黃杰賢，黃志平，楊冬濤，歐陽玉平

（1.廣東嘉應學院 電子信息工程學院，廣東 梅州 514015；2.廣東振聲科技股份有限公司，廣東 梅州 514000；3.華南農(nóng)業(yè)大學 工程學院，廣東 廣州 510642）

危險作業(yè)場所一般指生產(chǎn)易燃、易爆或高腐蝕性產(chǎn)品的生產(chǎn)場所，該類商品的特殊性與高危性使其與公共安全密切相關，直接影響到社會穩(wěn)定和千家萬戶的安全。國家有關安全生產(chǎn)監(jiān)管部門對該類型的生產(chǎn)場所的作業(yè)人數(shù)進行嚴格的限定——定員監(jiān)控。當前政府對企業(yè)的定員監(jiān)控仍停留在對人數(shù)進行現(xiàn)場清點，輔助以定期檢查、不間斷抽查的方法來獲取在崗在職人員數(shù)據(jù)信息。這就存在以下弊端：1）可靠性不高，容易產(chǎn)生漏洞；2）準確率低，無法避免因人為疏忽導致的錯誤；3）實時性差，信息匯總與上報存在時間差，導致監(jiān)管工作遲滯?？梢?，采用傳統(tǒng)方法已難以滿足現(xiàn)代企業(yè)安全生產(chǎn)的發(fā)展要求。這就迫切要求發(fā)展一套全自動、智能化的監(jiān)測方法，確保對工作人員的監(jiān)控與管理。

當前，通過機器視覺技術對人頭進行檢測、識別、跟蹤可成功地對人流進行統(tǒng)計，該技術作為研究熱點得到科研，工程人員的重視[1-2]。常用的人頭檢測方法可分為分為雙目視覺與單目視覺兩大類。雙目視覺是目前最準確的人頭檢測方法，采用雙目視覺不僅可獲取人頭的特征信息[3]，也可獲取人頭的深度信息，但是雙目視覺對硬件條件要求較高：兩個攝像頭——增加成本；計算機要求同時處理兩幅圖像——計算效率不高；使用之前兩個攝像頭要求做好標定工作——增加了使用的復雜度。鑒于以上不足，大部分場合都采取單目視覺的人頭檢測方法，目前比較常用的人頭檢測算法主要有：顏色法、形態(tài)學分法、輪廓分析法、分類器設計法與人體特征法。采用顏色識別人頭的方法是最簡單，最直觀的方法，但也是準確率最低的方法。在使用顏色特征檢測人頭時，配合紋理特征或者形態(tài)特征提高檢測準確率。例如盧等人采用頭發(fā)顏色信息與紋理信息實現(xiàn)對人頭的識別[4]；趙等人通過提取HSI空間的顏色特征，并配合數(shù)學形態(tài)學方法提高人頭檢測準確率[5]。輪廓特征是重要的特征，Kulrapat建立了肩部與頭部的模型對人員進行識別與跟蹤[6]；Jin采用橢圓擬合的方法對人頭進行匹配[7]，于通過霍夫變換法非常有效地對人的頭部區(qū)域進行提取[8]，張通過輪廓曲率判斷人頭目標[9]，而在實際的檢測過程中，背景、衣服與頭部的顏色特征相似將造成頭部輪廓的可區(qū)分性下降使得輪廓無法提取。文嘉俊等使用AdaBoost算法學習訓練人頭檢測分類器，然后通過過線跟蹤的方法統(tǒng)計進出口人流量[10]。牛勝石結合Ada?Boost算法和支持向量機（Support Vector Machine，SVM）訓練人頭檢測分類器[11]；但是該算法的離線訓練過程繁雜，要求大量學習樣品以及選取最優(yōu)的權值參數(shù)才可取得較高的準確率，這就限制了此種算法的推廣應用。人體特征法主要通過對人的骨架特征進行匹配進而判斷出人頭位置，不足之處在于該種檢測方式的成像角度不可避免地產(chǎn)生遮擋問題[12]。為了更準確高效地對人頭進行識別與跟蹤，本文首先對移動目標進行分割，定義了方向熵與目標置信度函數(shù)對人頭進行提取，最終通過運動目標的運動軌跡實現(xiàn)定員管理。

