【正文】 數(shù)字圖像處理作業(yè)題目： 目標(biāo)分割和分類研究 學(xué)號： 1020080073 姓名： 林佰柱 導(dǎo)師： 陳邦興 學(xué)院： 電子與信息工程學(xué)院 專業(yè)： 通信與信息系統(tǒng) 聯(lián)系方式： 13816151436 摘要隨著現(xiàn)代交通迅猛發(fā)展和人民的生活水平提高，在地鐵等復(fù)雜場景的客流安全成為日益重要的問題。目前，國內(nèi)人群密集區(qū)域密集程度獲取和人員安全等都是通過工作人員監(jiān)控攝像機或者實地監(jiān)控實現(xiàn)的。長時間的監(jiān)控，容易導(dǎo)致工作人員身心疲憊，并嚴(yán)重浪費人力和物力等。本文對地鐵等密集場所信息提取具有實際應(yīng)用意義。得益于現(xiàn)代計算機技術(shù)的飛速發(fā)展，通過計算機技術(shù)來解決此問題已成為一種可能。在復(fù)雜場景下通過計算機和視頻處理技術(shù)，可以獲得場景中人群的密度、流量和速度等信息。該方法只需攝像頭、板卡和計算機等硬件設(shè)備，維護升級方便。本文對圖像密度等級分類、人臉檢測和人臉跟蹤技術(shù)展開深入研究，分析比較了各種算法的優(yōu)缺點，并提出了多種改進算法。本文主要分為三個模塊，圖像密度等級分類、人臉檢測和人臉跟蹤。對于圖像密度等級分類模塊，根據(jù)單位空間人群數(shù)量，將圖像分為低密度、中低密度、中等密度、中高密度和高密度五個等級。目前常采用的算法為首先對圖像進行特征提取，然后神經(jīng)網(wǎng)絡(luò)對特征提取的結(jié)果進行分類。本文主要依據(jù)灰度共生矩陣(Grey Level Dependency Matrix, GLDM)來對圖像進行特征提取，針對此特征提取算法不足之處，本文提出了特征提取的改進方法，并采用獨立成分分析(Independence Component Analysis, ICA)聚類算法對特征結(jié)果進行聚類，再應(yīng)用神經(jīng)網(wǎng)絡(luò)對聚類結(jié)果進行分類。對于人臉檢測模塊，主要應(yīng)用AdaBoost算法對人臉進行檢測，以此來達(dá)到計算流量的目的。在人臉跟蹤模塊，對人臉平面進行標(biāo)定，并針對人臉平面標(biāo)定點較少等難點，本文提出了一種對標(biāo)定點要求少、簡單但是準(zhǔn)確性高的標(biāo)定算法。根據(jù)人臉檢測模塊得到的結(jié)果，使用改進的匹配算法對人臉進行跟蹤。本文主要針對地鐵等復(fù)雜場景，對圖像密度等級分類；通過人臉檢測達(dá)到計算流量的目的；并對圖像進行標(biāo)定和對人臉進行跟蹤來計算人群速度。大量的現(xiàn)場數(shù)據(jù)實驗結(jié)果表明，本文所采用的算法的密度等級分類、流量統(tǒng)計和速度計算的準(zhǔn)確率均達(dá)到93%以上，具有一定的實用價值。關(guān)鍵詞：復(fù)雜場景，密度等級分類，特征提取，人臉檢測，人臉跟蹤36 / 36第1章 緒論本章主要介紹了課題的選題背景與實際意義，系統(tǒng)介紹了人群密度等級分類、人臉檢測和人臉跟蹤等技術(shù)的發(fā)展現(xiàn)狀和主要難點，最后介紹本文主要工作、創(chuàng)新以及章節(jié)安排。 研究背景在地鐵等人群密集區(qū)域，當(dāng)人群容量一旦超出硬件環(huán)境支持的能力和管理調(diào)度指揮的承受能力時，將有可能產(chǎn)生人員安全隱患。因此，如何確保人身安全，做好安全防范意識，日趨重要。