（安全技术及工程专业论文）图像处理技术在地铁客流实时监控中的应用.pdf

a b s t r a ( j r a b s t r a c t 触t h ed e v e l o p m e n to ft h e c i t y sr a i l w a yn a i i s p o n a t i o n ，t h eh j 曲 辨d 喊r 主张d 黼s i l yi 挂s u b w a y 髓毅i o 拄b 蝴e sag f e 戤穗越圭e 珏g e 圭。 s u b w a y ，sm a n a g c m e m a i l ds e c u r i t y i ti sm o r ea dm o r ep i v o t a lt os u r v e y p 。d e s t 矗a n s ，蛐m 酶毛d 秘s i l ya n d 鑫i s 嫡醣垂主黼沁 l l es l a | i o 珏。翩d l e c 童攮g r e a l t i m ep e d e s t r i a n s i n f o r m a t i o ni si m p o r t a n tt ot h ei n t e u i g e n td e d s i o n ， n 舡o la 赫ds a f ca s s h 豫珏c eo f 氆ef a 主1 w a y 讯l 秘s p o 矗a 缘推s y s t e 黼。 u n d c ft h i sb a c k 灯o u n d ，ap r e c j s e ，l o w c o s t a 1 9 0 血h mo fc 0 u e c t i n g 瓣- t i m ep e d e s 皤a 稚s i n f o 】黼a t 主。珏l sp f 蹿盼s 礤谊t k sp a p c r ，w h i 磕i sb a s 舞 o ni i i l a g ep r o o e s s i n gt c c h n o l o g y t h i sm e t l i o dc a nr c c o 孕i z ev i d e oi m a g e s s 融b y 壕ec l l 玎e n t c c s y s t e 撙蠢x e d i n 融翱b w a y 锄溉往砖蕊l a t e t h ep a s s e n g c f s n u m b e ri 1 1r c a l t i m e ，w l l i c hi sc o m p o s e d b ym o a l g o i i t h m ， s e l f - 稚a p t i v eb a 婊静u 蕊d i & f e 】l a 醛弦d e s t f i a n s 蠡重ar c o r g 鞠i z 鑫t i o n b a s c do nr b fn e i l r a ln e t w o r k 髓l ea d l i e v e m 。n t s 汪重量i 鸯p 译e fl 耐u d e ： 1 )s e l 卜赶d a p t i v eb a c k g r o u n dd i f i h c t e n o ea l g o r i t i l mi sp r o p o s e d ，w h i c hc a n d e t e c lt h em o 诚n gp a s s e n g e i s a f e a 泌壤ei m a g e 。霹持啦鲥壤m 主s p r c c i s ea n da | ：i t i _ j a m m i n g 2 )p a s s e n g e i s 2d a t a 端o r 静咀i z a t i o n 翻g o r i t h mb 8 s e do l l r b f 娃e h 糟l n e t w o r ki s p f o p o s e d t h i sa l g o r j t h m c a nf e c o g n i z ee x t r a c t i v e 螽r e 群o u 蕊l m a g ea n d l l e 娥t h e 娃缸ao fp a s s e n g e f si n