1 運動目標的分割

背景均值分割是一種簡單、快速、有效的移動目標提取方法，在監(jiān)控場景無監(jiān)控目標的情況下首先獲取背景圖像B(x,y)為

式中：Ii(x,y)為第i幀圖像，背景圖像隨著時間改變不斷地根據(jù)式（1）進行更新。將運動目標從圖像背景中進行分割依據(jù)下式

式中：Tn表示分割閾值，根據(jù)幀之間的3倍標準差獲?。ㄈ缡剑?））；Tm為頭發(fā)顏色灰度閾值。采用式（2）對移動目標（如圖1a）進行分割，得到如圖1b所示的分割結果。

圖1 目標分割實驗

從圖1b可觀測得到，圖像分割的內(nèi)容不僅包括頭部區(qū)域，也包含其他雜點。為了避免這些雜點對后續(xù)的圖像處理造成干擾，采用圖像區(qū)域生長方法對關鍵的區(qū)域進行篩選，具體步驟如下：

步驟1，在對運動目標分割的基礎上隨機選擇種子點；

步驟2，將種子點相鄰的、具有相同性質的像素點（基于式（2）提取的像素點）進行合并，新合并的像素點作為新的種子點重復步驟2的操作直至所有符合條件的區(qū)域合并完成；

步驟3，觀測該區(qū)域的面積區(qū)域，設置面積閾值（本實驗選取人頭面積大小的值為閾值）得到移動目標最終處理結果（如圖1c）。

從圖1c的圖像處理結果觀測得到，非頭部區(qū)域的雜點被濾除，包含有頭部的圖像區(qū)域仍需做進一步圖像分析實現(xiàn)頭部目標的正確提取。

2 基于方向熵函數(shù)的圓輪廓提取

本節(jié)首先構建方向熵函數(shù)以獲取圓形目標的輪廓位置信息與方向信息[13-14]。在整幅圖像中，某像素點的紋理梯度數(shù)學表達式如式（4）所示，對應的紋理梯度方向角度計算公式定義為

將θ劃分不同的角度級i，i=1,2,…,Nθ。在本實驗中，當 θ∈ (0°，10°)時，i=1 ；當 θ∈ (10°，20°)時 i=2 ，…，當θ∈(80°，90°)時，Nθ=9為最高角度級。分別從整幅圖像中攫取R×S的圖像，定義統(tǒng)計函數(shù) fθ(i)（如式（6）所示），該公式表示為落入角度級為i的像素統(tǒng)計量，在整幅圖像中，像素落入i角度級區(qū)間的概率Pθ(i)為

定義方向熵為

將式（7）對圖2a圓目標進行圖像處理，從圖2b實驗結果得到，邊緣的方向熵值明顯低于非邊緣區(qū)域，圖2c為設置方向熵閾值對邊緣的提取，邊緣區(qū)域的角度級也呈集中分布（如圖2c），輪廓點的方向亦可得以確定。

圖2 基于方向熵的輪廓特征信息提取

因此，圖2c與標準圓在位置上重合，在角度上相等的像素點可判定為可信的輪廓點。圖3為對圖2圓目標的搜索過程，圖3a～圖3d搜索匹配的準確率不斷提高，符合條件輪廓點也不斷增加（如圖3e表示），因此，根據(jù)輪廓點數(shù)量最大的原則可實現(xiàn)對目標的匹配。圖4為最終的篩選結果及實現(xiàn)最佳匹配。

3 輪廓篩選與頭部定位

根據(jù)上文實驗結果可以得到，使用式（5）不僅可以獲取邊緣的位置信息，也可以獲取輪廓角度信息。因此，使用輪廓及其方向角度級二元信息使得搜索圓目標準確性、可靠性更高。將其應用于人體頭部特征的定位的基本思路與步驟為：

步驟1，采用式（7）對圖像進行處理（如圖5b、圖6b所示）；

圖3 輪廓搜索

圖4 目標匹配

圖5 頭部定位的實驗1

圖6 頭部定位實驗2

步驟2，基于標準圓的輪廓與角度信息對經(jīng)式（5）處理后的圖像作進行輪廓篩選（如圖5c、圖6c所示）；

步驟3，根據(jù)局部輪廓特征實現(xiàn)對人頭定位（如圖5d、圖6d所示）。

4 基于弧長置信度函數(shù)的多目標定位

前文的實驗驗證了基于輪廓方向特征對于提取人頭區(qū)域有效性。但在現(xiàn)實的場景中存在多個人員目標同時運動的情況，鑒于人頭尺寸大小不一，仍需對圖像做進一步分析與處理以實現(xiàn)在同一場景中同時提取多個目標。人頭是類圓型目標，輪廓相當于弧長。在相同半徑條件下，弧長越長越更接近圓?；谠撎攸c，建立弧長置信度函數(shù)對人頭進行定位，定義如下

