【文章內(nèi)容簡介】 客流人身安全方面有重要作用，具有實際研究意義。在密度等級較高的情況下，可以采用監(jiān)控人員干預；密度等級較低的情況下，可以采用圖像視頻處理，對降低勞動強度亦有一定的幫助。 常用圖像分類方法密度等級分類的難點在于如何避免鄰居類間的誤判情況。例如，如何避免將中高密度等級分類到高密度等級或中密度等級。由于攝像頭架設和地鐵空間布局因素。目前常采用的方法有分形維數(shù)和紋理分析等，根據(jù)圖像中人數(shù)來判斷圖像密度等級也有人進行研究。分形維數(shù)的一個缺點在于無法對高密度等級的圖像進行分類，因為高密度等級的圖像的分形維數(shù)不可分。紋理分析能夠很好表征圖像特征，是目前最流行的一種密度等級分類算法。由于如何精確判斷圖像中人數(shù)本身就屬于一個難題，所以根據(jù)人數(shù)來判斷圖像密度等級需要進一步研究。不同的圖像有不同的分形維數(shù)。分形維數(shù)可以用來表征圖像特征，因此分形算法可以用來對圖像進行分類。二值化后的邊緣圖可以用來計算圖像的分形維數(shù)[1]。對原始圖像經(jīng)過灰度變換后進行邊緣分析，采用Robert算子計算邊緣圖像。 地鐵人群低、高密度情況 ()。 ()。 邊緣檢測后，對邊緣圖進行二值化，二值化可采用OTSU[10]算法。OTSU方法在獲得圖像灰度直方圖條件下，利用概率論知識，通過計算最大類間方差而得到分割門限。經(jīng)過OTSU二值化算法后。 經(jīng)過不同的膨脹系數(shù)膨脹后的二值圖有不同的白色像素，根據(jù)不同膨脹系數(shù)和膨脹后二值圖的白色像素數(shù)之間的關系可以用來計算圖像的分形維數(shù)。不同分形維數(shù)對應不同的密度等級圖像。 ，第一列到第五列分別為原始圖像、邊緣二值圖、膨脹系數(shù)為膨脹系數(shù)為8和膨脹系數(shù)為15的二值圖。根據(jù)膨脹后的二值圖。 圖像分形維數(shù)，橫坐標代表不同膨脹的系數(shù)取對數(shù)；縱坐標代表圖像中白色像素點總個數(shù)取對數(shù)；擬合后的直線斜率即為圖像的分形維數(shù)。；菱形特征點擬合成的直線為低密度圖像的分形維數(shù)；正方形特征點擬合成的直線代表中高密度圖像的分形維數(shù)。分形維數(shù)可以用來表征圖像特征，但是當人群密集時，密度等級高的圖像具有相近的分形維數(shù)，很難根據(jù)分形維數(shù)判斷密度等級。根據(jù)紋理分析來進行圖像密度等級分類也是目前常用的一種算法。此種方法可以歸類為特征提取后應用分類器分類的算法。，其中紋理特征能夠表征圖像的類別，是一種比較好的特征。經(jīng)過特征提取后，分類器對提取的特征進行分類。目前，較常流行的分類器有神經(jīng)網(wǎng)絡，SVM等。其中神經(jīng)網(wǎng)絡又分為BP神經(jīng)網(wǎng)絡，自組織神經(jīng)網(wǎng)絡等。自組織神經(jīng)網(wǎng)絡[2]是一種無教師示教的競爭式學習網(wǎng)絡。它分為輸入層和競爭層。輸入層與競爭層之間實行全互連接，有時競爭層各神經(jīng)元還實行側抑制連接。自組織神經(jīng)網(wǎng)絡能將任意輸入模式在競爭層映射成二維離散圖形，并保持結構不變。