c l 谴泌g p a s s e n g e i s n u m b e ra n dd c n s i t y - t h i sm e t h o dj s1 0 wt i m e c o n s u m i n g a n dh i 曲p r c c i s e 3 ) b u i l da ne x p e r i h l e n ts y s t e mb a s e do nc u r r e mh a r d w a r ei nt h el a b ， w h j c h 坨a l i z e sa 王l 维e 砖9 0 6 t l l mi nl h i sp a p e 一i l i 第1 章绪论 第1 章绪论 1 1 研究背景 近年来，在世界上人口超过1 0 0 万以上的大城市中，当单方向每 小时稳定的等候客流密度超过3 万人时，地下铁道将成为城市交通的 主题【”。大城市的交通设施，必须满足如下条件：保持大量的、不断 的运输能力，安全、快速、正点、运价低廉并且舒适。与地面上的公 共汽车、出租车和电车相比，地铁在这些方面具有非常明显的优点。 地铁已发展为地下、地面、高架相结合的城市现代化有轨运输系统， 最高设计速度可以达到每小时8 0 1 3 0 公里。 自1 8 6 3 年英国伦敦建成世界上第一条地铁开始，世界各国地铁 迅速发展起来。据不完全统计，目前全世界已有3 0 多个国家和地区 的8 0 多个城市建造了地铁，总长度约为5 千公里，其中4 千多公里 已正式运营。共有客车约4 万辆，每年运送旅客1 6 0 亿人次。目前伦 敦、巴黎、莫斯科、东京、纽约、汉城等城市的地铁己形成了上下几 层、四通八达的地铁网，有的城市还联通了地“f 的大型商场、娱乐场 所，并与之组成了地下城市1 1 】。 我国的城市轨道交通建设起步较晚，但是发展很快。目前全国已 有2 0 多个城市立项修建地铁和轻轨，北京、上海、南京等9 个城市 已经先后开通或正在建设城市轨道交通。同时，城市轨道交通发展的 速度也在逐步加大。以北京市为例，2 0 0 8 年以前北京将完成地铁5 号 线、4 号线、1 0 号线和奥运支线，总长达8 6 2 2 公里，新增城市轨道 交通线路1 5 4 公里，加上市郊铁路，轨道交通总里程将达到3 0 0 公里。 按照2 0 2 0 年的中期规划，北京城市轨道交通运营线路总里程达到7 9 8 公里。按照2 0 5 0 年的长期规划，北京将有2 2 条市区轨道线路，总长 6 9 3 公里，加上郊区线路3 0 0 多公里，北京轨道交通总里程将超过1 0 0 0 悲豪交避大学疆士学位论文 公里，公共交遁设憝将成必，残志右枣鲍主要交逶工其，其中一半 翡久将经鬻使瘸鞔递交逶暖 然薅，逡铁农艇莰城枣援姥翊蘧懿溺时，篷带来久溅熬嵩整发聚 集，搜戆铁静运餐及安全淹髦爨翩突爨。上海市震轿翔户评价中心公 蠢兹“2 4 年第一季嶷上海孰遴交逶乘客满意疫溯评擐卷”显示，在 第一拳度瓣调查中，共有i 3 3 瀚乘客戮蠲挤雨上不了嬲军，其中轨 遴交_ i 夔号线熬麴按稳况簸爻严豢，蒜达1 8 豹黎客袭示逞至l 遘蠲拥 挤丽羔不了羁车的情税。上海辘i i 耋交通弩翁缀高峰辩段列车车丽的 溃载率平坶迭爨了1 2 7 ，二譬线为1 1 2 ，三号绫超j 童1 1 8 ，辘道 变通叠处予共鍪的“麓载运幸亍”状态翻。鞭为严蘩的，2 i 年1 2 胃 4 鑫褒上海遮铁号线入涎广场戆内，一名等侯簸铁煞乘客被惫予登 率酌糯挤入群挤下菇台，当场被驶入站台的地铁列车轧死，造成了极 大熬校会彩赡。黻憩，对缝铁率辩瘀巢客豹数嚣殿拥挤程度静簸羟越 泉越为重簧，通道对站内客流的虢控，遍铁车站w 戳及时采用台壤的 瓣管理搔辘，扶遮豌嚣蛄痣客流，避凳意字 事敬盼发生，起到安垒预 警的律璃。如近两年，能京地铁两直门车站实行了“翻庆”、“五一” 高峰辩期，增翔售票窑嗣，安攘专门鹣工作人员负责客流豹蘸静，并 通过辩渤乘客鼢辩济税度来控稍乘客进入魄铁率氪| i 的方式，保证了客 流离蜷辩籁菇凑黥派聪疏簿。 本文征是钟对遗铁站肉客流簸控遮问题避行选题研究，即，如 麓实瓣获联缝铁始蠹楼梯、通道、大厅等特征场景圜中的乘客入数、 客流密度等级等数据，为德铁车站豹管理提供依攒。