圖7 人頭目標的搜索

在圖7中搜索的結果中，每個圓形區(qū)域都包含有人的頭部區(qū)域，驗證了基于弧長置信函數(shù)搜索方法的有效性。從所有搜索的候選區(qū)域中選取弧長置信度最高的區(qū)域確立人的頭部區(qū)域（如圖8所示）。

圖8 頭部區(qū)域的確立

將該方法應用于多個人員目標定位情景中，實驗結果如圖9所示。

圖9 多目標人頭定位

5 人頭目標跟蹤

實現(xiàn)對人頭區(qū)域的定位工作后，本節(jié)從：1）相鄰幀圖像的人頭區(qū)域重合；2）基于連續(xù)相鄰幀圖像人頭運動的預測兩方面對人頭目標進行跟蹤[15-17]。對相鄰幀圖像進行人頭定位，圖像之間的人頭在位置上存在重疊區(qū)域（如圖10所示），因此可判斷人頭從坐標(x1,y1)移動至坐標(xn,yn)。

圖10 目標移動

針對移動目標的搜索與跟蹤過程中，為了更準確、高效地對移動目標進行搜索與跟蹤，可基于前幾幀圖像與當前圖像的目標位置對下一幀圖像目標的位置進行預測。本文選取3幀圖像：當前幀（第k幀），前1幀（k-1幀）與前2幀（k-2幀）基于牛頓插值法建立預測函數(shù)定義如下

式中：fX(k)，fY(k)分別為第k幀（當前幀）圖像目標的X坐標值與Y坐標值。對目標進行跟蹤時，根據(jù)預測函數(shù)對目標的坐標位置進行預判，從而縮小目標搜索范圍，提高了搜索效率與準確率。圖11為目標的跟蹤及其運動軌跡線。

圖11 多目標跟蹤及其運動軌跡

在圖11中，每個人頭目標對應著一對圓，分別表示目標的起始區(qū)域與終點區(qū)域，該對圓心的坐標分別為起始點坐標與終點坐標，之間的連線則是目標的運動軌跡。圖11中的中間線為計數(shù)觸發(fā)線，當目標軌跡線由下向上越過中間線則表示該目標“進入”；當目標軌跡從上往下穿過中間線則表示“離開”。因此基于機器視覺技術的定員管理算法可概括為：1）采用圖像處理技術確立移動目標；2）基于方向熵實現(xiàn)對圓輪廓進行篩選；3）基于圓輪廓實現(xiàn)對人頭的識別；4）對人頭目標進行跟蹤，最終實現(xiàn)對進出人員的實時監(jiān)控與統(tǒng)計。流程圖如圖12所示。

圖12 流程圖

為了測試該算法的性能，系統(tǒng)對視野內(nèi)的移動目標進行跟蹤，對“進入”與“離開”的人數(shù)進行統(tǒng)計，實驗結果如表1所示。

表1 目標跟蹤統(tǒng)計 人

6 實驗對比分析

表2中，選取237個人頭樣品并采用不同的算法進行圖像處理，通過觀測“準確率”與“算法時間”兩個指標對算法性能進行對比分析。實驗中測試視頻抓取的每幀圖像大小為640×480，在雙核處理器 2 Gbyte內(nèi)存PC機的硬件平臺，VC2008軟件平臺上運行。

表2 人頭識別對比實驗

從表2的算法處理時間觀測得到：盡管“HSI顏色與形態(tài)學”與“霍夫變換法”是比較提取人頭識別的有效方法，但對人頭與背景的對比度要求較高，但人頭與背景的顏色相近時，算法準確率下降。AdaBoost算法雖然在效率與準確率上有優(yōu)勢，但達到高效、高準確率的效果有兩個前提條件：1）選取大量樣品讓系統(tǒng)進行學習，當應用場景變化，或者光照條件發(fā)生明顯變化時，要求系統(tǒng)重新學習；2）在對樣品學習的基礎上，要求工作人員調(diào)整好最優(yōu)的參數(shù)。以上兩點工作冗余、繁瑣、復雜。使得該算法不具通用性，推廣應用難度大。

