论文部分内容阅读
[摘 要] 本文根据用以实现铁路系统的自动客流统计需求，通过将机器视觉系统与智能交通系统相结合，针对铁路客运的其特殊的应用环境，选择合适的目标检测及跟踪算法，从理论探究了铁路客流统计技术应用。本文首先对客流统计的应用环境进行分析，总结其应用特点，然后研究当前基于机器视觉的客流统计方法的利弊，并在此基础上提出本文采用的技术路线。
[关键词] 视频分析 客流统计
1、自动客流统计的应用环境分析
本文所研究的系统其应用环境为火车，具体为火车的上下车门处，用于监控的摄像头静止，位于车门顶端，被监视的场景与监测摄像头之间的位置保持相对不变。在火车停靠的时候开始捕获图像，获得的连续帧序列中前景为上下车的乘客，其它视为背景。
在进行实地勘察后，总结此应用环境主要有以下两个要点：
1.光照
在火车运行过程中随着外界环境的变化，拍摄到的图片（主要为亮度）会有很大的不同，不同时间段的光线、天气、周围建筑物的遮挡等因素均会影响到图片的质量，造成背景图像的大幅度变化。当火车停靠在某一车站时，排除雷电天气及晚上霓虹灯的影响，此时的光照情况相对稳定。然而，各个时间各个站台的光照情况却是大不相同的。
2.识别对象
本系统的识别对象是人。这里的运动人体是非刚体，除了作为一个整体发生位移外，人体的各个部分也会在原有的位置附近运动。此外，由于车门处有台阶，随着乘客上下车运动的进行，运动目标与摄像头之间的距离会发生变化，其面积、形状等特征值也在实时变化中。
对于火车来说，摄像头的工作时间是不连续的，即火车在到达站台后打开车门时开始拍摄，离开站台关闭车门即停止拍摄。因此，本文处理的图像序列只是阶段性连续的，而非全程连续。由于运动目标面积相对较大，且在视场内的运动时间也较长，因此，本系统对于有物体进入场景并做短暂停留这种情况并不敏感，主要解决的问题为光照变化带来的影响。因此在帧间差分前需要对图像进行画质修复，避免对过亮或过暗的图像进行处理。
2、基于机器视觉的客流统计方法
在感知外部世界的过程中，视觉信息占了很大一部分，因此，开发一种能够辅助或代替人类工作的智能机器，这一需求促发了人们对机器视觉这一领域的研究，从而形成了一门新兴的学科—机器视觉。机器视觉是研究用计算机来模拟生物外显或宏观视觉功能的科学和技术。近年来机器视觉的研究重点逐渐由对静态图像的研究过渡到了对动态图像序列的研究上来。图像序列的研究涉及到模式识别、图像处理、人工智能等多学科的知识，动态场景中运动的快速分割，非刚性运动以及目标之间的相互遮挡等处理也为图像序列分析研究带来了很大的挑战，鉴于其在各领域有着广泛的应用价值和潜在的经济价值，因此，各国研究工作者在这方面进行了大量的研究工作。
应用于客流统计的机器视觉算法有很多，根据摄像头安装的角度可以分为两种。一种情况为尽可能的避免人体间的相互遮挡等原因，采用俯视拍摄。另一种为平视拍摄，这种情况的好处是可以获得运动人体的面部信息。浙江大学的于海滨等提出了基于头部特征提取的人体检测与跟踪及其应用，提出了借助局部人体运动估计人体整体运动的基于头部特征提取的局部人体检测与跟踪方法，采用基于改进Hough变换的头部轮廓特征提取方法和基于目标视差获取的头部深度和透视特征提取方法，并将它们用于实现具有较高准确率要求的实时人体检测与跟踪系统。基于视频的行人流量检测研究一文提出基于“最小灰度差”的背景帧差法，有效的提取了整体行人运动目标。根据人头部分的变形是最小的这一特性，提出了特有的人头(区域)曲线的检测算法，提取了可能的人头曲线，之后对提取的人头曲线进行模板匹配，并采用基于人头特征的对称性、人头（发）颜色概率分布以及运动轨迹等相关方法对伪目标曲线进行排除。基于图像的公共火车人数自动统计技术研究一文中，在目标检测与识别上采用了基于人脸的图像外形特征提取算法，以目标区域的中心坐标作为特征点；利用基于统计识别的方法对客流量进行准确的统计。
