【正文】 。最后，如何提高算法的實時性，盡量減少算法的時間消耗，提高算法的實用性也是本文的一個研究方向。本文的人臉檢測在客流低頭或側身時，會導致漏檢，并且當某一區(qū)域的形狀和顏色類似人臉時，會發(fā)生誤檢。若是根據(jù)跟蹤人臉計算客流的速度，則二維標定具有一定的誤差，因為，二維只能標定一個平面，人臉位于三維空間中，而不是某一平面上。 進一步研究方向本文針對復雜場景下客流量信息提取進行了研究，取得了初步的成功。本文的人臉跟蹤算法能夠滿足實時性的要求，并且準確率高，針對短時間內(nèi)的目標遮擋，也有很好的處理效果。在人臉檢測的基礎上，對人臉進行跟蹤并進行速度計算。通過實驗證明，本文的標定算法克服了傳統(tǒng)算法標定復雜、計算量大、占用內(nèi)存較多的缺點，具有較高的準確率，完全符合實際應用。因此，本文提出了一種基于透視變換的新的標定算法。通過對地鐵等場景視頻進行實驗，驗證了此人臉檢測算法的準確率能夠滿足實際應用，但是當客流量較為密集時，此檢測算法耗時較長，難以滿足實時性的要求。它使用類Haar特征作為提取的特征向量。人臉檢測用來判斷客流量。改進的密度等級分類算法較以往經(jīng)典的密度等級分類算法準確率有了較大的提高，并且本文算法錯誤分類的情況均為鄰居類間的誤判。根據(jù)地鐵客流量的特點，將圖像分為若干個小窗口后再進行特征提取，并使用了Gabor濾波器對圖像進行特征向量提取。在深入總結前人工作的基礎上，本文提出了解決方案。關于密度等級分類的研究由來已久，然而到目前為止尚未有一種算法可以很好地解決較高密度等級間的密度等級分類問題和鄰居類間的密度等級誤分類問題。 密度等級分類結果圖 密度等級分類錯誤示意圖第5章 總結和展望 總結基于視頻的復雜場景信息提取系統(tǒng)架設方便，能夠獲得客流量的多種信息參數(shù)，從多種信息檢測手段中脫穎而出。正方形曲線代表視頻圖像的正確密度等級；菱形曲線為本文算法得到的錯誤密度等級。視頻時間長為280秒。在密度估計中，若當前密度等級與前一次處理得到的密度等級不同，則設置當前密度等級為前一次處理得到的密度等級。，其中每種類別的圖像數(shù)量相當，均為1800幅左右。 密度等級分類密度等級水平面樓梯低D≤D≤中低＜D≤＜D≤中等＜D≤＜D≤中高＜D≤＜D≤高 各種算法準確率比較分形算法GLDMGLDM+GaborGLDM+Gabor+ICA準確率%%%%由于人群密度變化是漸變的，所以無需對每幅圖像進行密度等級分類，本文每十幀處理一次。改進后的密度等級分類算法大大提高了準確率。經(jīng)過ICA聚類分析后，使得同類特征向量更加緊湊，不同類特征向量更加分離，神經(jīng)網(wǎng)絡識別率提高。： ()其中，并且每次迭代后均需要正交化?？梢缘玫饺ハ嚓P性后的輸入向量。本文采用特征值分解方法來去相關性。經(jīng)過去相關性處理后，向量元素間相關性為0。中心化是指使特征向量的均值為0。因此，使用ICA聚類分析來提高密度等級分類準確率。 ICA聚類分析經(jīng)過兩種算法處理后，得到的特征值在高維空間較為分散，于是加入ICA聚類分析[13]。測試樣本集樣本和評估樣本集樣本個數(shù)均為500。在訓練得到多組網(wǎng)絡權值后，選擇對應于最小評估樣本誤差的網(wǎng)絡權值，作為最優(yōu)網(wǎng)絡。要從多組網(wǎng)絡權值中選擇最優(yōu)的，唯有經(jīng)過實踐檢驗，評估樣本集正是為了這個目的引入的。網(wǎng)絡的優(yōu)良與否，受多方面因素的影響，包括隨機樣本訓練的順序，網(wǎng)絡的初始權值等等。由于非線型函數(shù)的復雜性，存在多組截然不同的網(wǎng)絡權值，可以很好地近似它。除了訓練樣本集和測試樣本集外，還需要評估樣本集。說明網(wǎng)絡已經(jīng)達到訓練極限，繼續(xù)訓練會發(fā)生“過度擬合”，因此，測試樣本誤差上升可以作為結束訓練的標志。此外，訓練樣本集必須考慮各模式之間的平衡，保證各種等級都得到充分訓練。例如只要每平方米人數(shù)取值范圍在(,]就屬于中等等級密度。神經(jīng)網(wǎng)絡通過對訓練樣本的學習和模仿，便能使自身的網(wǎng)絡函數(shù)近似于識別函數(shù)。測試樣本集和評估樣本集個數(shù)無特殊要求。 訓練樣本集選取樣本集分為訓練樣本集、測試樣本集和評估樣本集。 