智能交通系統(tǒng)(Intelligent Traffic Systems, ITS)是通過對現(xiàn)行交通進行監(jiān)控和分析，并進行科學(xué)化改造與完善，所達(dá)到更和諧、更有效地運用交通來滿足社會需求的方式。對地鐵等密集場地視頻進行有效信息提取是智能交通的一個組成部分。ITS是對通信、控制和信息處理技術(shù)在運輸系統(tǒng)中集成應(yīng)用的統(tǒng)稱，它產(chǎn)生的綜合效益表現(xiàn)為挽救生命、時間和節(jié)省金錢、降低能耗以及改善環(huán)境等。它有助于最大程度上發(fā)揮交通基礎(chǔ)設(shè)施效能，提高交通運輸系統(tǒng)的運行效率和服務(wù)水平，為公眾提供高效、安全、便捷和舒適的出行服務(wù)。ITS這一概念始于20世紀(jì)80年代，其中最具代表性的是美國智能車輛道路系統(tǒng)(IVHS，1992年)，歐洲高效安全交通系統(tǒng)計劃(PROMETHEUS, 1986年)，歐洲交通安全道路體系(DRIVE，1989年)和日本道路交通信息通信系統(tǒng)(VICS，1995年)。隨著我國改革開放不斷深入和國民經(jīng)濟快速發(fā)展，接踵而來的是交通中由于高人群密度等產(chǎn)生的人員安全和事故需要急待解決，因此在中國發(fā)展ITS勢在必行。隨著科技的不斷進步，可以將視頻處理技術(shù)應(yīng)用在智能交通系統(tǒng)中。采用視頻處理技術(shù)的智能交通系統(tǒng)由電子攝像機、圖像采集卡和計算機等組成。與磁感應(yīng)器等其它檢測方式不同，它安裝卸載方便，成本低，可以多點布設(shè)。但是它受系統(tǒng)軟、硬件限制，受惡劣天氣、燈光變化等因素影響檢測準(zhǔn)確率。盡管如此，隨著圖像處理技術(shù)的不斷進步和硬件條件的不斷改善，視頻處理智能交通技術(shù)將得到深入發(fā)展和更為廣泛的應(yīng)用?；谝曨l處理技術(shù)的智能交通系統(tǒng)占有越來越重要的地位，是未來智能交通發(fā)展的重要方向。目前此種方法無論在室內(nèi)還是室外都表現(xiàn)出良好的勢頭，只是在雨雪天、霧天等天氣的系統(tǒng)魯棒性上有待加強。但是無論如何，基于視頻處理技術(shù)的智能交通系統(tǒng)已經(jīng)是大勢所趨，因此如何提高視頻處理技術(shù)的準(zhǔn)確率和魯棒性等是當(dāng)代智能交通發(fā)展的重要研究方面。隨著ITS的不斷發(fā)展，它涉及的方面越來越廣，已經(jīng)不僅僅局限在道路交通信息檢測等，還開始涉及人的主動安全等方面，如汽車自主駕駛，地鐵客流量信息檢測也是其中主要方面。地鐵客流量信息檢測主要檢測客流量密度、流量和速度等信息。它為客流人身安全提供保障，為地鐵相關(guān)交通部門后續(xù)建設(shè)提供理論依據(jù)。 國內(nèi)外研究現(xiàn)狀目前密度等級分類是客流量信息檢測的一個重要信息量。人臉檢測和人臉跟蹤是目標(biāo)檢測和目標(biāo)跟蹤的重要研究方面，為客流流量和速度信息提供基礎(chǔ)。本節(jié)對此三個部分的國內(nèi)外研究現(xiàn)狀分別進行介紹。 密度等級研究現(xiàn)狀在地鐵等復(fù)雜場景中，人群密度等級是一個重要信息，在人群密度高于正常密度時發(fā)出警報，保障人群安全。本文所探討的密度計算主要是根據(jù)圖像單位面積內(nèi)人數(shù)的多少，將圖像分為密度不等的五個等級。密度等級分類主要目的在于保障人身安全，并為地鐵交通相關(guān)部門規(guī)劃地鐵布局提供理論依據(jù)，因此密度等級分類具有重要研究價值。