3、技术路线分析
根据以上对火车应用环境特点的分析，在此基础上提出适应于火车的自动客流统计的技术路线。主要为目标检测、目标提取、多目标分割以及目标跟踪这四步。
提出一种好的视频目标检测和提取算法并使其适应于各种监视环境是研究者的理想目标，但是实际环境中是很难解决这个问题的。除非有专门的硬件支持，否则研究者不得不在算法的复杂度、计算实时性以及可靠性等方面折中考虑。
本文在研究了大量算法之后，结合本系统的特点，分析了上述几种方案在本系统中的局限性，并最终决定采用以帧差法检测运动目标。
摒弃上述几种方案的理由有以下几点：
1.在俯拍的情况下，人头轮廓很明显，但是基于颜色模型的匹配很难检测到非正常颜色头发的人群以及戴帽等人群；基于霍夫变换的圆形头部检测容易将肩膀、弯曲的胳膊误检测为头部。
2.在火车的环境中，出入口的区域很小，尽量获取到乘客的面部信息又最大可能性的避免遮挡，这样的摄像头安装的位置及角度很难得到。此种客流检测的方法多应用于商场、地铁等环境，不适宜火车的特殊情况。
在确定核心的目标检测算法之后，只需根据检测到的目标的特点，决定后续工作的实现方案。考虑到帧间差分法获取的运动目标是个轮廓，有大量的孔洞需要填充，因此，孔洞填充将是本文重点研究的问题。
多目标的跟踪计数也是本文的难点之一。解决这一问题的方法是对每一个出现的运动目标建立一条目标跟踪链，保存其运动特征值。在漏检及错检出现的时候，采用目标预测值，实时更新目标链。设定两条计数线，判定运动目标的运动方向，即乘客上车或下车。
4、系统方案介绍
基于图像序列分析的客流统计系统其应用目的为：通过分析实时图像数据，获得各站点各时段上下车人数，并将此结果反馈予监控中心，从而实现客流资源的最优调度。因此，其硬件环境如下：
图2-1系统硬件平台示意图
此系统架设在运行中的火车上，由固定在前、后门上的CCD摄像头获取图像信息。摄像头的启动由车门开关信号控制，到达站点车门打开时摄像头开始采集图像信息，离开站点车门关后停止采集。摄像头采集到的乘客上下车信息通过数据线送到车载硬件处理平台进行处理，处理结果分别为某一站点上下车的人数。然后，将计算得出的乘客流量信息通过无线装置（GPRS、3G网络等）传回监控中心，监控中心对接收到的数据进行观察分析，最终实现资源合理调度，指导铁路交通系统规划。
车载硬件处理平台主要完成客流信息检测与统计模块，输入实时客流图像数据，输出为实时客流人数。处理流程为：
图2-2系统软件处理流程图
这里的摄像头输入制式为数字式的，其中图像采集的速率为每秒15帧，数字图像大小为320*240个像素。在获取到连续帧序列图像后，对其进行图像预处理，去除采集传输过程中引进的噪声，并改善图像质量，使之适合计算机识别处理。运动目标检测采用帧间差分法，在进行帧间差分之前需要对预处理后的图像进行边缘检测，然后将仅带有边缘信息的图像进行帧间差分，得到运动目标的轮廓。一般情况下，这一步得到的轮廓曲线并不连续，所以需要对其进行边界连接。当运动目标的边界连接成为封闭图像时，即可对其进行孔洞填充，从图像中分割出运动目标，然后计算出目标的特征值，建立目标跟踪链，即可判断出乘客的运动方向及个数，最终将实时的客流量统计输出。■