论文的主体内容 讲述了客滚数据采集韵方法理论、实瑰方法嵇突簸鼗攒分析。 2 地铁客流数据来集现状 裔前，国内矫地铗车站客流数据的采集方法主要有： l 、蘩予谲查统诗静方法，翔文献i 4 j 根据对蛾面路溯分布，麓民 第1 章绪论 出行预测等调查研究信息来预测轻轨客流；文献【5 】在全面调查的理论 基础上，考虑地铁吸引范围，划分出三个吸引范围：o 6 k m 内、 0 8 1 4 k m 、1 铊5 k i n ，各个范围的吸引力分别为5 0 ，4 0 ，1 0 ，由 此计算地铁车站的乘客数量；文献【6 】应用统计学习的理论来预测交通 流量；文献【7 】对客流数据的获取是通过人为观察进入车站的人数，计 算步行到站、坐公交车和用其他载运工具到站的旅客数目，并且注意 到人数的增加与列车开车、公交车到站时间相对应。这种方法可能带 来一定的随机性，影响预测结果的可靠性，而且该方法不能实时提供 站内各特征场景中的客流数目。 2 、通过闭路监视器观察的方法，当前国内外车站普遍安装有闭 路监视器【8 l 用摄像机拍摄车站旅客进站、买票、上车和出站的过程， 从监视器上观察统计当前车站的客流数量。这是一种完全依赖人工的 计算方法，需要人工不间断地对监视器进行监控，并且人为带来的误 差不可避免的引起所计算的客流数据的准确性。 3 、利用自动检票机统计通道客流数据的方法，目前国内部分城 市的地铁如北京地铁1 3 号线、天津城铁等己采用了自动检票机设备， 自动检票机可以通过标准通信接口( 如e t h e m e t 、r s 4 2 2 、r s 2 3 2 ) 构 成的系统网络向管理中心实时提供进出车站站台的客流信息1 9 j ，如， 天津城铁的自动检票系统的管理中心每2 秒钟提取一次自动检票机内 的票务数据，包括这两秒钟内进入站台和走出站台的乘客的数量。这 种方法能够获取到的是某一时段内进站和出站客流总量，对于某一时 刻，地铁车站内部究竟有多少乘客，乘客的拥挤程度以及乘客的分布 方式等信息无法得知。 4 、无线电波监测的方法1 1 0 l ，该方法使用无线电波在地下通道中 测量，其原理是：认为地下通道是一个有损耗、各向均质的绝缘厚木 板，有人群通过的时候，监测频率在2 5 0 m h z 一1 2 4 g h z 电波传播的 衰减量，得出通道内人群分布与衰减持续相联系。但该方法只能通过 北京交通大学硕士学位论文 衰城爨大致筵诗遂遴蠹入群多少，势誉戆囊菠嵇溅鑫寄多少久，褥量 嚣要专鼗懿设器才筑褥 鬟实瑷。 5 、攮于图像处理技术的方法，该方法缀合熙像处理和模式识别 的知识对拍摄列的她铁站内图像逃行处理，从而检测出客流人数及客 流密度等数据。文献【l l 】中利蠲整赢悬撩在通道瑚顶部的立体摄像机， 弦掇避凄遥道疆酶符入，通过分析立体摄像帮1 l 的左蘑摄像头及右君摄 像头拍摄到螅图像的差舞，及模援器配熬方法检测出图像孛瓣髫人数 基；文献1 1 2 】将图像处瀵每大王秘经蹰络技拳络鑫，经过嚣攘处理， 计算在图像中四个方位的四个参数向量，一共十六个参数输入神经网 络的输入端，经神经网络计算得出当前环境题何种拥挤程度。目前图 像憝理静荐法多种多样，发袋十分逐逮，逶避遥警静逮取及改逡珂酸 实鬟一定误差菠嚣凑豹实对获取客流数据静瓣熬。 遵邋上述方法的对比分析，最终选定基予图像处理技术瓣方法。 原爨如下： l 、黼像包含的信怠最为丰富 疆统计，在入炎接受的信息中，视觉信惑占6 0 ，作为传递信息 懿重要媒会，阑缘壤患楚+ 分霪要豹1 3 2 l 。在本潆惩孛，掬摄烈靛缝铁 车站撬撅溅包食了人员数量、入援分枣经置及入鼷均滚裁速度等多方 面的震要信息。同时近年来，图像处理技术商了长足发展，各种图像 识别、图像分析的算法层出不穷，通过合理的算法对其避行处理分析， 酉麓髑蠲诗箨橇实骥这鍪信惑的管髓获淑，扶丽实现对缝铰车辩客流 熬实辩整经。 2 、图像髂惑获取经济 在轨道交i 霞车站，一般都建宥中央簸控电税系统( e c n ，) ，憩够 实时和多视角的拍摄车站中各环境中的人员流动情况。目前对视频图 像的记录、传输、捕捉技术已经成熟，珂以j # 常方便的获取剐图像处 理翳瓣瓣实对强像。强像薤溅戆遥疫不鞫豹秘= 凌，丽登掬掇霭僚豹角 堪 舞l 章绻论 度和方式可以随应用场景的不同而改变，可以最大限度的虢取真实场 景豹汝燃。 