通過估計人群密度，可以粗略地知道人群整體所處的狀態(tài)，從而對人群的行為做出判斷，以利于更安全、更有效的管理人群。除了人群管理外，它還可用于：更合理地安排各個時段的在崗工作人員數(shù)；更有效地管理人群流動繁忙場合的交通。傳統(tǒng)的人群監(jiān)控靠閉路電視通過監(jiān)控某一場景實現(xiàn)，它需要用戶自身對場景圖像做出判斷。這種方法主觀性很強，不能進行定量分析。紅外傳感器方法是有別于圖像處理的一種方法。當(dāng)紅外傳感器檢測到人體時，可以在圖像上體現(xiàn)出來。密度不同，表現(xiàn)出來的圖像也不同。但是當(dāng)人群密度高于中等人群密度時，經(jīng)過紅外傳感器處理后表現(xiàn)出來的圖像已無很大差別，不能再區(qū)分密度。現(xiàn)代數(shù)字圖像處理技術(shù)的發(fā)展，為解決上述問題提供了途徑。將圖像處理、模式識別、計算機視覺等技術(shù)應(yīng)用在人群監(jiān)控中，可以達(dá)到對人群的自動、客觀、實時和定量分析。自智能化人群監(jiān)控技術(shù)提出以后，人們對其進行了廣泛研究，目前已有很多算法，一些實用的系統(tǒng)也開始應(yīng)用在地鐵等場合的客流監(jiān)控中。但是，基于視頻處理的客流密度分析遇到了一些困難。密度等級分類的主要難點在于：(1)由于地鐵人群密度高于正常密度時，很難判斷人群密度具體屬于哪種等級；(2)如何避免鄰居類間誤判也是需要急待解決的問題。基于視頻處理的密度等級分類在近幾年有了較大的發(fā)展，代表人物是A. N. MARANA等[1,3,4]。對人群密度等級分類展開深入研究，主要研究理論有兩個方面，一方面根據(jù)分形算法進行客流的密度等級分類，另一方面根據(jù)圖像紋理特征提取后對提取的特征向量再分類的概念進行密度等級分類。分形算法[1]是一種比較簡單的獲得人群密度的方法。分形算法可以被廣泛的應(yīng)用在圖像處理、圖像分析、視覺和模式識別中。分形維數(shù)基于尺度測量的思想，用來衡量一個幾何集或自然物體不規(guī)則和破碎程度的數(shù)，是由標(biāo)度關(guān)系得出的一個定量的值。分形維數(shù)用來計算圖像密度等級的主要原理是不同密度等級的圖像所表現(xiàn)的邊緣圖像不同，根據(jù)不同膨脹尺寸的邊緣圖像可以用來計算圖像的分形維數(shù)。紋理是一幅圖像有別于其它圖像的重要特征。一般來說，紋理圖像中灰度分布具有某種周期性及規(guī)律性。人在區(qū)分不同圖像的密度等級時，也是根據(jù)紋理不同來區(qū)分。紋理特征應(yīng)用廣泛，可以用在陰影檢測、衛(wèi)星云圖和森林監(jiān)控等場景中。目前常用的計算紋理的方法主要有GLDM[2,3,4]、切比雪夫運動場[2]、直線分割[5]、高斯馬爾科夫隨機場[6]、傅里葉變換[5]和小波變換[7,8]等，其中前四種屬于時域的紋理特征提取，傅里葉變換和小波變換是頻域的紋理特征提取。經(jīng)過紋理特征提取的結(jié)果需要經(jīng)過分類器分類才能得到分類結(jié)果。目前比較常用的分類器有BP神經(jīng)網(wǎng)絡(luò)、支持向量機(Support Vector Machine, SVM) [8,9]和自組織神經(jīng)網(wǎng)絡(luò)[2]等。在基于視頻處理的密度等級分類算法中，如何保證高密度情況下密度等級分類的準(zhǔn)確性是目前密度分類的一個重點和難點。 人臉檢測研究現(xiàn)狀人臉檢測是目標(biāo)檢測的一部分。