文獻[2]使用自組織神經(jīng)網(wǎng)絡來分類圖像密度等級，以增加算法復雜度和識別時間為代價來提高準確率。SVM是一種二值分類器，在二值領域取得了較好的應用，并在小樣本模式識別問題上具有特有的優(yōu)勢。SVM也可以用來對多模式進行分類。設需要分類的模式為，則需種SVM分類器。文獻[8]使用SVM來分類圖像密度等級，但是當需要區(qū)分較多種類時，無論是訓練或分類SVM都比較繁瑣。徑向基神經(jīng)網(wǎng)絡與BP神經(jīng)網(wǎng)絡類似，但只有一層隱層和一個輸出節(jié)點。輸出節(jié)點的值是隱層各個節(jié)點輸出的加權和。隱層節(jié)點的作用函數(shù)是徑向基函數(shù)，輸入節(jié)點到隱層節(jié)點的權值固定為1，隱層節(jié)點到輸出節(jié)點間權值可調(diào)。貝葉斯分類器是一種基于概率模型的分類器。理論上講，與其它所有分類算法相比，貝葉斯分類出錯率最小，然而實踐中并非總是如此。這是由于對其應用假設存在不準確性，以及缺乏可用概率數(shù)據(jù)。文獻[3]中，采用貝葉斯分類器取得了很好的結果，但是假設每類分布概率相同。文獻[1,3,4]采用紋理分析進行圖像密度等級分類。分類器采用自組織神經(jīng)網(wǎng)絡來進行特征分類。紋理分析對高密度圖像的可分情況較分形維數(shù)好。但在鄰居類間誤判情況較常發(fā)生，是影響準確率的主要因素?？梢愿鶕?jù)計算得出的圖像中人數(shù)或者客流的流量判斷密度等級。文獻[9]根據(jù)SVM分類器來計算圖像中人數(shù)，以達到計算密度的目的。但是由于流量的準確率較密度分類準確率低，直接計算圖像密度等級方法準確率高。 主要問題對于圖像密度等級分類來說，主要的難點在于如何避免鄰居類之間誤判的情況和高密度時圖像密度等級分類情況()。目前較流行的算法均能有效的避免非鄰居類之間的誤判，但是鄰居類之間的誤判率較高，研究一種有效的算法解決此問題稱為圖像密度等級分類的重中之重。 a) 低密度 b) 中低密度 c) 中密度 d) 中高密度 e) 高密度 密度等級圖 人臉檢測方法目前，人臉檢測是目標檢測中較為成熟的一個方面。但由于人臉檢測攝像機不定，檢測場景不定，受光照等外在因素和人臉附著物等內(nèi)在因素影響，人臉檢測也更為復雜，挑戰(zhàn)也更大，但方法也更多。 常用人臉檢測方法目標檢測分為靜態(tài)背景目標檢測和動態(tài)背景目標檢測兩部分。本文研究的人臉檢測屬于運動背景目標檢測的范疇。本文將目前人臉檢測領域常用的算法歸結為以下幾類[40]：a) 基于模板匹配的人臉檢測方法 模板匹配法屬于一種經(jīng)典的模式識別方法。模板匹配方法易于實現(xiàn)，但是對于人臉檢測來說，效率有限。早期的人臉檢測主要以基于模板的方法為主，主要有預定義模板法和可變形模板法兩種。預定義模板法根據(jù)人臉的先驗知識先設計出一個標準的人臉模板，包括人臉輪廓模板和各個器官特征的子模板，然后用窗口縮放的方法對一幅輸入圖像進行全局搜索，對應不同尺寸的圖像窗口，計算它們與人臉輪廓模板的相關系數(shù)，通過預先設定的閾值來判斷該圖像窗口是否包括人臉候選區(qū)域，最后利用器官特征子模板進一步檢測人臉候選區(qū)域是否包含人臉。但是人臉特征變化較大，當?shù)玫焦潭ǖ哪０逡院?