神經(jīng)網(wǎng)絡理想輸出 節(jié)點1節(jié)點2節(jié)點3節(jié)點4節(jié)點5低密度中低密度中等密度中高密度高密度在識別過程中，特征值經(jīng)過歸一化后輸入神經(jīng)網(wǎng)絡，經(jīng)過神經(jīng)網(wǎng)絡處理，輸出層節(jié)點輸出結果。輸出層節(jié)點數(shù)與密度等級個數(shù)一致。因此，特征值在輸入前，需要歸一化。輸入層節(jié)點數(shù)與提取圖像特征值個數(shù)一致；隱層節(jié)點數(shù)由實驗決定。步驟6：如果所有樣本均經(jīng)過訓練，則訓練結束；如果尚有未訓練的樣本，跳至步驟2。步驟4：如果訓練的迭代次數(shù)超出設定值，跳至步驟6；如果沒有超出，則計算各層的誤差梯度。步驟2：從樣本集中隨機取樣本，逐層計算輸出信號，得到網(wǎng)絡的輸出值。算法可以描述如下：步驟1：設定各網(wǎng)絡權值為隨機值。之后使用調(diào)整后的權值獲得新的網(wǎng)絡輸出(新的輸出更接近期望輸出)，再按同樣的方法計算誤差和調(diào)整權值。 神經(jīng)網(wǎng)絡訓練流程對于某個樣本，設定該樣本信號的期望輸出，然后比較網(wǎng)絡實際輸出與期望輸出的誤差，將誤差從輸出層反饋至隱層，再從隱層反饋至輸入層。在這個過程中，網(wǎng)絡權值由誤差反饋進行調(diào)節(jié)。網(wǎng)絡實際輸出和期望輸出的差值是誤差信號。BP神經(jīng)網(wǎng)絡使用誤差信號反向傳播學習方法。 神經(jīng)網(wǎng)絡示意圖[12]，是輸入層，含有個節(jié)點；是隱層，含有個節(jié)點；是輸出層，含有個節(jié)點。訓練神經(jīng)網(wǎng)絡就是找到一組合適權值的過程，使網(wǎng)絡對于任意輸入信號，都能得到與期望輸出相同或者相近的輸出。各神經(jīng)元之間的連接權值()，成為一個神經(jīng)網(wǎng)絡最核心的參數(shù)。每層節(jié)點的輸出信號作為下層的輸入信號。 ()輸入層節(jié)點、隱層節(jié)點和輸出層節(jié)點及相互間聯(lián)系形成了整個神經(jīng)網(wǎng)絡。節(jié)點對其輸入信號求加權和，并將該值傳遞給激勵函數(shù)，也稱為核函數(shù)，計算得到節(jié)點輸出值。BP神經(jīng)網(wǎng)絡的信息分布式存儲于連結權值系數(shù)中，使網(wǎng)絡有很高的容錯性。 BP神經(jīng)網(wǎng)絡訓練BP神經(jīng)網(wǎng)絡是一種具有三層或三層以上的多層神經(jīng)網(wǎng)絡，每一層都由若干個神經(jīng)元組成，該神經(jīng)網(wǎng)絡訓練耗時短，識別迅速，并且非常適合基于紋理特征的圖像多模式分類。 分類器訓練與樣本選擇 特征提取后的特征向量，需要經(jīng)過BP神經(jīng)網(wǎng)絡分類。表示訓練樣本中第個訓練樣本的第個特征向量的值。 ()其中，表示第個特征向量的值。因此，結合兩種算法，能夠得到圖像的時域和頻域信息，共得到166種特征值。GLDM得到圖像時域信息。不同參數(shù)對不同密度圖像進行濾波。經(jīng)過快速傅里葉變換后，采用Gabor濾波器對頻域特征進行濾波，提取圖像頻域特征。Gabor濾波器[11]可以用來模擬人群系統(tǒng)中頻率和方向敏感性。因此，改進后共得到16*10即160種特征值。離攝像頭較遠區(qū)域，即圖像上方區(qū)域，紋理較為細?。浑x攝像頭較近區(qū)域，即圖像下方區(qū)域，紋理較為粗大。 特征提取算法改進在文獻[1]介紹的GLDM算法中，共獲得16個特征值，%，由于文獻[1]介紹的GLDM識別準確率不高，但是能夠很好的表征圖像特征，因此本文對此算法進行改進。本文采用=1，=和。同次性、能量、熵和對比度可以用來表征圖像紋理。 紋理特征提取算法GLDM紋理特征可以表征圖像全局特征。本文主要應用紋理特征進行圖像密度等級分類。基于圖像紋理和BP神經(jīng)網(wǎng)絡分類器的密度等級分類算法能夠滿足系統(tǒng)實時性和準確率的要求，較以往算法有較大改進。第3章 基于圖像紋理的密度等級分類本章主要討論在地鐵場景中，如何正確獲得圖像密度等級。