监控场景中低密度人群估算探究摘要：本文对中低密度人群估算的背景模型、几何纠正和头部检测方面进行了相应介绍，并对一些研究方案提出可行性的改进方法。关键词：中低密度人群估算头部特征中图分类号：TP302.1文献标识码：A文章编号：1007-9416(2013)05-0142-011引言很多人对人群估算方法做了相应的研究，由于监控角度和研究目的不同，出现了很多复杂的方法。本文在此探讨一种在固定场景中低密度人群快速估算法。2建立背景图像模型在监控镜头角度固定的情况下，所对应监控场景也应是固定的。如果监控区域中没有运动目标出现，其视频序列可以被认为是静止的。为了有效检测运动目标，就必须建立一个有效的背景图像模型。在视频监控模式下，一般固定不动或变化差异小的场景为背景图像，行人等运动目标是主要检测对象。摄像头将背景图像和运动目标生成融合的图像文件或者视频文件。因此，我们需要建立相应模型提取出背景图像。视频监控通过获取运动目标进行人的数目估算。背景图像一般不会随着运动目标一起运动，为了获取准确的人数目标，必须对背景图像进行有效处理。自适应背景建模算法可以有效地计算色度差，解决运动物体的阴影消除问题（韩鸿哲等，2003）；三维模型检测阴影法取得了较好的阴影检测效果，但其计算复杂、易受光照等外在因素影响，仅适合在一些特定监控场合；Cucchiara等提出检测阴影的经验公式;Salvador等［1］在RGB空间内定义特征不变量来判断阴影区域；Leone等则通过Gabor变换提取纹理特征来检测阴影；Chien等提出采取梯度滤波器去除图像中的阴影。上述研究起到了消除背景色的作用，但让运动目标受到相应影响，失去了关键的色度信息［2］。本文研究方案是通过一定的算法将背景图像和前景画面分离，应用广义高斯等算法对背景图像进行降噪处理，突出图像中的运动目标轮廓形态，区分背景图像与运动目标，应用于快速估算人数，流程如图lo3建立几何画面模型摄像头监控视角主要包括水平、垂直和斜视角。水平和垂直视角适合些特定监控场景，实际应用中多以斜视角为主。斜视角存在很多优点，如观察视线和角度好、可视信息量大以及监控画面开阔。斜视角也存在一些不可避免的缺点，最重要的是几何变形大。因此，我们有必要对监控场景进行相应的几何纠正。一种基于区域划分的人群估计法在能发现异常情况为安全预警提供帮助，它适合于低密度人群统计（张燕，2011）oDamian研究了将场景的网络化特征提取法，对几何变形进行了相应的矫正，对于低密度的人群估计准确率较高。上述关于图像的几何纠正研究有良好的参考价值，对于鱼眼类宽场景摄像头摄取画面的纠正方法那就应该另当别论了。结合上述观点，我们需要对监控场景建立简易模型。在模型中，考虑监控角度等因素将任意画面分为远、中、近三个视线场层次，同时按照一定的比例进行网格划分。如图2,在模型中，区域1和区域3中的网格区域面积与头像大小是成等比。4建立头部特征模型国内外对人数统计的研究包括纹理模型、行人边缘信息等思路。纹理建模法适合大型场合髙密度人数统计，行人边缘信息统计法适用小范围区域的低密度人数统计。有人研究利用hough变换对人头检测实现计数是一个很好的思路，它选择分割获取候选头部区域后将其作为目标区域，借助候选头部区域的视差提取深度与透视特征，去除虚假头部区域以获取最终的头部检测结果（于海滨等，2009）o上述研究思路是在垂直视角下完成的，适用范围小，如图3,在实际中很难推广应用，存在监控视角小和人群密度统计不够等缺点，当背景与前景灰度相近时，提取出的前景边缘薄弱，采用Hough变换很难检测到头部位置。本文着力于探讨中低密度人群统计方法，因此需要对上述思路进行改进。对头部检测是人数识别的关键，目的是搜索人体头部位置。头部检测方法主要分肤色特征法和轮廓特征法。我们建立的头部特征模型其实是对轮廓特征法做了进一步改进，将头部的特征按照正面、背面、侧面、斜面、长发、短发和光头等识别特征建立在模型数据库中。系统进行人数统计的时候自动与模型数据库的特征信息比对识别。斜视角的监控摄像头会产生近大远小的视频图像，因此在识别目标时需要采用小波变换...