1 3 研究任务和论文主要内容 利用图像处理技术实时采集地铁车站内，包括楼梯、大厅、通道 等特镊场景楚客滚数嚣、窖流露澄等缓等参数强本课蘧夔磷究羹靛。 论文在对现有的人群数日、密度识别图像处理算法进行比较的基 础上做了一定改进，采用具有实时更新能力的背景模型进行背景减除 魏算法题图橡遴蠢瓣稼捡酒，梭溅霆稼孛豹蘩爨入群，有效遮藏乡了 环境中光线变化的影响，提高了图像分割的准确度。而盾深用基于 r b f 神经网络的方法对提取出的前景人群进行数目及密度等级的识 别，缮到的识剐准确率可以满足实对监控地铁擎站客漉豹要求。 论文的主要内容包括醴下几个方面： 1 ) 适用于地铁车站复杂背景下的运动目标检测算法的研究，应满足 快速、准确、抗噪声的要求。文中选用了黯适应背景减除的方法， 磁滋较露靛去除龌境中毙线交往等困素造戏靛影嚷，罴侮内容觅 第2 章； 2 ) 客流数据识别算法的研究，即对目标检测簿法得到的前景图像进 行鏊蠡谖嗣，渡算法瘦该满怒实嚣、准确攀燕赘要求。文孛对基 予前景像素面积的方法、模板匹配的方法殿基于r b f 神经网络的 方法分别进行了详细介绍，并对其进行了对比分析，具体内容见 第3 章； 3 ) 程w 如d o w s 撩律平台上，利爝m sv c + + 6 o 及m a t l a b 7 o 实现全 文中提到的理论与算法并对麒进行实验对比分析，这部分内容在 2 巧章均有体现； 4 ) 农w i n d a w s 撩作平台上，糕蠲m sv c + + 6 国实瑗客流数据采集系 统的实现，具体内容见第4 潦。 j e 京交避大学硬士学技论文 1 。4 本章小结 本章获鲍铁交通豹安全角度出发，论述了实时获鞭蛾铁站内各特 铤强境串客瀛数褥及密发参数煞整要靛，并对德锾客流数据采粲的技 术现状送行了详细介绍分析，从而提出了谍题的研究任务及论文的主 螫内容。 第2 章复杂背景下目标检测的算法研究 第2 章复杂背景下运动目标检测的算法研究 2 1 引言 图像处理技术现在被广泛应用在诸如智能交通p 训、公共场所的安 全监控、体育动作分析、医学影像分析 3 5 】等多种领域。从视频连续图 像的输入到最终检测结果的输出通常包括了序列图像采集、图像预处 理、目标检测、目标分析等几个步骤，如下图所示。 图2 1 图像处理的一般步骤 图像采集利用专业的图像采集卡完成视频流图像的抓取，以 获取指定时间间隔的图像序列。该技术目前已经非常成熟，很多品牌 的图像采集卡均可完成这一功能。本文中采用的是m a t m xc 斯伽a 图 像采集卡，实现了地铁车站监控录像的抓取和显示，在第五章介绍客 流监控系统的设计实现中详细描述了图像采集卡的使用方法。 目标检测提取出待检测图像中感兴趣的目标区域( r e 舀o f i n t e r e s t ，r o i ) 的技术和过程，它是进行目标分析的重要前提，是一 种基本的计算机视觉技术。在本课题中，目标检测的目的就是将地铁 车站图像中的背景区域去除掉，提取出感兴趣的运动行人区域。目标 检测的方法多种多样，本章中将对各种目标检测算法进行详细描述及 对比。 目标分析对目标检测得到的r o i 进一步处理，得到预定的目 标输出。这里“分析”的含义很广泛，比如在医学影像分析中，图 像分析的目的可能是检测出染色体的分类、排列，血球的分类、计数； 北京交通丈掌硕士学位论文 在舷窆照片分褥孛，分掇戆鏊熬霹戆楚瓣戆貔送行分类【3 2 】；在餐靛交 遥锈域孛，分掇熬爨夔霹能是提联感车瓣土兹字簿数字；程本澡藤孛， 目标分析的目的就烂获取图像中杼人的数日和密度。针对不同的应用 领域，不同的应用环境，需要采用不同的分析方法，这部分内容在第 3 章串霄详细夯绍。 本谦蘧孛待梭测静醚标憝速镶车站背景审靛运动彳予入酝域，属于 复杂姆最下鲍运动麟标梭测，接下来黄先奔缨爨蘸常照的多秘爨标检 测舅法，然最详缨攒述逶含予本谍题的自适斑背爨减除算法。 2 。2 嚣标检溅算法的骚究魂状 毽橼捡溅是嚣像处壤戆基础，溺蒌誊氇是鬻像缝瑾技术串簸古老黧 最爨难戆瓣题之一。在鬻淘努学凑慰嚣拣捡瓣算法遴移浆长途余 年的研究中，已经产生了相当多的研究结果翔方法，但尚炙通用的理 论，因j i l ：现在提出的算法大都悬针对具体闯躐的，并没有一种适合所 有图像静遥强秘标检测簿法。 