【文章內(nèi)容簡介】 閾值進(jìn)行比較來分析人員的運(yùn)動(dòng)特性，實(shí)現(xiàn)對人員的判斷。圖21所示為利用幀間差分法提取到的人員。 圖21(a)原始圖像 圖21(b)利用幀間差分法提取到的目標(biāo)幀間差分法的優(yōu)點(diǎn)是對于兩張圖像之間的運(yùn)算量小，程序容易實(shí)現(xiàn)，并且得到的差分圖像的噪點(diǎn)較少，原始圖像對于光照強(qiáng)度不敏感。但是這種方法也存在缺點(diǎn)，首先，由于幀間差分法只能提取出人員的輪廓而不能提取出人員所在的完整區(qū)域，導(dǎo)致在提取運(yùn)動(dòng)速度快的人員時(shí)，人員可能會(huì)被提取成兩個(gè)分開的區(qū)域；當(dāng)人員的運(yùn)動(dòng)速度很慢時(shí)，幀間差分法可能檢測不到人員，所以該方法對于提取到人員區(qū)域有一定的速度要求。同時(shí)，該方法會(huì)造成提取到的區(qū)域內(nèi)部形成噪點(diǎn)，使得提取到的人員區(qū)域不完整。(2)光流法這種方法首先對監(jiān)控圖像的每個(gè)像素點(diǎn)進(jìn)行矢量賦值，當(dāng)圖像中出現(xiàn)運(yùn)動(dòng)的人員時(shí)，人員區(qū)域在圖像中所占像素點(diǎn)和背景所占像素點(diǎn)之間必然會(huì)存在矢量差，如果沒有人員出現(xiàn)，圖像中的像素點(diǎn)的矢量值則為平滑變化。正是由于存在這種像素點(diǎn)之間的矢量差，才能利用這種差異檢測出人員在圖像中所占的像素點(diǎn)。光流法[14]對于人員所在的背景沒有要求，對于拍攝圖像的器材的抖動(dòng)或者旋轉(zhuǎn)也有很好的魯棒性，但是這種方法的程序運(yùn)算復(fù)雜，耗時(shí)較長，如果硬件設(shè)備不能滿足一定的要求，那么就無法達(dá)到對于監(jiān)控圖像中人員區(qū)域的快速提取，故這種方法實(shí)用性較差。 圖22(a)原始圖像 圖22(b)使用光流法提取出來的人員(3)背景差分法針對幀間差分法和光流法的缺點(diǎn)，本文采用背景差分法[15]來提取監(jiān)控圖像中的人員區(qū)域，即構(gòu)建混合高斯背景模型。背景差分法通過將當(dāng)前圖像和已知背景圖像做差分來提取人物所在的區(qū)域。如果差別大，則判定存在人員區(qū)域并提取出來；反之則判定為背景圖像。背景差分法需要建立背景模型，同時(shí)還需要已知背景圖像，但是背景圖像會(huì)隨著環(huán)境的變化而發(fā)生變化。所以，通過背景建模對背景實(shí)時(shí)更新是背景差分法的關(guān)鍵。背景差分法的優(yōu)點(diǎn)是算法簡單，程序容易實(shí)現(xiàn)，圖23是背景差分法的流程圖。圖23 背景差分法流程圖根據(jù)所用數(shù)學(xué)模型的不同，背景差分法可分為平均背景模型、單高斯背景模型、混合高斯背景模型，現(xiàn)分別予以討論。平均背景模型(Average Background Model)[16]是將每個(gè)像素的平均值做為背景值。平均背景模型的優(yōu)點(diǎn)是比較簡單、計(jì)算速度快，但對外界環(huán)境變化敏感，對于環(huán)境變化較快的時(shí)候，準(zhǔn)確性較低。單高斯背景模型是一種簡單的背景單一不變的背景提取方法，圖像中的每個(gè)像素點(diǎn)相互獨(dú)立，服從均值μ和標(biāo)準(zhǔn)差σ的高斯分布，可看做是一個(gè)隨機(jī)過程。