孫瑩瑩1，宋寅卯1，王蓬2

　　（1.鄭州輕工業(yè)學院 建筑環(huán)境工程學院，河南 鄭州 450002；2. 鄭州輕工業(yè)學院 電氣信息工程學院，河南 鄭州450002）

       摘要：機器視覺技術(shù)由于其非破壞性、精度高、速度快等特點，在現(xiàn)在科技發(fā)展中已經(jīng)被廣泛地研究和應(yīng)用，更多地被用到視頻監(jiān)控中。文章對機器視覺人數(shù)識別近幾年的發(fā)展做了詳細的論述，主要從個體識別法和群體識別法兩大方面進行分析，具體可分為四方面：特征識別法、形狀識別法、模型學習識別法和人群密度識別法。根據(jù)各種不同識別算法思想的研究，對當前研究方向上亟待解決的問題做出了分析，并對未來人數(shù)識別的研究做出展望。

　　關(guān)鍵詞：機器視覺；人數(shù)識別；人群密度；人員跟蹤；人員檢測

　　中圖分類號：TP391文獻標識碼：ADOI： 10.19358/j.issn.1674-7720.2017.07.003

　　引用格式：孫瑩瑩，宋寅卯，王蓬.基于機器視覺的人數(shù)識別研究綜述［J］.微型機與應(yīng)用，2017,36（7）：9-11，18.

0引言

　　機器視覺是用計算機模擬人的視覺功能，從客觀事物的圖像中提取信息,進行處理并加以理解,最終用于實際檢測、測量和控制［1］。目前，機器視覺技術(shù)向著智能化、目的化方向發(fā)展。

　　人數(shù)識別涉及數(shù)字視頻處理、模式識別、計算機視覺以及人工智能多個領(lǐng)域，是一個跨學科、跨領(lǐng)域的前沿課題，也是當今智能視覺系統(tǒng)研究中一個十分活躍的新領(lǐng)域。國際上的高級視頻和錄像（Advanced Video and SignalBased Surveillance）論壇每年都會舉辦PETS的會議專門針對于人群行為分析［23］。國內(nèi)外有不少對于人數(shù)識別的解決方案，其中絕大部分是基于機器視覺的?；跈C器視覺的人數(shù)識別不僅具有很強的科學研究價值，還具有很強的實用價值，其成本低，使用周期長，統(tǒng)計準確率高。

　　本文根據(jù)近幾年人數(shù)識別研究成果，做出總結(jié)，將其分為4種識別方法，分別為特征識別、形狀識別、模型學習識別和人群密度識別。前三種旨在檢測和跟蹤個體，多用于中低人群密度的場合；第4種主要是跳過單個行人的檢測和跟蹤過程，將人群整體作為研究對象。

1特征識別法

　　特征識別法是指根據(jù)已選取的目標特征，在圖像序列中匹配搜索目標，從而實現(xiàn)運動目標的跟蹤識別。在識別算法中，選取有效的特征集，會提高檢測效率，減少錯誤率。

　　顏色特征對平面旋轉(zhuǎn)、非剛性變形具有很強的魯棒性，同時能夠容忍部分遮擋。在文獻［4］中，Comaniciu提出了基于顏色直方圖（Color Histogram）非剛性目標的跟蹤識別方法。但是由于顏色特征對光照變化的敏感性，為了提高識別效果，可采用多特征結(jié)合［5］的方式。王強［6］等人提出了一種人頭的顏色與形狀特征相結(jié)合的人數(shù)識別方法，此方法對圖像進行二值化，以降低陰影和光照變化造成的影響；然后根據(jù)形狀特征對人頭進行檢測與跟蹤，最后對目標的運動軌跡進行跟蹤分析，估計出當前場景中的人數(shù)。在光照變化頻繁的地方也可采用邊緣特征，文獻［7］提出了基于邊緣方向直方圖特征的跟蹤方法，該方法對光照變化不敏感，并且比單一輪廓邊緣特征具有更豐富的信息。單一的邊緣特征［8-9］往往存在計算復雜度高、無法適應(yīng)目標形變的問題。而顏色與邊緣特征具有互補特性，將兩種信息融合能夠建立更可靠的目標特征模型。光流特征通過計算像素點光流的幅值和方向構(gòu)建動態(tài)圖像的幾何變化和輻射度變化，Decarlo［10］利用光流特征實現(xiàn)了對人臉目標的跟蹤。由于光流法運算量較大，很難滿足實時性要求，并且光流法對遮擋、光照變化以及運動噪聲比較敏感，因此光流法的實際應(yīng)用并不常見。