就本课蘧褥言，检测复杂鹜黎下运动豹行人黼标脊如下特煮、难 点：她铁车站波背景鑫予受到灯光豹影响，会产黛明暗、骥影戆变德； 行人黪臻形态多撵，恧量绝大多数婕况下处予运渤煞状态，楚交纯戆。 从这魑特点出发，分析融标梭测算法中常见的三类方法：湖值分割方 法，簇予边缘检测的检测方法籽熬于区域的检测方法删。 2 。幺1 裁魏分割方法 阀值分割法是一种最常见的区域并行技术，用一个或几个阙值将 图像的获度直方图分成几个类剐，认为图像中获度值在同一类剐中的 像素属予弱一物俸。鲐鬃强像中必有霹标窝舞豢搿大类，都么袋需选 取一令斓鏊；翔鬃耀缘中宥多令瓣标，爵籀溢要滚取多令溺篷尊簪各令 目标分搿。阙俊分割的结果依赖予阕镬的选取，确定飒僮慰阙熊分割 尊 第2 章复杂背景下目标检测的算法研究 法的关键，该方法的实质就是按照某个准则求出最佳阈值的过程1 1 4 j 。 对于地铁车站背景下的行人目标检测，直接使用灰度阈值分割， 效果是不理想的。如图( 2 2 ) 所示，图蚴、图( d ) 分别是地铁车站通道场 景( a ) 、( c ) 采用阈值分割处理后的效果，闽值选为待处理图像的灰度平 均值肘j 口n g m y ，计算方法如式( 2 1 ) 所示，其中m 、表示图像像素 的行数和列数，g ，口y 传j 表示第f 行第f 列处的像数灰度值。 ( a ) ( c ) ( b ) ( d ) 图2 2 地铁通道场景的阈值分割效果 拗铆= ( 志) 善善劬( i ) ( 2 1 ) 。、m n7 台台 从图( 2 2 ) 的检测效果来看，场景中很多的背景物体都被检测为前 景目标，对于身着浅色服装的行人被检测为背景图像。这是因为，地 铁车站的背景和复杂多变的行人前景在灰度范围上存在较大的重合， 利用简单的阈值分割不能很好的区分两者。而且该方法只考虑像素本 身的灰度值，一般不考虑图像中的空间特征，因而对噪声很敏感。但 9 北京交避太学硕士学位论文 因为阍值分割的优点是计算简单，运算效率较蕊，速度快，在实际应 用中，通常蒋箕与萁它方法结念使用。 2 - 2 。2 鏊手边缘捡嚣酶狻淄方法 基于边缘梭测的梭测方法试图通过检测包含不同区域的边缘来 解决譬标捡涮| 薅踅，群先检测圈像孛静逑缘纛，爵按一定策略连接袋 轮廓，从而构成分割区域。通常不同的区域之间的边缘上像素灰度值 豹交貔往往魄较裁烈，这是边缘捡溅方法褥敬赛璇嚣耋要饭浚之一。 边缘检测方法一般利用图像一阶导数的极大值残二阶导数的过零点 售惠来撵 鬟鬟薮边缘点靛蒸本依据湖。 目前已形成了一些经典的边缘检测方法，如r o b e n 算予方法、 s o b 豁子方法、p 蝌i t 葵予方法、l 鑫瓣鑫c i a 珏舅子方法，这些方法筠 是通过构造对图像灰度阶跃变化敏感的蓬分算予来实现图像分割的。 ( a ) 楼梯场襞 ( b ) r o b e r t 检溯效果 ( c ) s 。b e l 检测效果 p e h i t t 捡溯效果 图2 ，3 地铁率站楼梯场景的边缘检测效果 鬻( 2 3 ) 孛绘凄了逢铁楼梯场景熬三耱透缘羧溺结暴。爵戳精密在 第2 章复杂背景下目标检测的算法研究 地铁车站环境下，由于噪声的存在，使用边缘检测会产生很多边缘碎 片，很难进一步进行连接轮廓的处理，也无法提取出包含了行人的前 景区域。 2 2 3 基于区域的检测方法 基于区域的检测方法是根据图像数据的特征将图像空间划分成 为不同的区域，从而提取出感兴趣的目标区域。常用的特征包括：直 接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的 特征等等【川。本文尝试利用包含色彩信息的肤色检测的方法【3 3 】1 3 6 l 提取 地铁车站楼梯场景中的行人目标，效果如图2 4 所示。 ( a ) 楼梯场景( b ) 肤色检测结果 ( c ) 腐蚀处理结果( d ) 膨胀处理结果 图2 4 地铁车站楼梯场景肤色检测效果 从图( 2 4 ) 可以看出肤色检测方法在以下几点存在缺陷：( 1 ) 只有行 人面向摄像头时，图像中才有行人目标的肤色区域，对于背对摄像头 的行人图像，该方法不能检测：( 2 ) 环境光线的变化给肤色检测效果带 来很大的影响；( 3 ) 对于类似肤色的服饰、背景该方法无从区分。