目前仍然沒有一種公認的穩(wěn)定而高效的通用目標跟蹤算法，因此仍然需要設法尋找一種簡單高效的跟蹤算法。3) 實時性處理問題也是目前各經(jīng)典算法難以解決的問題之一。按遮擋時間來分的話，分為短時間遮擋和長時間遮擋。當遮擋物體大于跟蹤目標時，可能會完全擋住目標物體，造成目標完全消失在遮擋物體背后。2) 目前，遮擋問題無論在目標跟蹤或者人臉跟蹤上均是一個長期以來尚未解決的問題。人臉狀態(tài)發(fā)生改變有目標本身的原因，例如姿態(tài)改變、面部表情發(fā)生變化等，也有外部原因。1) 如何在跟蹤過程中魯棒跟蹤狀態(tài)變化的人臉有待進一步研究。人臉跟蹤技術也是如此。 狀態(tài)改變的人臉 主要問題近幾年來，隨著計算機技術和模式識別技術的不斷發(fā)展，基于視頻技術的目標跟蹤算法有了較大的發(fā)展。因此，在跟蹤的過程中，需要對跟蹤目標的模板進行更新。Dorin Comaniciu等便是采用了局部搜索進行目標的跟蹤，在進行局部搜索時，目標開始的位置不一定是最佳的，通過迭代，計算目標在當前幀最佳位置。目前較流行的KLT算法便是對目標特征點進行跟蹤。找到最適合表征人臉的特征能夠提高準確率和算法的魯棒性。目前基于視頻的人臉跟蹤問題可以看作以下幾類問題加以分析。此算法較根據(jù)消隱點的標定算法所需先驗知識少，并且除了攝像機內(nèi)參外，還考慮到外參，準確率有進一步提高。它是目前比較流行的一種標定算法。目前普遍采用的兩步定標法是利用成像幾何中某些內(nèi)在性質(zhì)和關系先求出部分參數(shù)，再根據(jù)求得的參數(shù)來求解其它參數(shù)。攝像機兩步定標法也是目前較流行的一種算法。要求垂直平行線在圖像中的角度要大于45度，水平平行線在圖像中的角度要小于45度。此種算法所需圖像信息較之前算法少。 ()根據(jù)消隱點的標定算法可以對任何區(qū)域進行標定。此種算法主要的難點在于如何精確得到消隱點的圖像坐標。同一平面上所有消隱點均在一條直線上，此直線稱為消隱線。 多網(wǎng)格算法標定過程在空間上相互平行的直線經(jīng)過透視投影后將在成像平面上相交于一點，稱為消隱點。(2)只能對網(wǎng)格區(qū)域進行準確標定。而且，由于對每個網(wǎng)格單獨進行擬合，每個網(wǎng)格中對應的攝像機內(nèi)參不同。監(jiān)控區(qū)域越大，所需網(wǎng)格數(shù)越多。由于不同圖像位置對應不同的攝像機內(nèi)參，此方法將圖像分成多個網(wǎng)格，每個網(wǎng)格對應不同的攝像機內(nèi)參，對每個網(wǎng)格分別進行擬合，求出攝像機內(nèi)參進而求出每個網(wǎng)格中兩個坐標系點與點間對應關系。 ()文獻[16]提出了攝像機的非線性模型。但是在攝像機成像過程中，由于攝像機的光學成像系統(tǒng)與理論模型之間的差異，圖像產(chǎn)生不同程度的畸變，在不同圖像位置對應的攝像機內(nèi)參也不同。在理想的小孔成像模型下，若知道攝像機內(nèi)參，可以得到圖像像素坐標與世界坐標的一一對應關系。；為圖像中像素坐標。攝像機模型是光學成像幾何關系的簡化，比較簡單的模型是線性模型，或稱為小孔成像模型。根據(jù)算法是否需要攝像頭內(nèi)參將攝像頭標定算法分為兩類。多個攝像頭拍攝的情況下，根據(jù)多個攝像頭的協(xié)作情況，可以得到圖像的深度信息，得到世界的三維坐標，因此三維標定主要針對多攝像頭協(xié)作拍攝情況。標定分為二維標定和三維標定。 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。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。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。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。因此，如何有效地描述人臉在子空間的分布值得研究。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。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。 Rowley基于