参 考 文 献
[1]赵春晖、潘泉等视频图像运动目标分析技术中国铁道出版社2004年
[2]梁笃国、张艳霞、郑泽民网路视频监控技术及应用2009年
[关键词] 视频分析 客流统计
1、自动客流统计的应用环境分析
本文所研究的系统其应用环境为火车，具体为火车的上下车门处，用于监控的摄像头静止，位于车门顶端，被监视的场景与监测摄像头之间的位置保持相对不变。在火车停靠的时候开始捕获图像，获得的连续帧序列中前景为上下车的乘客，其它视为背景。
在进行实地勘察后，总结此应用环境主要有以下两个要点：
1.光照
在火车运行过程中随着外界环境的变化，拍摄到的图片（主要为亮度）会有很大的不同，不同时间段的光线、天气、周围建筑物的遮挡等因素均会影响到图片的质量，造成背景图像的大幅度变化。当火车停靠在某一车站时，排除雷电天气及晚上霓虹灯的影响，此时的光照情况相对稳定。然而，各个时间各个站台的光照情况却是大不相同的。
2.识别对象
本系统的识别对象是人。这里的运动人体是非刚体，除了作为一个整体发生位移外，人体的各个部分也会在原有的位置附近运动。此外，由于车门处有台阶，随着乘客上下车运动的进行，运动目标与摄像头之间的距离会发生变化，其面积、形状等特征值也在实时变化中。
对于火车来说，摄像头的工作时间是不连续的，即火车在到达站台后打开车门时开始拍摄，离开站台关闭车门即停止拍摄。因此，本文处理的图像序列只是阶段性连续的，而非全程连续。由于运动目标面积相对较大，且在视场内的运动时间也较长，因此，本系统对于有物体进入场景并做短暂停留这种情况并不敏感，主要解决的问题为光照变化带来的影响。因此在帧间差分前需要对图像进行画质修复，避免对过亮或过暗的图像进行处理。
2、基于机器视觉的客流统计方法
在感知外部世界的过程中，视觉信息占了很大一部分，因此，开发一种能够辅助或代替人类工作的智能机器，这一需求促发了人们对机器视觉这一领域的研究，从而形成了一门新兴的学科—机器视觉。机器视觉是研究用计算机来模拟生物外显或宏观视觉功能的科学和技术。近年来机器视觉的研究重点逐渐由对静态图像的研究过渡到了对动态图像序列的研究上来。图像序列的研究涉及到模式识别、图像处理、人工智能等多学科的知识，动态场景中运动的快速分割，非刚性运动以及目标之间的相互遮挡等处理也为图像序列分析研究带来了很大的挑战，鉴于其在各领域有着广泛的应用价值和潜在的经济价值，因此，各国研究工作者在这方面进行了大量的研究工作。
应用于客流统计的机器视觉算法有很多，根据摄像头安装的角度可以分为两种。一种情况为尽可能的避免人体间的相互遮挡等原因，采用俯视拍摄。另一种为平视拍摄，这种情况的好处是可以获得运动人体的面部信息。浙江大学的于海滨等提出了基于头部特征提取的人体检测与跟踪及其应用，提出了借助局部人体运动估计人体整体运动的基于头部特征提取的局部人体检测与跟踪方法，采用基于改进Hough变换的头部轮廓特征提取方法和基于目标视差获取的头部深度和透视特征提取方法，并将它们用于实现具有较高准确率要求的实时人体检测与跟踪系统。基于视频的行人流量检测研究一文提出基于“最小灰度差”的背景帧差法，有效的提取了整体行人运动目标。根据人头部分的变形是最小的这一特性，提出了特有的人头(区域)曲线的检测算法，提取了可能的人头曲线，之后对提取的人头曲线进行模板匹配，并采用基于人头特征的对称性、人头（发）颜色概率分布以及运动轨迹等相关方法对伪目标曲线进行排除。基于图像的公共火车人数自动统计技术研究一文中，在目标检测与识别上采用了基于人脸的图像外形特征提取算法，以目标区域的中心坐标作为特征点；利用基于统计识别的方法对客流量进行准确的统计。