人臉檢測在視頻監(jiān)控中具有重要的作用，是視頻安全監(jiān)控中一個重要方面，為人臉識別提供基礎(chǔ)。本文通過檢測人臉來計算流量。為了計算單位時間內(nèi)通過單位橫截面的人數(shù)，對人臉進行檢測是比較直觀并且準(zhǔn)確性高的一種方法，并且可以為后續(xù)的人臉跟蹤提供基礎(chǔ)。人臉檢測一直是圖像處理的一個重點和難點。人臉檢測問題最初來源于人臉識別，人臉檢測是自動識別系統(tǒng)中一個關(guān)鍵環(huán)節(jié)，但早期的人臉識別主要針對具有較強約束條件的人臉圖像(如無背景的圖像)，往往假設(shè)人臉位置已知或容易獲得，因此人臉檢測問題并未受到重視。隨著人臉檢測應(yīng)用場景越來越復(fù)雜，有基于內(nèi)容的檢索、數(shù)字視頻處理和視覺檢測等，由此產(chǎn)生的一系列需要解決的問題使得人臉檢測開始作為一個獨立的課題受到研究者的重視。人臉是人類具有相當(dāng)復(fù)雜的細(xì)節(jié)變化的自然結(jié)構(gòu)目標(biāo)，此類目標(biāo)的檢測問題挑戰(zhàn)性在于：(1)人臉由于外貌、表情、膚色等不同，具有模式的可變性；(2)人臉上有可能存在眼鏡、胡須等附屬物；(3)作為三維物體的人臉的影像不可避免地受由光照產(chǎn)生的陰影影響。因此，如果能夠找到解決這些問題的方法，成功構(gòu)造出人臉檢測與跟蹤系統(tǒng)，將為解決其它類似的復(fù)雜模式檢測問題提供重要線索。目前，國內(nèi)外對人臉檢測問題的研究很多。國外比較著名的有MIT，CMU等；國內(nèi)有清華大學(xué)、中國科學(xué)院計算技術(shù)研究所和中國科學(xué)院自動化研究所等。并且，MPEG7標(biāo)準(zhǔn)組織已經(jīng)建立了人臉識別草案小組，人臉檢測算法也是一項征集的內(nèi)容。隨著人臉檢測問題研究的深入，國際上發(fā)表的有關(guān)論文數(shù)量也大幅度增長。根據(jù)膚色進行人臉檢測是目前較流行的一種算法。文獻[14,15]提出了使用顏色的方法來檢測人臉。文獻[14]使用多個神經(jīng)網(wǎng)絡(luò)分類器來分類顏色直方圖，并對分類結(jié)果輸入神經(jīng)網(wǎng)絡(luò)進行再分類。文獻[15]使用RGB顏色空間來檢測人臉，并對候選區(qū)域進行眼、嘴、臉型輪廓檢測，達(dá)到精確檢測的目的。膚色的方法簡單易行，但是當(dāng)非人臉區(qū)域顏色與人臉顏色相似的情況下，容易發(fā)生誤檢。模板匹配也是目前較流行的人臉檢測算法。文獻[30]采用雙眼與人臉模板匹配的算法并引入兩個分類器進行人臉檢測。第一個分類器檢測非人臉區(qū)域；第二個分類器對第一個分類器分類結(jié)果進行分類，檢測出人臉。文獻[29]采用膚色邊緣分析和人臉模板匹配的算法檢測人臉。首先采用膚色邊緣分析，粗略得到膚色邊緣圖一；然后利用一維人臉模板匹配膚色邊緣圖一，進一步準(zhǔn)確得到人臉區(qū)域，得到膚色邊緣圖二；最后利用二維人臉模板匹配膚色邊緣圖二，精確得到膚色邊緣圖三，即人臉邊緣圖。文獻[29]采用的算法能夠?qū)崟r處理每幀圖像，并且檢測準(zhǔn)確率達(dá)到92%。對人臉明顯特征區(qū)域(眼、口、鼻等)進行檢測是目前常用的人臉檢測算法之一。文獻[31]對人臉嘴唇區(qū)域進行特征提取，作為區(qū)分人臉區(qū)域與非人臉區(qū)域的方法。對人臉明顯特征區(qū)域進行特征提取的算法一般作為人臉檢測的輔助算法，當(dāng)粗略檢測出候選區(qū)域后，對候選區(qū)域進行眼口鼻特征提取，進一步準(zhǔn)確檢測?；诜指畹姆椒ㄒ彩悄壳俺?