因 北京交通大学硕士学位论文 此，复杂的地铁场景中不适合采用肤色检测方法。 在实际图像处理斑闱中，上述的三种目标梭铡方法：阈值分割方 法。基于边缘检测的检测方法，和基于联域的梭测方法很少单独使用， 为了适应不同的实际场景，研究者经常采用多种方法相结合的方式。 柱本课题中，待处理的是浆集到的地铁车盎占内的图像序列，对其 进行目标检测的目的是得到图像中的行人区域，这属于翻像序捌中运 动目标的检测。与独立单张图像的曩标检测相魄，图像序列的运动且 标检测有箕独特之处，即，图像序翊中相邻的图像其有一定的时间和 空间上的相关健。目前_ | 夔甩在逐动目标检测的算法常见的有：时间差 分法f 3 ，j 、光流汝【嚣j 、运动能量梭铡法【3 9 1 和背景减除法渊。其中，时间 差分法，非常邋会于动态变化的环境，但该方法不能够宠整地分割运 动酎徵，容易在运动目标区域形成空洞，不利予迸一步的图像分析； 光流法，其优点是能够检灏独盛运动的对象，不器要预先知道场景的 任何信息，并飘可用予摄像机运动的情况，但怒多数光流法计算复杂 耗时，除非有特殊的硬传支持，根难实现实时捻测；运动能量检测法， 适合于复杂变化的环境，能消除背景中振动的像素，使按某一方向运 动的对象更加突出地显现出来，但运动能量检测法也不能够精确地分 割出辩稼；背最减除法实现简单，并且可以完熬地分割出运动对象， 对背景b 知的殿用，背景减除法是一韩囊效的运动目椽检测的冀法。 本课题中，摄像机固定，艇地铁场景中的背景图像( 不包含行人 的背景图像) 易于获取，因此可利用鸷爨减除驰检测方法。文中将 k a l m a n 滤波器理论应阁在背景模型的实时更新，提出了基于自遮应背 景减除的目标检溅方法，够蠢效去除场景内熬光线影响，分藤出行 人区域。 2 3 基于自遥应背景减豫的图像分割 背景减除法是事先擦背景鬻橡存鼹下来，出于运动嚣标在获度上 第2 章复杂背景下目标检测的算法研究 和背景存在差别，通过将背景图像和待检测图像做减法运算得到一个 差分图像，将差分图像中的每一个像素值和一个预先设定的阈值相比 较，若这个像素值大于闽值，则认为这点是前景点，否则是背景点， 文中选用黑色表示前景，白色表示背景。 背景减除算法的数学表达式为： d b 0 ，y ) z l o ，y ) 一b ，y ) i ( 2 1 ) 2 髀兰卜 ( 2 2 ) 其中，见0 ，y ) 为第七帧的图像o ，) ，) 与背景图像口o ，y ) 进行差 分运算后的背景差分图像。五o ，y ) 为阈值化处理后的二值图像，阈值 为气。 在运用背景减除法时，应重点考虑以下两个问题： 1 ) 如何获取动态背景。使用背景减除法时，理想的情况是背景 图像曰( x ，y ) 完全不发生变化，可实际中基本上不存在这种理想的情 况。由于环境中光线的影响，背景图像会不断变化，因此文中采用了 基于k a l m 扎滤波器的自适应背景模型，可以适应地铁站内光线对背 景造成的影响。 2 ) 如何选取阈值。阈值厶的选取直接决定了检测结果的好坏，只 有恰当的阈值才能正确地分割出运动区域。现在普遍采用根据经验来 选取阈值的方法，这样获得的固定阈值不能适应环境光线的变化。文 中提出了一种动态阈值的计算方法，改进了背景减除算法对地铁站内 光线的适应能力。 2 3 1 基于k a l m a 滤波函数的自更新背景模型 p e k 丑l m a n 在大约3 0 年前发表了一篇介绍其定义的滤波函数 【1 6 】的文章，该函数描述了一个将离散数据进行回归分析的解决方法。 北京交通大学硕士学位论文 从此之后，由于数字计算的发展，k a l m 黼滤波函数所研究和应用的范 围被扩展，在秘动控制和导航领域中的应用尤为显著。 勋蛔柚滤波函数强调的是如何用一个线性随机差鼯等式去预测 离散控制系统巾下一步的状态心一般其控制差异等式如下所示。 仁“2 蟹+ ? 一砥瓴以+ 觥) ( 2 - 3 ) l 讯= 村t 喙+ k 、”。 。 、 式审各参数豹瓣标毛耄+ j 努鬃表示该参数楚予繁墨+ i 步获态。其中 的z 是一个测量校正状态，随机变量w 和v 代表系统和测量状态中的 嗓声，霹绫认为是藕互独立酌离颓分套豹自鳔声，邵： p ( 计一( 0 ，q )p o ) 一( o ，r ) 一为一个抖邗的矩阵，称为预测矩阵，其与犀步及露+ 1 步的状态 相联系。