和教室資源的利用率。

1　視覺物聯(lián)網(wǎng)下室內(nèi)人數(shù)統(tǒng)計(jì)原理

視覺物聯(lián)網(wǎng)下的人數(shù)統(tǒng)計(jì)是對(duì)教室內(nèi)通過局域網(wǎng)連接的視頻監(jiān)控器獲取的圖像進(jìn)行處理，檢測(cè)統(tǒng)計(jì)人數(shù)，并通過網(wǎng)絡(luò)實(shí)時(shí)上傳統(tǒng)計(jì)數(shù)據(jù)。首先，要對(duì)圖像進(jìn)行背景差分、圖像濾波等一系列處理；其次，運(yùn)用邊緣檢測(cè)以及形態(tài)學(xué)算法進(jìn)行處理，得到圖像的輪廓，并采用面積閾值法剔除不符合要求的連通域，最終統(tǒng)計(jì)出人數(shù)（如圖1所示）。

圖1　視覺人數(shù)統(tǒng)計(jì)原理

2　視頻圖像的預(yù)處理

在實(shí)際中，一般采用安放在不同角度的幾個(gè)攝像頭，多角度圖像的獲?。?］，雖然可以增加目標(biāo)圖像的信息，但也增加了數(shù)據(jù)處理量以及系統(tǒng)成本。同時(shí)，考慮到前方人物對(duì)象面部和衣服特征增加了圖像的信息復(fù)雜度，本文選擇安置在室內(nèi)后方的兩個(gè)不同角度的攝像頭。本文采用差分法消除背景以及光照等因素影響，通過維納濾波消除圖像的噪聲，以實(shí)現(xiàn)后續(xù)處理，提高檢測(cè)準(zhǔn)確率。

2.1背景差分

背景差分法［6］是通過將含有目標(biāo)對(duì)象的圖像與不含目標(biāo)的背景圖像相比較從而消除背景，達(dá)到對(duì)目標(biāo)對(duì)象的識(shí)別和檢測(cè)的一種方法。

本文采用直接靜態(tài)背景法。直接靜態(tài)背景法攝取沒有目標(biāo)對(duì)象的場(chǎng)景圖像作為背景圖像。先將不同季節(jié)和不同時(shí)間點(diǎn)得背景圖像保存到數(shù)據(jù)庫(kù)中，再根據(jù)測(cè)量時(shí)攝取圖像當(dāng)時(shí)的季節(jié)和時(shí)間點(diǎn)提取背景圖像，以適應(yīng)場(chǎng)景隨時(shí)間的變化。這種方法適用于靜止的背景，運(yùn)動(dòng)目標(biāo)比較少，且場(chǎng)景按照規(guī)律變化的密封環(huán)境?？紤]到教室背景靜態(tài)性較好，環(huán)境基本屬于密封性的，以及算法的運(yùn)算效率，

2.2圖像濾波

普通攝像頭拍攝的圖像一般由于光源的顏色，明暗變化、表面灰塵等因素的影響會(huì)產(chǎn)生大量噪聲，所以對(duì)圖像進(jìn)行去噪、平滑的預(yù)處理十分必要。維納濾波［7］是根據(jù)最小均方誤差準(zhǔn)則實(shí)現(xiàn)的最優(yōu)化濾波，它使得原始圖像和濾波后的圖像之間的均方誤差最小，如式1：

其中為f（x,y）原始圖像，g（x,y）為濾波后圖像，得到 再找到估計(jì)值，使均方誤差

式中f'（x,y）為f（x,y）的最小二乘估計(jì)。維納濾波器對(duì)于含有高斯噪聲的圖像去噪效果不錯(cuò)，本文采用維納濾波，得到了較好的效果，有利于后續(xù)的圖像處理。

3　邊緣檢測(cè)和輪廓提取

評(píng)價(jià)對(duì)一副圖像進(jìn)行邊緣提取的結(jié)果，總的來說有如下標(biāo)準(zhǔn)：檢測(cè)出的邊緣必須是目標(biāo)邊緣；邊緣的定位準(zhǔn)確性必須足夠好；得到的檢測(cè)邊緣最好是單像素等?？紤]到實(shí)際檢測(cè)中要求，本文采取Canny算法提取目標(biāo)圖像的邊緣，再通過形態(tài)學(xué)運(yùn)算獲得完整封閉的邊緣輪廓。

3.1邊緣檢測(cè)

傳統(tǒng)的圖像邊緣提取算法包括Robert、Prewitt、Sobel、Gauss-Laplace、Canny等。其中，Canny算子［8］提出了嚴(yán)格的邊緣檢測(cè)三個(gè)標(biāo)準(zhǔn)，在工程試驗(yàn)中具有信噪比優(yōu)良，定位精度高，單邊緣響應(yīng)好等優(yōu)點(diǎn)，因此得到了廣泛應(yīng)用。