3、技术路线分析
根据以上对火车应用环境特点的分析，在此基础上提出适应于火车的自动客流统计的技术路线。主要为目标检测、目标提取、多目标分割以及目标跟踪这四步。
提出一种好的视频目标检测和提取算法并使其适应于各种监视环境是研究者的理想目标，但是实际环境中是很难解决这个问题的。除非有专门的硬件支持，否则研究者不得不在算法的复杂度、计算实时性以及可靠性等方面折中考虑。
本文在研究了大量算法之后，结合本系统的特点，分析了上述几种方案在本系统中的局限性，并最终决定采用以帧差法检测运动目标。
摒弃上述几种方案的理由有以下几点：
1.在俯拍的情况下，人头轮廓很明显，但是基于颜色模型的匹配很难检测到非正常颜色头发的人群以及戴帽等人群；基于霍夫变换的圆形头部检测容易将肩膀、弯曲的胳膊误检测为头部。
2.在火车的环境中，出入口的区域很小，尽量获取到乘客的面部信息又最大可能性的避免遮挡，这样的摄像头安装的位置及角度很难得到。此种客流检测的方法多应用于商场、地铁等环境，不适宜火车的特殊情况。
在确定核心的目标检测算法之后，只需根据检测到的目标的特点，决定后续工作的实现方案。考虑到帧间差分法获取的运动目标是个轮廓，有大量的孔洞需要填充，因此，孔洞填充将是本文重点研究的问题。
多目标的跟踪计数也是本文的难点之一。解决这一问题的方法是对每一个出现的运动目标建立一条目标跟踪链，保存其运动特征值。在漏检及错检出现的时候，采用目标预测值，实时更新目标链。设定两条计数线，判定运动目标的运动方向，即乘客上车或下车。
4、系统方案介绍
基于图像序列分析的客流统计系统其应用目的为：通过分析实时图像数据，获得各站点各时段上下车人数，并将此结果反馈予监控中心，从而实现客流资源的最优调度。因此，其硬件环境如下：
图2-1系统硬件平台示意图
此系统架设在运行中的火车上，由固定在前、后门上的CCD摄像头获取图像信息。摄像头的启动由车门开关信号控制，到达站点车门打开时摄像头开始采集图像信息，离开站点车门关后停止采集。摄像头采集到的乘客上下车信息通过数据线送到车载硬件处理平台进行处理，处理结果分别为某一站点上下车的人数。然后，将计算得出的乘客流量信息通过无线装置（GPRS、3G网络等）传回监控中心，监控中心对接收到的数据进行观察分析，最终实现资源合理调度，指导铁路交通系统规划。
车载硬件处理平台主要完成客流信息检测与统计模块，输入实时客流图像数据，输出为实时客流人数。处理流程为：
图2-2系统软件处理流程图
这里的摄像头输入制式为数字式的，其中图像采集的速率为每秒15帧，数字图像大小为320*240个像素。在获取到连续帧序列图像后，对其进行图像预处理，去除采集传输过程中引进的噪声，并改善图像质量，使之适合计算机识别处理。运动目标检测采用帧间差分法，在进行帧间差分之前需要对预处理后的图像进行边缘检测，然后将仅带有边缘信息的图像进行帧间差分，得到运动目标的轮廓。一般情况下，这一步得到的轮廓曲线并不连续，所以需要对其进行边界连接。当运动目标的边界连接成为封闭图像时，即可对其进行孔洞填充，从图像中分割出运动目标，然后计算出目标的特征值，建立目标跟踪链，即可判断出乘客的运动方向及个数，最终将实时的客流量统计输出。■
参 考 文 献
[1]赵春晖、潘泉等视频图像运动目标分析技术中国铁道出版社2004年
[2]梁笃国、张艳霞、郑泽民网路视频监控技术及应用2009年