，也無法有效處理姿態(tài)的變化，所以后來引入了可變形模板。可變形模板定義一個人臉可變形參數(shù)模板和一個能量函數(shù)來描述人臉特征，通過線性最優(yōu)化方法求得使能量函數(shù)取值最小的參數(shù)模板，此參數(shù)模板即被認為是所求人臉特征的描述?？勺冃文０宄浞挚紤]了人臉是個變形體的特點，較預定義模板法更加穩(wěn)定可靠，而且與姿態(tài)和光照無關，缺點是存在能量函數(shù)的系數(shù)難以適應一般情況和計算量大的問題。b) 基于膚色區(qū)域分割的人臉檢測方法基于膚色分割的人臉檢測方法是利用人臉的顏色與其它非目標顏色不同而將人臉與非目標區(qū)分開來進行人臉檢測。顏色在目標檢測和跟蹤中有重要的作用。對于彩色圖像，在確定膚色模型后，首先進行膚色檢測，在檢測出膚色區(qū)域后，根據(jù)它們在色度上的相似性和空間上的相關性分割出可能的人臉區(qū)域，同時利用區(qū)域的幾何特征或灰度特征進行是否是人臉的驗證，以排除其它色彩類似膚色的物體。區(qū)域分割與驗證在很多方法中是密切結合、統(tǒng)一考慮的。聚類歸并驗證策略是目前基于膚色分割的較常用的方法：首先將膚色像素按照較為嚴格的顏色一致性和幾何約束條件聚類為區(qū)域，然后按照一定規(guī)則進行歸并，歸并過程中或歸并后利用其它特征進行驗證。Garcia[41]等按照色度的差異將膚色進一步量化為不同類型，將類型相同且相鄰的膚色像素聚類為區(qū)域，再根據(jù)幾何區(qū)域、形狀和色調(diào)相容性進行歸并，歸并過程中利用區(qū)域的小波特征進行驗證?；陬伾指畈⑴c驗證相結合的人臉檢測算法有一定的適用范圍，當圖像分辨率不高或者當人臉的姿態(tài)()難以滿足人臉本來的對稱狀態(tài)或者人臉被部分遮擋時，此種人臉檢測算法漏檢率上升。，第一幅圖像和第二幅圖像中，人臉被其它物體遮擋；第三幅圖像和第四幅圖像中，人臉姿態(tài)改變，分別向左和向右旋轉。第五幅圖像中，人臉姿態(tài)發(fā)生改變，發(fā)生了低頭的動作。 不同姿態(tài)的人臉c) 基于啟發(fā)式模型的人臉檢測方法基于啟發(fā)式模型的方法首先抽取幾何形狀、灰度紋理等特征，然后檢驗它們是否符合人臉的先驗知識。人臉區(qū)域內(nèi)的各個器官具有較為恒定的模式，因此一些方法首先檢測器官(如雙眼、鼻子、嘴等)局部特征，然后根據(jù)它們的相對位置關系判斷整個區(qū)域是否為人臉。可以使用人工神經(jīng)網(wǎng)絡將檢測出的眼睛、鼻子、嘴以及人臉的整體特征及相互間的位置關系輸入一個模糊神經(jīng)元網(wǎng)絡，根據(jù)其中的領域知識判斷被檢測的區(qū)域是否為人臉。采用局部特征檢測的方法還有基于雙眼檢測的方法、基于概率框架的局部特征聚類方法以及結構模型、紋理模型和特征模型相結合的方法等。人臉灰度模板也可以看作是一種啟發(fā)式模型。梁路宏[40]等使用了直接的平均臉模板匹配方法。該方法考慮到眼睛在人類辨識人臉過程中的特殊作用，使用雙眼模板首先進行粗篩選，然后使用不同高寬比的人臉模板進行匹配，最后使用馬賽克規(guī)則進行驗證。 d) 基于表象的人臉檢測方法與模板匹配不同，基于表象的人臉檢測模型是從一系列具有代表性臉部表觀的訓練圖像學習而來，再將學習而成的模板用于人臉檢測。