傳統(tǒng)Canny算子來進(jìn)行邊緣檢測(cè)的基本思想是：首先，利用二維高斯函數(shù)的任一方向上的一階方向?qū)?shù)作為噪聲濾波器進(jìn)行濾波平滑；接下來在濾波后的圖像中用有限差分近似偏微分計(jì)算梯度的幅度和方向，最后依據(jù)雙門限算法檢測(cè)和連接目標(biāo)邊緣，它能獲得較好的邊緣檢測(cè)結(jié)果的同時(shí)對(duì)噪聲進(jìn)行抑制［9］。該過程的數(shù)學(xué)表達(dá)式為：

其中σ為平滑系數(shù)，其數(shù)值決定對(duì)邊緣的平滑作用和噪聲抑制程度。工程應(yīng)用一般取σ在1.2到1.8之間。Cannay算子檢測(cè)到的邊緣圖像有很多的具體細(xì)節(jié)，而且邊緣是單像素，連續(xù)性相對(duì)較好，不容易出現(xiàn)邊緣斷裂，有利于后續(xù)填充。

3.2形態(tài)學(xué)處理

由邊緣圖像可以看出，基于Canny算子提取的邊緣，還是有很多細(xì)小的邊緣沒有連接上就無法進(jìn)行圖像填充。通過形態(tài)學(xué)的腐蝕和膨脹，可以消除原圖像中的微小干擾顆粒，同時(shí)邊緣不連續(xù)的地方連接起來，形成一個(gè)邊緣封閉的圖像。

膨脹［10］，數(shù)學(xué)上膨脹定義為集合運(yùn)算。A被B膨脹，記為A⊕B，定義為：

其中B為具有特定幾何形狀的結(jié)構(gòu)元素。腐蝕與膨脹是兩個(gè)互逆的過程，其數(shù)學(xué)定義與膨脹相似，假設(shè)選定了結(jié)構(gòu)元素B，利用它來腐蝕圖像集合A，定義為：

根據(jù)這個(gè)原理，選取合適的結(jié)構(gòu)元素，就可以去掉圖像中不需要的小物體，也可以將那些我們想要分割開，卻又連接在一起的區(qū)域分割開來，從而得到封閉完整的輪廓。效果如圖2所示。

圖2　邊緣檢測(cè)和形態(tài)學(xué)處理

4　人數(shù)統(tǒng)計(jì)和誤差處理

提取到完整的圖像輪廓后，通過對(duì)圖像進(jìn)行填充［11］，計(jì)算連通域的面積，設(shè)計(jì)適當(dāng)?shù)拈撝?，將不符合特征要求的連通域［12］剔除，最后對(duì)連通域進(jìn)行標(biāo)記，就可以得到具體的人數(shù)。

由于輪廓填充圖中會(huì)有少量的非連通域的出現(xiàn)，同時(shí)由于圖片中的存在兩人或多人遮擋重疊的問題，都會(huì)使計(jì)數(shù)統(tǒng)計(jì)出現(xiàn)錯(cuò)誤［13］。為了減少這種統(tǒng)計(jì)誤差，本算法采用了面積閾值法。本文根據(jù)經(jīng)驗(yàn)值設(shè)定閾值：T1=0.3S。S為根據(jù)攝像頭像素和角度以及經(jīng)驗(yàn)設(shè)定的面積值。剔除掉面積小于T1的連通域后，剩余連通域認(rèn)為就是目標(biāo)“人”。

同時(shí)，設(shè)定面積倍數(shù)閾值N=Sx/S，Sx是某連通域面積，當(dāng)N在1.4～2.0之間，認(rèn)定為兩人，在2.0～2.6之間，認(rèn)定為三人，根據(jù)經(jīng)驗(yàn)可類推確定范圍值。通過閾值處理后就可以得到圖像中的人數(shù)，同時(shí)消除因重疊造成的誤差，如圖3所示。

圖3　圖像填充和面積閾值處理效果圖

5　實(shí)驗(yàn)仿真分析

本文基于MATLAB編程，設(shè)計(jì)了圖形用戶界面（GUI），集成了算法中的每一步實(shí)現(xiàn)，全面測(cè)試本文算法。本界面可直觀地看到圖像處理和人數(shù)統(tǒng)計(jì)的結(jié)果，如圖4所示。

圖4　Matlab仿真程序界面

為了驗(yàn)證本算法的可行性，在某自習(xí)室內(nèi)環(huán)境攝取了幾段連續(xù)的視頻圖像，本文是在五十人規(guī)格教室內(nèi)進(jìn)行的人數(shù)統(tǒng)計(jì)，要考慮各種人數(shù)的情況，故采集分別有3人，5人，10人，20人，30人的情況，在每段視頻中隨機(jī)抽取了200幅含目標(biāo)的圖像，利用本文的算法對(duì)每幅圖像進(jìn)行了人數(shù)統(tǒng)計(jì)進(jìn)行了算法驗(yàn)證，如表1。