設(shè)I(x,y,t)表示像素點(diǎn)(x,y)在t時(shí)刻的像素值，則在該時(shí)刻，該像素點(diǎn)(x,y)的像素值為I(x,y,t)的概率P(I(x,y,t))可以表示為： P(I(x,y,t))=η(x,μt,σt)= (21)其中μt和σt分別為t時(shí)刻該像素高斯分布的期望值和標(biāo)準(zhǔn)差。若有圖像序列，坐標(biāo)為(x,y)的像素點(diǎn)為背景的像素值期望為μ0(x,y)，標(biāo)準(zhǔn)差為σ0(x,y)，方差為σ2(x,y)，則： μ0(x,y)=I(x,y,0) (22) σ0(x,y)=init (23)其中init=20。在t時(shí)刻像素值I(x,y,t)，這里用前景來表示我們希望提取到的人員區(qū)域，設(shè)output(x,y,t)為輸出圖像，則單高斯背景模型的表達(dá)式如下： output(x,y,t)= (24)在式(24)中，如果output(x,y,t)值為0，則認(rèn)為t時(shí)刻沒有發(fā)生前景的變更，如果output(x,y,t)的值為1，則在檢測完畢后對背景模型進(jìn)行更新： μ0(x,y)=(1α)μt1(x,y)+αI(x,y,t) (25) σt2(x,y)=((1α)σt12(x,y)+α(I(x,y,t)μt(x,y))2 (26)圖24為通過單高斯背景模型提取到的人員。 圖24(a)原始圖像 圖24(b)通過單高斯背景模型提取到的人員混合高斯背景模型[17]是以單高斯背景模型為基礎(chǔ)的背景模型，它通過統(tǒng)計(jì)樣本的像素信息來表示背景，即提取圖像像素在一定時(shí)間段內(nèi)的數(shù)量、像素均值和像素標(biāo)準(zhǔn)差等信息，然后將這些信息帶入到混合高斯分布中進(jìn)行計(jì)算，通過計(jì)算提取出圖像中的人員，混合高斯模型提取圖像中的人員需要一定的時(shí)間，計(jì)算量較大。上述模型是基于組成圖像的所有像素相互獨(dú)立、并且像素點(diǎn)之間的運(yùn)算也相互獨(dú)立這一假設(shè)的。對于一系列連續(xù)的監(jiān)控圖像，認(rèn)為同一個(gè)像素點(diǎn)的像素值的變化是一個(gè)隨機(jī)過程，對這樣的隨機(jī)過程使用混合高斯分布對其進(jìn)行描述。設(shè)I(x,y,t)表示像素點(diǎn)(x,y,t)在t時(shí)刻的像素值，則該時(shí)刻像素點(diǎn)(x,y)的像素值為I(x,y,t)的概率P(I(x,y,t))可以表示為： P(I(x,y,t))= (27)設(shè)T為在高斯分布中背景區(qū)域占有的最小比例，B為屬于背景區(qū)域的像素點(diǎn)的個(gè)數(shù)，則可以得到下式： B=argminb{T} (28)如果T過小，則認(rèn)為該像素點(diǎn)服從單高斯分布；如果T過大，則認(rèn)為該像素點(diǎn)服從混合高斯分布；。這里用前景來表示我們希望提取到的人員區(qū)域，當(dāng)該像素點(diǎn)的像素值I(x,y,t)在范圍之內(nèi)，則認(rèn)為該像素點(diǎn)(x,y,t)為背景；否則，認(rèn)為該像素點(diǎn)為前景。設(shè)輸出圖像為output(x,y,t)，則混合高斯背景模型的表達(dá)式如下： output(x,y,t)= (29) 完成前景識(shí)別后，對于一個(gè)新像素點(diǎn)(x’,y’)，如果當(dāng)前B個(gè)屬于背景的像素點(diǎn)中沒有一個(gè)與之匹配，則設(shè)定該像素點(diǎn)做為前景，然后再建立一個(gè)新的高斯分布替代之前的高斯分布，并賦予當(dāng)前像素值一個(gè)初始偏差和初始權(quán)重，并重復(fù)上述過程。