2形狀識別法

　　形狀識別法的思想是建立一個表示目標形狀的模板，然后計算目標模板和候選目標形狀的相似度，從而確定當前幀運動目標最可能的位置。常用人體的形狀特征作為模板，如人體的軀干特征、人頭輪廓［11］特征。

　　文獻［12］中提到了一種根據(jù)雙橢圓模型檢測人頭作為人數(shù)統(tǒng)計依據(jù)的方法，得到運動目標的輪廓特征后檢測出頭部橢圓，這種方法提高了檢測精度，減了少誤判，然而如果是畫面比較模糊的情況下，就不能準確地確定目標。為了解決模糊場景下的人員識別，常慶龍、夏洪山［13］在視頻檢測過程中引入了一個自適應(yīng)的人物檢測窗口，對監(jiān)控視頻中的行人進行檢測和計數(shù)。該算法對場景圖像質(zhì)量要求低，不需要繁瑣的訓練過程，只需要一定的參數(shù)配置步驟即可實現(xiàn)感興趣區(qū)域的行人快速檢測，但此算法仍然有不足之處，即對于復雜場合的人群誤檢率較高。而趙軍偉［14］等人在這方面做得較好，用數(shù)學形態(tài)學與HSI顏色空間相結(jié)合的方法有效地去除圖像中非人頭區(qū)域的干擾和噪聲，通過邊緣檢測得到人頭候選區(qū)域，最后利用人頭輪廓信息進行判定識別目標。為了提高視頻監(jiān)控中人數(shù)統(tǒng)計的實時性，文獻［15］中也使用了數(shù)學形態(tài)學與顏色空間相結(jié)合的方法，用輪廓的幾何特征檢測人頭，相比之下，此方法更具體、詳細，可適用多種不同復雜的場合，也能保證檢測的實時性，在動態(tài)場景下的行人檢測取得了較好的效果。

3學習識別法

　　模型學習識別法是對要跟蹤的目標特征建立模型并學習，進而對學習得到的模型用于檢測，最后統(tǒng)計出人數(shù)。模型學習的算法需要具備快速、連續(xù)的學習能力，通過增量學習更新目標的特征描述來處理表征的變化。

　　2009年，賈慧星［16］提出智能監(jiān)控中基于機器學習的自動人數(shù)統(tǒng)計系統(tǒng)，通過機器學習對視頻序列中的人肩部位進行準確地檢測。該方法克服了連通域分析和簡單模板匹配的不足，魯棒性增強，但是只適用于場景中的初步測試，而且計算量較大，效率不高。在此基礎(chǔ)上，劉子源、蔣承志［17］使用人肩部建立Harr特征分類器，過濾背景，排除干擾，提高了檢測精度，減少了檢測時間。除人肩外，較多算法用人臉作為學習模型，江偉堅［18］等人提出兩組Harrlike特征擴展集（正臉和側(cè)臉），通過Adaboost算法訓練出雙通道級聯(lián)分類器（用于側(cè)臉和正臉的識別），此方法使用較少的弱分類器，檢測效率高，計算速度快，對多角度人臉檢測有較好的魯棒性。以上算法采樣的視覺角度建立在行人平視圖上，而垂直攝像頭可以降低遮擋程度，文獻［19］中，用俯視的方式采樣，建立基于Adaboost的人頭檢測分類器，實現(xiàn)人數(shù)統(tǒng)計，但是仍然存在誤檢和漏檢的情況。為了對此進行改善，唐春暉［20］提出了一種基于梯度方向直方圖的俯視行人的檢測方法。它將俯視人頭的梯度方向直方圖作為檢測目標的特征，通過訓練樣本提取的特征向量在支持向量機(SVM)中訓練。此方法對目標尺度變化相對不敏感且效率更高,處理速度也明顯提升。

4人群密度識別法

　　人群密度識別法是將人群作為一個整體的研究對象，分析人群的圖像特征，然后建立人群特征與人數(shù)之間的映射關(guān)系從而實現(xiàn)人群計數(shù)。其圖像特征又分為基于像素特征和基于紋理特征兩大類。