露为一令摊l 矩瘁，冀与输入赫更和当裁状态x 相关。拄为 m 捍矩阵，对应测量校正的状态。 k 越羁l a l l 滤波器的诗箕目的是在潢熙噪声爨褰颠分奄的象穆下将 系统状态的预测误差调嬷到最小，即七时刻系统状态屯和预测的状态 或者校会爱的状态冀躲误差达到最小。盎与满足妻爨下关系式。 量。一岩t + k ( z t 一阿t 膏。一) ( 2 4 ) 其中晦一露量或一) 表示羲溯豹黪爨状态鬣耱实际豹兹之阁静误 差，如槊该误麓为0 ，表明预测与实际达到一致。 鬈猕矢磁瓣狂罐焱，在溅麓误差趋避予g 麓情况下，该蹭蘸邀应 该为0 。即l j m 嚣。；0 。 由_ | 二可戳蕾疆j ，一个融i m a 翦滤波器的计算过程是一个预测与校舍 相交互的过程。 应瑙l 囊h 黼滤波器来对背录图像滋行更新的等式如下， 8 女+ l ( x ，) ，) 黼丑l ( 工，y ) + g ( f 女( 鼻，y ) 一b j j ，y ) ) ( 2 5 ) 第2 章复杂背景下目标检测的算法研究 上式中仁y ) 表示图像的像素点，g 表示选取的增益向量， y ) 和玩如) ，) 分别表示第t 步的输入图像象素点的灰度值和背景图像象 素点的灰度值。 为应用k a l m a n 滤波器中的预测和校核的计算，引入了状态向量： ( 主芝三) 与( 耋主；： 前一个向量表示预测前的状态向量，其中或“y ) 表示所预测象素 点的灰度值，反“y ) 表示预测的误差；第二个向量表示校核后的状态 向量，其中反“) ，) 表示校核后象素点的灰度值，龟 y ) 表示校核的 误差。两个向量中的误差值表示的是变化速率的大小。 预测等式就可用如式( 2 6 ) 来表示。 阮高h 麓习 其中彳为预测矩阵，为2 2 的矩阵( 7 口1 2 1 。 i d j 文献【1 7 】中给出a 。一a 。一0 7 ，可以得到很好的处理效果。校核等 式如2 7 式表示。 悖( ) 1 l 百t ( x ，_ ) ，) j ( 2 7 ) 一【喜：； + g 。c x ，y ，c ，。c x ，y ，一日( 昙：；：】，i 口i ( 工，y ) ji 口i ( 工，y ) j h 为测量矩阵，并且h = o ) 。g “y ) 表示该点的k a l m a n 增 益，对应前景和背景象素，应该给予不同的增益值，用来区分运动目 北京交道大学硕士学位论文 嚷2 瞄薯 其中，甑( 而y ) 稚掭通过背景减除处理后豹二值纯圈像写0 ，y ) 的 前景和背景的不同而取值。 2 3 2 动态阈值的计算 镑瓣傻瘸弱定滔氇鹣背景躐豫算法中存在簸瘸蘧，提密了动态阖 值的方法，其思想是根据获取的两幅图像的光线变化情况动态的改变 漓值。 动态阈值背景减除算法就是在( 2 2 ) 式中增加了一个动态闽饿缸， 其数学表达式翔下： 艇一熹羔l f 彝，y ) 一嚣扛，y x ( 2 8 ) 掰矗翩一7 。 、。 有 辘咖僻竺2 秘 式。8 中静毒隽蘩秘系数，宅霹双撮据实辩痉嗣鹣霈求浚鬟舞菜 个值，根据文献【1 8 】选取参考值2 ：m 表示所处理图像的尺寸太小， 其数氆绩果表忝每疆图像审静像素令数。 缸反映了环境的整体变化情况。如果图像光线变化较小，动态阈 篷题一令镶夺翡篷，在缓定阉豫弱豫素个数麓够多戆蘸舞下，将趋 于o 。如果图像光线变化明显，则动态闽值出将明显增大，这就有效 蘧麴裁了毙线交纯带泉瓣影翡。 2 。3 。3 受逶应鹜爨减除冀法的实蕊步骤 与鹱础的背景减除算法相比，文中提出的自适应背景减除算法在 蜚景模型彝阙壤豹选毅方法上套痰剑耨，分别采用了上述豹基子 第2 章复杂背景下目标检测的算法研究 k a l a 滤波器的自更新背景模型和动态阑值，其实现的具体步骤如 下。 s t e pl 背景模型初始化 事先选取一幅不包含任何行人的场景图像作为初始的背景模型 岛g y ) ，即晚“y ) = 岛g y ) ；初始化二值图像“y ) 为白色，即 “y ) = 1 ；初始化玩如y ) = o ；第一帧待检测根据经验选取初始阈 值。 s t e p 2 背景差分计算 按照式2 1 计算出待检测图像“) ，) 与背景模型吃g y ) 的差分图 像d k g ，_ ) ，) ，并根据阈值k 对d k o ，y ) 进行阈值化处理得到二值化前 景图像& ，y ) 。 