現(xiàn)在常用的人臉檢測算法均是基于表象的方法。基于表象的方法利用統(tǒng)計分析或機器學習技術來尋找人臉和非人臉圖像的有關特性。學習而來的特性總結成分布模型或判別函數(shù)來檢測人臉?；诒硐蟮姆椒梢栽诟怕收摰目蚣苤欣斫狻Ｌ卣飨蛄靠梢钥闯呻S機變量，這個隨機變量被分類條件密度函數(shù)和分別描述成人臉和非人臉。圖像中備選的人臉或者非人臉位置可以用貝葉斯判決規(guī)則或者最大似然法來判別，將后驗概率估計轉化為一個似然度求解問題。 ()基于機器學習的檢測是目前比較流行的一種人臉檢測方法，包括基于人工神經(jīng)網(wǎng)絡和SVM等。[40]的基于人工神經(jīng)網(wǎng)絡的人臉檢測框架。目前基于人工神經(jīng)網(wǎng)絡和基于SVM等的檢測方法都獲得了較好的檢測結果，并且基于人工神經(jīng)網(wǎng)絡和基于SVM等的方法也在人臉識別領域得到越來越廣泛的研究與應用。 Rowley基于人工神經(jīng)網(wǎng)絡的人臉檢測算法框架 主要問題人臉具有相當復雜的細節(jié)變化，不同的外貌，如臉型、膚色等，不同的表情，如眼、嘴的開與閉等，甚至可能有器官的缺失。有可能人臉被人身體的附著物所遮擋，例如眼鏡、頭發(fā)和頭部飾物等也有可能被其它外部物體所遮擋。由于成像角度的不同可能造成人臉的多姿態(tài)，如平面內(nèi)旋轉、深度旋轉以及上下旋轉等，其中深度旋轉影響較大。圖像中的亮度、對比度的變化和陰影也會影響人臉檢測。雖然人臉檢測技術有了較大的發(fā)展，但是由于各種變化因素的影響，還有很多需要解決的問題：1) 目前的人臉檢測還很難對任意姿態(tài)、光照和遮擋等變化進行處理，開發(fā)高性能的人臉檢測方法仍是主要的研究方向。由于不同的人臉描述的方式有不同的特點，不同的分類器產(chǎn)生的分類結果也不盡相同，所以多種特征提取算法的融合和多個分類器的融合有可能有效提高檢測性能。2) 目前很多高性能的人臉檢測算法不能實時性處理視頻或圖像，簡單快速的人臉檢測算法魯棒性不高，檢測準確率有待進一步提高。3) 由于人臉模式具有多樣性，導致人臉圖像的空間分布非常復雜，有限的樣本集難以覆蓋全部人臉圖像子空間，但是在高維空間中建立準確的分布模型比較困難。因此，如何有效地描述人臉在子空間的分布值得研究。人臉局部和整體信息的相互結合能有效地描述人臉特征，有效地提取和組合局部與整體信息也是提高系統(tǒng)性能的一個途徑。4) 在背景比較復雜的場景圖像中，如何有效地區(qū)分類似人臉區(qū)域和真正的人臉區(qū)域很重要，也具有一定難度。神經(jīng)網(wǎng)絡、SVM和貝葉斯分類器等通常能獲得好的分類結果，研究新的分類方法是提高檢測性能的另一個重要途徑。隨著圖像處理、模式識別和人工智能等學科的研究發(fā)展，人臉檢測技術必定會獲得更廣闊的發(fā)展。 人臉跟蹤方法人臉跟蹤的技術特性主要包括跟蹤速度和定位的準確度等。跟蹤算法需要能夠在任何復雜的背景中準確的定位到目標。進行人臉跟蹤和信息提取前，需要一個圖像坐標轉換到世界坐標的過程。 常用攝像機標定算法攝像頭標定算法是計算目標運行速度和位置等參數(shù)的前提。攝像機標定是為了確定攝像機的位置、屬性參數(shù)和建立成像模型，以便確定空間坐標系中物體點與它在圖像平面上像素點之間的對應關系。標定分為二維標定和