表1　算法分析

通過大量實(shí)驗(yàn)可以看出，超過教室人數(shù)半數(shù)以上的情況，由于會(huì)出現(xiàn)大量遮擋重疊，嚴(yán)重影響統(tǒng)計(jì)的結(jié)果。在實(shí)際應(yīng)用中，利用不同角度的兩個(gè)攝像頭，取計(jì)算數(shù)較大的一個(gè)結(jié)果，可降低這種因素影響，同時(shí)自習(xí)教室中學(xué)生座位比較分散，遮擋重疊現(xiàn)象不多，人數(shù)一般情況也在25人以下，因此本文算法在統(tǒng)計(jì)自習(xí)室人數(shù)方面可以獲得滿意的結(jié)果。

6　結(jié)　論

本文在視覺物聯(lián)網(wǎng)技術(shù)框架下，綜合應(yīng)用各種圖像處理技術(shù)實(shí)現(xiàn)了自習(xí)室人數(shù)的智能統(tǒng)計(jì)。該方法是基于教室中視頻攝像頭獲得原始圖像，再對(duì)原始圖像的進(jìn)行增強(qiáng)濾波等處理，利用邊緣檢測(cè)，形態(tài)學(xué)等一系列方法獲得了封閉的連通域，通過對(duì)連通域的標(biāo)記，得到精確的人數(shù)。由于實(shí)際情況的復(fù)雜性和算法本身的理論局限性，在人數(shù)較多的時(shí)候，本方法的計(jì)數(shù)結(jié)果也會(huì)有誤差，但本文涉及的研究對(duì)象主要是自習(xí)教室，本身室內(nèi)人數(shù)相對(duì)較少，而且比較分散，重疊造成的誤差影響不大，在實(shí)際應(yīng)用中幾乎沒有增加現(xiàn)有成本，算法時(shí)效性比較好，能得到比較滿意的結(jié)果。

主要參考文獻(xiàn)

［1］K Terada，D Yoshda，S Oe，eta1.A Counting Method of the Number of Passing PeopleUsing Astereo Camera［J］.Industrial Electronics Society，1999（3）：1318-1323.

［2］D Beymer.person counting using stero ［C］//ttoceedings Human Workshopon，Motion.Los Alamitos CA，：IEEE，2000：127-133.

［3］A J Schofidld，T J Stonham，P A Mthta. A RAM Based Neural Network Approach to People Counting［C］//Fifth International Conference on Image Processing and its Applications，Edinburgh，UK：IEEE，1995：652-656.

［4］周志勇.利用智能視覺物聯(lián)網(wǎng)構(gòu)建機(jī)場(chǎng)周界報(bào)警系統(tǒng)［J］.中國(guó)公共安全：綜合版，2012（13）：162-165.

［5］李健.運(yùn)動(dòng)目標(biāo)的獲取、傳輸與跟蹤［D］.南京：南京理工大學(xué)，2008.

［6］吳青青，許廷發(fā)，閆輝，等.復(fù)雜背景下的顏色分離背景差分目標(biāo)檢測(cè)方法［J］.兵工學(xué)報(bào)，2013，34（4）：501-506.

［7］朱立新，楊擴(kuò)，秦加合.一種新的基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊推理系統(tǒng)的圖像濾波器［J］.計(jì)算機(jī)科學(xué)，2014，41（z1）：211-214.

［8］J Canny . A Computational Approach to Edge Detection［J］.Pattern Analysis and Machine Intelligence IEEE Trans on，1986，8（6）：679-698.

［9］喻恒，趙建軍.基于數(shù)字圖像的實(shí)體黃河模型河勢(shì)寬度檢測(cè)［J］.河南大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，41（2）：188-192.

［10］C R Gonzalez，E Woods. Digital Image Processing［M］.2nd. ed.Beijing： Electronic Industry Press，2003：70-81，463-474.

［11］王曉，唐洪鵬，周麗雅.圖像處理在客流檢測(cè)中的算法研究［J］.中國(guó)海洋大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，40（6）：161-166..

［12］孔斌.快速連通域分析算法及其實(shí)現(xiàn)［J］.模式識(shí)別與人工智能，2003，16（1）：110-115.

［13］于麗梅.視覺物聯(lián)網(wǎng)下智能公交客流采集統(tǒng)計(jì)方法仿真［J］.計(jì)算機(jī)仿真，2014，31（6）：187-190.

10.3969/j.issn.1673-0194.2015.02.168

TP391.41

A

1673-0194（2015）02-0235-03

2014-12-22