如果該像素點(diǎn)被當(dāng)成背景，則對該像素點(diǎn)的高斯分布參數(shù)進(jìn)行更新： (210) (211) (212)其中表示這個(gè)當(dāng)前像素點(diǎn)(x’,y’)的高斯分布權(quán)重，α表示模型的更新率，β表示模型參數(shù)的更新率。這樣，監(jiān)控圖像中的人員區(qū)域通過混合高斯模型被提取出來，通過混合高斯模型提取到的人員和其背景圖像如圖25所示。圖25(a)通過混合高斯背景模型提取到的人員圖25(b)提取了人員之后的背景圖像在提取到監(jiān)控圖像中的人員區(qū)域后，接下來就是提取人員區(qū)域的圖像特征。在連續(xù)的監(jiān)控圖像中，人員是運(yùn)動(dòng)的，和其他運(yùn)動(dòng)物體相比，具有完全不同的外形輪廓，所以監(jiān)控圖像中的人員具有明顯的形狀特征，提取人員的圖像特征就是提取其形狀特征。本文選擇人員區(qū)域的邊緣方向直方圖作為人員的形狀特征，但是對其中所使用的Canny算子進(jìn)行了改進(jìn)。提取人員區(qū)域的邊緣方向直方圖需要先提取人員的邊緣形狀。本文提取人員的邊緣形狀使用的是一種改進(jìn)的Canny邊緣檢測算子，對于傳統(tǒng)的Canny算子[18]，用I[i,j]表示一張已經(jīng)提取出人員區(qū)域的圖像，設(shè)G[i,j。σ]為高斯濾波器，則可以表示為： G[i,j。σ]= (213)用式(213)表示的濾波器與圖像進(jìn)行卷積，設(shè)S[i,j]為卷積后的圖像，則其可以表示為： S[i,j]=G[i,j。σ]*I[i,j] (214)其中，σ(取σ=1)控制濾波器參數(shù)散布程度。但是由于圖像邊緣和噪聲都是高頻信號(hào)，使用高斯濾波器會(huì)使得圖像中人員的邊緣模糊程度增加，為后續(xù)邊緣方向直方圖的提取增加困難；同時(shí)高斯濾波器中的高低閾值是人為選定的，閾值的選擇也直接影響到圖像平滑的效果，過高會(huì)導(dǎo)致人員的邊緣破裂，而閾值過低會(huì)導(dǎo)致將圖像中出現(xiàn)較多的偽邊緣。針對傳統(tǒng)Canny算子的缺陷，本文選擇Otsu算法[19]來確定高斯濾波器中的高低閾值。對于一張?zhí)崛〉饺藛T區(qū)域的圖像I[i,j]，圖像一般分為人員和背景兩部分，假設(shè)它們的提取閾值為灰度值T，理想提取高閾值的為T`，設(shè)圖像的像素總數(shù)為N，圖像中人員所占的像素?cái)?shù)為N1，背景所占的像素?cái)?shù)為N2；人員和背景的像素?cái)?shù)量占像素總數(shù)量的比例分別為W1和W2，平均灰度值分別為U1和U2，圖像總的平均灰度值為U。現(xiàn)在希望找到一個(gè)灰度值，使得U=T`，則有以下公式成立： W1=N1/N，W2=N2/N (215) W1+W2=1 (216) U=W1U1+W2U2 (217) G=W1(U1U)2+W2(U2U)2 (218)其中，G是人員所占像素點(diǎn)和背景所占像素點(diǎn)之間的類間方差，設(shè)圖像I[i,j]中所有像素點(diǎn)的灰度值所在的區(qū)間為[a,b]，令U遍歷區(qū)間[a,b]中的每一個(gè)值，直到找到使得類間方差G最大的值U`，則U`即為高斯濾波器中理想的高提取閾值T`，即U`=T`，設(shè)高斯濾波器中理想的低提取閾值為T``，則T``=T`/2。