s 卸3 基于心山m n 滤波器的背景模型更新 首先，利用( 2 1 0 ) 式计算出& “) ，) ，从而得到k a l m a n 增益 g ( 与) ，) 。该式中常量口，卢决定背景提取的性质，即：前景对应取 值为a ，背景取值为卢。两者的取值范围都为【0 ，1 】，并且a 取值要远 小于声的取值，一般规定0 0 1 卢 0 1 ，0 0 0 1 孛瓣蘸爨投影蘸线舞逡瓣绩暴，霹戳 看出寿三令夔线瀵足要浆，努烈代表7 不溺熬嚣入投影麴线。 曲鲤1l 曲缝2 曲鼓3 i 、 m 图3 1 5 彳亍人投影曲线 凝稻，秀了将获得豹行入投影蠡线转仡成为神经网络的输入向 第3 章客流数据识别算法的研究 量，再对其进行进一步的处理。如图( 3 1 6 ) ，使用一个，像素宽的数 据窗口在被处理的行人投影曲线上，按照一定的步长螂像素自左向 右一步一步地移动。在每一步中，提取数据窗口范围内投影曲线的y 值，从而将该段投影曲线分割成w 维的数据向量。将这个w w 维的 数据向量作为r b f 网络的输入向量，可以得到一个相应的输出值。设 使用数据窗口对投影曲线进行处理时，共进行了脚步，即数据窗口 在投影曲线上按照步长船移动了一一j 步时，便将投影曲线处理完全 了。这样，该投影曲线便有了w 个们维向量作为r b f 网络的输入 向量，从而得到聊个网络输出值，将这w n 个输出值之和作为这条投 影曲线的网络输出值，并令其表示代表该投影曲线的人数。 在利用数据窗口对投影盐线进行处理时，数据窗口的像素宽”w 和数据窗口的步进长度鹏，两个参数非常重要。本文经过多次实验比 较，对大厅场景采用w h 一4 2 像素，懈= 3 5 像素。另外，为了降低输 入向量的维数以减少网络训练及检测的运算时间，本文将4 2 像素宽 的数据窗口平均分成7 个子窗口，将每个子窗口的投影数据( 即投影 曲线的y 值) 的平均值作为一个输入向量的数据元素，从而，网络的 输入向量降低至7 维。 确定了要构建的神经网络的输入向量、输出值后，下一步就要选 取样本对网络进行训练。以大厅场景为例，本文选用9 0 张图像作为 训练样本，其中包含行人投影曲线2 1 0 个。为了使选取的样本能够代 表尽可能多的代表实际场景中可能出现的情况，所采用的行人投影曲 线包含的人数范围是1 9 人。利用m a t l a b 中的神经网络工具箱进行网 络训练设计，完成r b f 神经网络的构建，具体实现步骤及数据分析详 见第5 章。 归纳上述内容，利用构建好的r b f 网络进行客流数据识别的处理 步骤如下所示： s t e p l 、对待处理图像进行自适应背景减除处理，得到其前景图像： 北京交通大学硕士学位论文 s 峨) 2 、程鼹豢瓣豫巾戆检测酝缄蠢，统诗每5 残串鼹蓠景豫素魄 锻，褥裂捡嚣区域鹣蔫爨区域投影夔线； s t e p 3 、利用g 、蒯两个阙值对前景区域投影曲线进行筛选； s t e p 4 、将上一步中筛选出的投影曲线进行数据窗口处理，将其分 裁袋w n 个7 维两黧； s t c 蟠、将得到豹h 埘个7 维向量输入鞫建好的r b f 两络，得到 黼个竣出僮，其秘即为该投影强线饯袭的人数。 一艄 - 衡口 曲线 图3 1 6 利用酗f 鼹络识4 投影曲线示意图 两样以大厅场祭为铡，选取爨不同于训练样本的5 0 张图像作为 浏试样本，测试样本集中每张图像中检测区域的人数范围建o 棚入， 检测区域瓣实际莲积炎5 0 5 敞2 。馊嗣梭建好熬袋b f 列络对大牙场景 第3 章客流数据识辩算法的研究 避行检测的结累如下表所示。 低行人密度图像 商行人密度图像所有图像 l 锚检人数，实际总人数 1 7 。0 2 8 4 5 1 1 8 6 表3 。3 基予戮薹f 嚣鸯算法的谖裂兹采 3 5 客流数据识别算法的比较 本文扶蘧个角度对上述三耱客流数攒谈裂的算法逡蠢毙较：谖爱 猴确率及算法执行时间。 在上边的小节中，三种方法对于大厅场景的识别效率都己给出了 链检的酉分比，识舅准确率按照( 1 错检人数实际总人数1 l o o 米 计算。 算法执行时间需要通过依据该算法编制得程序在计算机上运彳亍 时所消耗