　　王明吉、肖桂丹［21］等利用運動目標標記的方法實現(xiàn)計數(shù)，標記圖像中的像素，形成標簽圖像，根據(jù)標簽圖像初步確定目標數(shù)量。此方法穩(wěn)定性強、準確率較高，但由于基于像素特征的識別法計算簡單，因此在高密度場合往往使用基于紋理的分析法。Chan［22］采用混合紋理模型來提取分割運動人群，利用訓練回歸函數(shù)的方法得出人數(shù)與特征量關(guān)系函數(shù)，進而對檢測區(qū)域人數(shù)實現(xiàn)估計。由于訓練集不夠強大，很容易出現(xiàn)誤差，準確率就不能保證，而且計算量較大。之后，李虎［23］等人提出一種基于 PCA 和多元統(tǒng)計回歸的人數(shù)統(tǒng)計方法，使用 PCA 方法提取信息，得到特征量與行人密度間的函數(shù)關(guān)系后對高斯回歸模型進行修正，以提高回歸模型的精度，統(tǒng)計出行人密度，有較高的準確率。紋理分析法中，比較經(jīng)典的方法是使用灰度共生矩陣紋理特征。文獻［24］中采用一種基于線性內(nèi)插透視矯正的SURF算法，對獲得的前景圖像提取多特征，將傳統(tǒng)的灰度共生矩陣紋理特征與SURF算法特征相結(jié)合，克服遮擋和攝像機透視畸形的影響，有效地提高了統(tǒng)計精度，有較強的適應(yīng)性，準確率也可以得到保證。

5人數(shù)識別算法難點

　　人數(shù)識別算法包括人員檢測算法、人員跟蹤算法和人群密度算法。研究算法一直追求魯棒性好、準確率高、快速性好的特點。雖然關(guān)于人數(shù)識別算法的研究已經(jīng)持續(xù)了很多年，研究者們提出了各種各樣的識別方法，但是還沒有形成一個適用于所用應(yīng)用場合的統(tǒng)一理論框架或體系，而且算法在實際應(yīng)用中遇到的很多問題仍然沒有得到很好的解決，這些問題即是難點，又是以后的研究重點，表1是對各算法中遇到的難點問題的總結(jié)。

6展望和結(jié)束語

　　隨著智能視頻跟蹤系統(tǒng)的發(fā)展，對目標跟蹤技術(shù)的要求也成為一個研究熱點。實現(xiàn)一個速度快、精度高、實時性好的識別系統(tǒng)是研究的重要方向之一。但是通常情況下，各特點之間相互矛盾。提高復雜環(huán)境下的多目標識別亟待解決。針對目標識別技術(shù)中出現(xiàn)的目標遮擋、背景干擾等問題，可引入超像素概念［25］，能夠捕獲圖像冗余信息，降低后續(xù)處理任務(wù)復雜度。不同的機器學習方法對模型的自適應(yīng)有嚴重的影響，針對在識別工程中出現(xiàn)的運動和變化不確定性，已有的子空間學習、度量空間學習、稀疏字典學習和深度學習都有很好的效果。如何結(jié)合學習機制更好地實現(xiàn)算法自適應(yīng)性有待深入研究。

　　隨著物聯(lián)網(wǎng)的發(fā)展，智能視頻監(jiān)控系統(tǒng)已成為熱點之一，使人數(shù)識別算法也成為熱點。本文介紹了基于機器視覺的人數(shù)統(tǒng)計的研究；通過對近年來具有代表性的人數(shù)識別算法研究分析，總結(jié)出人數(shù)識別算法主要有基于個人的識別和基于群體的識別；相比傳統(tǒng)的人數(shù)識別算法，增加了對高密度人群的詳細分析?？偨Y(jié)了近年來人數(shù)識別算法中亟待解決的問題，并對其提出展望。

　　參考文獻

　?。?］ 章煒.機器視覺技術(shù)發(fā)展及其工業(yè)應(yīng)用［J］.紅外,2005,27(2):11-17.

　?。?］ KRAHNSTOEVER N, TU P, SEBASTIAN T, et al. Multiview detection and tracking of travelers and luggage in mass transit environments［C］. In: IEEE International Workshop on Performance Evaluation of Trackling and Surveillance and CVPR, 2006.