7 總結與展望

本文提出的算法在存在干擾的情況下實現(xiàn)對類圓形目標的輪廓進行提取，并基于輪廓實現(xiàn)對類圓目標的匹配。將該算法應用于廣東振聲科技股份有限公司的工業(yè)炸藥生產(chǎn)作業(yè)場所的定員管理為例，對“進入”，“離開”生產(chǎn)作業(yè)場所的人數(shù)進行智能識別與統(tǒng)計，有效提升了企業(yè)的管理、監(jiān)控、安全水平。平均時間約為30 ms/f（毫秒/幀），完全可以滿足實時檢測的要求，準確率達到90%以上。當工人進入生產(chǎn)場時，著裝佩戴的工作帽形態(tài)，顏色（灰色）具有一致性，本文的算法也適用于戴工作帽情況下。但該研究工作仍然存在不足之處：1）仍需進一步提高準確率；2）當行人攜帶與人頭大小的圓形物品通過時，算法會將圓形物品錯檢為人頭，從而導致計數(shù)錯誤。如何克服以上問題，提高檢測準確率，則有待進一步深入研究。

[1]BENABBAS Y，IHADDADENE N，YAHIAOUI T，et al.Spatiotemporal optical flow analysis for people counting[C]//Proc.of 7th IEEE International Conference on Advanced Video and Sig?nal Based Surveillance.Boston，USA：IEEE Press，2010：212-217.

[2]JAIJING K，KAEWTRAKULPONG P，SIDDHICHAI S.Object de?tection and modeling algorithm for automatic visual people count?ing system[C]//Proc.6th International Conference on Electrical Engineering/Electronic，Computer，Telecommunication and Infor?mation Technology.[S.l.]：IEEE Press，2009：1062-1065.

[3] 顧騁，錢惟賢，陳錢，等.基于雙目立體視覺的快速人頭檢測方法[J].中國激光，2014，41（1）：1-6.

[4] LU Huchuan，ZHANG Ruijuan，CHEN Yenwei.Head detection and tracking by mean-shift and kalman fiter[C]//Proc.3rd Interna?tional Conference on Innovative Computing Information and Con?trol.[S.l.]：IEEE Press，2008：357-360.

[5] 趙軍偉，侯清濤，李金屏，等.基于數(shù)學形態(tài)學和HSI顏色空間的人頭檢測[J].山東大學學報，2013，43（2）：6-10.

[6]JAIJING K，KAEWTRAKULPONG P，SIDDHICHAI S.Object de?tection and modeling algorithm for automatic visual people count?ing system[C]//Proc.6th International Conference on Electrical Engineering/Electronic，Computer，Telecommunication and Infor?mation Technology.[S.l.]：IEEE Press，2009：1062-1065.

[7] JIN Yonggang，MOKHTARIAN F.Towards robust head tracking by particles[C]//Proc.IEEE International Conference on Image Processing.[S.l.]：IEEE Press，2005：864-867.

[8] 于海賓，劉敬彪，劉濟林.用于行人頭部特征提取的目標區(qū)域匹配方法[J].中國圖像圖形學報，2009，14（3）：482-488.

[9] 張海洋，陳國龍，李現(xiàn)偉.基于曲率尺度空間的人頭檢測方法研究[J].計算機工程與應用，2012，48（14）：195-197.

[10] 文嘉俊，徐勇.基于AdaBoost和幀間特征的人數(shù)統(tǒng)計[J].中國圖象圖形學報，2011，16（9）：1729-1735.

[11] 牛勝石，毛曉暉，侯建華，等．基于AdaBoost和SVM的人頭實時檢測[J].微型機與應用，2010（13）：33-36.

[12] 夏菁菁，高琳，范勇，等.基于骨架特征的人數(shù)統(tǒng)計[J].計算機應用，2014，34（2）：585-588.

[13] YE Feng，LI Di，HUANG Jiexian，et al.Flaw detection on FPC solder surface[J].Circuit World，2012，38（3）：142-152.

[14] 楊冬濤，黃杰賢，龔昌來，等.基于輪廓方向特征的柚子果形檢測研究[J].激光與紅外，2013，43（6）：712-716.

[15]CONG Yong，GONG Haifeng，ZHU Songchun，et al.Flow mosa?icking：real-time pedestrian counting without scene-specific learning[C]//Proc.IEEE Conference on Computer Vision and Pat?tern Recognition （CVPR）2009.Miami，USA：IEEE Press，2009：1093-1100.

[16] ANTIC B，LETIC D，CULIBRK D，et al.K-means based seg?mentation for realtime zenithal people counting[C]//Proc.16th IEEE International Conference on Image Processing（ICIP）.Cai?ro，Egypt：IEEE Press，2009：2565-2568.

[17] DINESH K V P，TESSAMMA T.Performance study of an im?proved legendre moment descriptor as region-based shape de?scriptor[J].Pattern Recognition and Image Analysis，2008（1）：23-29.