這樣，Canny算子中的高斯濾波器的高低提取閾值的選擇就具有了自適應(yīng)性，Canny算子可以根據(jù)圖像的特點(diǎn)選擇最合適的高低提取閾值，最后提取到的圖像邊緣較為連續(xù)并且出現(xiàn)的偽邊緣也較少。通過式(214)得到的卷積后的圖像再經(jīng)過如下變換，即可得到對應(yīng)于兩條直角坐標(biāo)軸上的分量： P[i,j]≈(S[i,j+1]S[i,j]+S[i+1,j+1]S[i+1,j])/2 (219) Q[i,j]≈(S[i,j]S[i+1,j]+S[i,j+1]S[i+1,j+1])/2 (220)由式(219)、(220)，可以得到如下表達(dá)式： D[i,j]=|P[i,j]|+|Q[i,j]| (221)即式(221)中的D[i,j]為人員的邊緣形狀圖像。在得到圖像中人員的邊緣形狀圖像后，即可提取人員圖像的邊緣方向直方圖。對得到的人員邊緣形狀圖像，將360度圓周均分為120個(gè)區(qū)間，求出邊緣形狀圖像的邊界法向量在這120個(gè)區(qū)間上的分布情況，即可得到邊緣方向直方圖H[i]。為了消除對圖像尺寸進(jìn)行縮放而造成的邊緣方向直方圖改變，通過式(222)對其進(jìn)行歸一化： H[i]’=H[i]/S (222)其中，S為圖像的面積。同時(shí)，為了使邊緣方向直方圖具有旋轉(zhuǎn)不變性，通過下式對直方圖進(jìn)行平滑： Hs[i]= (223)其中Hs是平滑后的直方圖，H是原始直方圖，參數(shù)k決定平滑程度。至此，完成了監(jiān)控圖像中人員圖像特征的提取。 SVM模型描述在提取出人員區(qū)域以及提取出該區(qū)域的圖像特征后，如果想要從人員區(qū)域中識(shí)別出人員并對人員的行為做出判斷，那么就需要根據(jù)人員的圖像特征對人員進(jìn)行分類。如果要使得機(jī)器按照我們的期望正確地從人員區(qū)域中識(shí)別出人員，就需要事先提供包含人員的正例樣本圖像和不包含人員的負(fù)例樣本圖像來訓(xùn)練機(jī)器，然后使用被訓(xùn)練過的機(jī)器對不屬于樣本中的圖像進(jìn)行分類，識(shí)別出其中的人員。目前常用的分類算法有Adaboost算法[20]、人工神經(jīng)網(wǎng)絡(luò)[21]、決策樹[22]、支持向量機(jī)等，其中支持向量機(jī)(Support Vector Machine,SVM)[23]算法通過尋求結(jié)構(gòu)化風(fēng)險(xiǎn)最小值來提高機(jī)器的泛化能力，實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信風(fēng)險(xiǎn)的最小化，獲得在小樣本數(shù)量下較好的樣本分類效果。支持向量機(jī)就是一種二分類模型，其目的就是要找到使得兩類不同樣本之間間隔最大的那個(gè)分類面。如下圖所示，對SVM的基本原理進(jìn)行討論。圖26 SVM分類面示意圖設(shè)有兩類不同的圖像樣本，分別用實(shí)心圓和空心圓表示。如圖26所示，設(shè)H為這兩類樣本之間的分類現(xiàn)，HH2分別為兩類樣本中最接近另一類樣本的樣本所在直線，它們相互平行，這兩條直線間的距離即為分類間隔。如果存在這樣一條分類線，使得兩類不同的圖像樣本被正確的分開并且沒有發(fā)生誤分的情況，同時(shí)該分類線到HH2的距離相等，那么該分類線即為最優(yōu)分類線。將圖26中的二維平面推廣到高維空間，分類線即變?yōu)榉诸惷?。若兩類不同的圖像樣本集合可表示為(xi,yi)，i=1,…,n，xiRd，yi{1,+1}，設(shè)線性分類函數(shù)為f(x)=ωx+b，則分類線方程可表示為： f(x)=ωx+b=0 (224)若將式(22