　?。?］ KRAHNSTOEVER N, YU T, PATWARDHAN K A, et al. Multicamera person tracking in crowded environments［C］.Twelfth IEEE International Workshop on PERFORMANCE Evaluation of Tracking and Surveillance， 2010:1-7.

　?。?］ COMANICIU D, RAMESH V, MEER P. Kernelbased object rracking［J］. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2003, 25(5):564-575.

　　［5］ 林景亮,唐杰.一種融合膚色和Haar特征的人臉檢測方法［J］. 微型機與應(yīng)用,2013, 32(8):35-37.

　?。?］ 王強，馮燕．基于顏色和形狀信息的快速人數(shù)統(tǒng)計方法［J］．計算機測量與控制，2010(9)：101-105．

　?。?］ SHEN C, HENGEL A V, DICK  A. Probabilistic multiple cue integration for particle filter based tracking［C］. Proceedings of the International Conference on Digital Image Computing: Techniques and Applications, Sydney, 2003, 1: 399-408.

　?。?］ BIRCHFIELD S T, RANGARAJAN S. Spatioframs versus histograms for regionbased tracking［C］.Proceedings of the IEEE Computer Society Conference on Computer Vision and Recognition, San Diego, CA, United States,2005,2:1158-1163.

　?。?］ LI P H, ZHANG T W, PECE A E C. Visual contour tracking based on particle filters［J］. Image and Vision Computing, 2003, 21(1): 111-123.

　?。?0］ DE CARLO D, METAXAS D. Optical flow constraints on deformable models with applications to face tracking［J］. International Journal of Computer Vision, 2000, 38(2): 99-127.

　?。?1］ 周先春,唐娟, 汪美玲.曲率與小波輪廓增強的人臉識別算法［J］.電子技術(shù)應(yīng)用, 2015, 41(10):161-164.

　?。?2］ 張繼法,梅雪,許松松.一種基于雙橢圓模型的視頻人數(shù)統(tǒng)計方法［J］.計算機科學，2012,39(26)：499-502．

　?。?3］ 常慶龍,夏洪山.基于自適應(yīng)滑動窗的模糊場景行人快速檢測［J］.電視技術(shù)，2012,36(19)：177-182．

　?。?4］ 趙軍偉,侯清濤,李金屏，等.基于數(shù)學形態(tài)學和 HSI 顏色空間的人頭檢測［J］.山東大學學報(工學版)，2013，43(2)：6-10．

　?。?5］ 高春霞,董寶田,王愛麗.基于人頭顏色空間和輪廓信息的行人檢測方法研究［J］.交通運輸系統(tǒng)工程與信息,2015,15(4):70-78.

　?。?6］ 賈慧星,章毓晉.智能視頻監(jiān)控中基于機器學習的自動人數(shù)統(tǒng)計［J］.視頻應(yīng)用與工程,2009,34(4):78-81.

　?。?7］ 劉子源,蔣承志.基于OpenCV和Haar特征分類器的圖像人數(shù)檢測［J］.遼寧科技大學學報,2011,34(4):384-388.

　?。?8］ 江偉堅,郭躬德,賴智銘.基于新Harrlike特征的Adaboost人臉檢測算法［J］.山東大學學報（工學版），2014,44(2):43-48.

　?。?9］ 張志勛，張磊，楊凡.一種改進的Adaboost人臉檢測方法［J］.自動化與儀器儀表,2013(6):143145.

　?。?0］ 唐春暉.一種基于梯度方向直方圖的俯視行人的檢測方法［J］.模式識別與人工智能,2015,28(1):1926.

　　［21］ 王明吉，肖桂丹，胡曉曦.一種實用的多運動目標標記與計數(shù)新方法［J］．計算機仿真，2009,26(8):199-203.

　?。?2］ CHAN A B, LIANG Z S J, VASCONCELOS N. Privacy preserving crowd monitoring: counting people without people models or tracking［C］. Proceedings of the 2008 IEEE Conference on Computer Vision and Pattern Recoynition (CVPR08). Washington, DC, USA: IEEE Computer Society,2008:1-7.

　?。?3］ 李虎,張二虎,段敬紅．基于PCA 和多元統(tǒng)計回歸的人群人數(shù)統(tǒng)計方法［J］．計算機工程與應(yīng)用，2014,50(11)：206-209．