基于HOG的自動售貨機人流量檢測系統

陳耀歡，任德均，陳生雄

（四川大學，四川成都 610065）

基于HOG的自動售貨機人流量檢測系統

陳耀歡，任德均，陳生雄

（四川大學，四川成都 610065）

為了能夠檢測自動售貨機周圍的行人數量，提出一種適用于自動售貨機的人流量檢測系統。該系統首先采用高斯混合模型的運動前景檢測方法得到運動物體，并通過形態(tài)學處理進一步降低前景的噪聲，然后提取運動物體的HOG特征并通過線性SVM分類器判斷該物體是否為行人。在從現場采集到的視頻上進行實驗，結果表明該系統能夠適應自動售貨機前方的特殊環(huán)境，并能滿足實時性的要求。

自動售貨機；人流量；混合高斯模型；HOG；SVM

0 前言

隨著生活節(jié)奏的加快，自動售貨機應運而生，但是有很多地方的自動售貨機形同虛設。為了避免這種情況的發(fā)生，有必要統計安裝位置的人流量，以便于分析該處是否有必要安裝自動售貨機以及供貨頻率。但是至今還沒有用于該領域的人流量檢測系統，而且由于應用的特殊性，已有的行人檢測系統無法移植到自動售貨機上面[1-2]。

首先，攝像頭要安裝于自動售貨機上，但是售貨機高度有限，所以不能自上而下的監(jiān)視行人，無法用現有的通過數人頭的方法來統計人流量。

其次，自動售貨機擺放位置的限制，行人大都不能正面對著攝像頭，所以不能通過檢測人臉的方法來統計人流量。

結合這些應用特點，本文采用了一種單目固定攝像機實時監(jiān)控系統用于人流量的檢測。算法基本流程圖如圖1所示。

圖1 基本算法流程圖

1 運動前景檢測

本文所述系統應用于人處于運動狀態(tài)的場景，所以先對采集的圖片進行前景檢測，以提取運動物體，然后對運動的物體進行下一步的處理，這樣可減少計算量，提高實時性。本文采用基于高斯混合模型的運動前景檢測方法。

在一段時間內，某一個像素值的變化序列為(X1，X2，X3，…，Xn)，根據這一序列，用n(1≤n≤K)個高斯分布來描述該像素點的像素值分布情況。建立如下的混合高斯模型，即這段時間內，像素值Xt屬于背景的概率：

式（1）中各參數值的含義如下：

K：高斯分布的個數，通常情況下K值越大處理效果會越好，一般取3～5；

wi,t：第i個高斯分布在t時刻的權重；

μi,t：第i個高斯分布在t時刻的均值；

Σi,t：第i個高斯分布在t時刻的協方差矩陣；

η：是如下的概率密度函數：

對于某個像素的幾個混合高斯模型，按照wi,t的值，從大到小進行排序，wi,t值越大證明此像素值出現的頻率高，可判定為背景。因此將前面B個模型視為背景，其他模型視為前景。其中T為閾值。

基本模型建立好之后，就要對相應的參數進行實時的更新，本文采用如下方法對模型中的各個參數進行更新：

（1）為了提高運算速度，假設每張圖片中各個像素的RGB值之間相互獨立并且具有相同的方差，如式（4）所示：

（2）由于應用場合為戶外環(huán)境，光照會隨著時間的推移慢慢變化，所以背景是動態(tài)變化的，故采用下面的方法動態(tài)更新模型中的參數wi,t、μt、：

式（5）-（8）中，

α：學習率，一般被固定為一個較小的值，從而減少背景噪聲；

更新過程中，首先對wi,t進行更新，如果，則代表該像素值與第i個高斯分布相匹配，此時該高斯分布的 ρ=1，其他高斯分布的 ρ=0，同時更新第i個高斯的分布的均值和方差，其余高斯分布的參數保持不變。

至此高斯混合模型已經建立完成，并定義了更新方法，接下來就是對新來像素的判斷，將新來像素點的值與B個高斯中的每一個均值進行比較，如果其差值在2倍的方差之間的話，則認為是背景，否則認為是前景。并且只要其中有一個高斯分量滿足該條件就認為是前景。前景賦值為255，背景賦值為0。這樣就形成了一副前景二值圖。

2 降噪

通過高斯混合模型得到的前景二值圖中含有很多噪聲，所以采用形態(tài)學的開操作將噪聲縮減到0，然后用閉操作重建由于開操作丟失的邊緣部分的信息，從而消除不連通的小噪聲點。最后就得到運動前景。

3 行人檢測方法

Histograms of Oriented Gradients，顧名思義，方向梯度直方圖，是目標的一種描述的方式，即是描述子[3-14]。

利用HOG+SVM檢測行人，最終的檢測方法是利用最基本的線性判別函數，wx+b=0。檢測分為訓練過程和檢測過程，訓練過程主要是提取一系列訓練樣本的hog特征，得到svm的系數。

3.1 獲取HOG特征

HOG是將一個特征窗口win劃分為很多的塊block，在每一個塊里又劃分為很多的細胞單元cell（即胞元），hog特征向量即是把這些所有的cell對應的小特征串起來得到一個高維的特征向量。

本文獲取HOG特征的其具體過程如下。

（1）計算圖片中每個像素點的梯度幅度和方向。

（2）將檢測窗口大小設為128×64，并均勻地劃分為相鄰的cell，cell大小為8×8。

（3）將梯度方向分為9個區(qū)間，即梯度方向將0°～360°分為9個方向塊，每個方向塊大小為20°，以各像素點的梯度幅度為權重，對各cell統計其梯度方向直方圖，得到cell的HOG特征。然后每相鄰的兩個cell組成一個block，相鄰block間有一半的區(qū)域是重疊的，即block在檢測窗口中上下移動尺寸為8×8。

（4）在block內采用下式進行歸一化處理，以消除光照的影響，得到block的HOG特征。

其中，Vi為原向量；為歸一化后的向量；ε為常數。

（5）將窗口內所有block的HOG特征串聯起來，構成最后的HOG特征。

所以一個檢測窗口共有105=((128-16)/8+1)* ((64-16)/8+1)個block；一個block中有4個cell，而一個cell的hog描述子向量的長度為9；所以本文中檢測窗口的hog向量長度=3780=105*4*9維。

3.2 獲取SVM參數

本文檢測方法是利用最基本的線性判別函數，wx+b=0。

通過樣本所求的3780維向量是w，而加了一維的b就形成了3781維檢測算子，然后用svm訓練得到本文檢測的w以及b。

3.3 檢測過程

在檢測期間，先用上文所述的獲取HOG特征的方法，提取待檢測目標的HOG特征x，得到此特征之后帶入方程wx+b=0，就能進行判別目標是否為行人，并輸出行人數量。

4 結論

本文對自動售貨機安裝現場采集到的視頻進行分析處理，攝像頭為30萬像素。

圖2 原始視頻幀

圖3 經過高斯混合模型提取前景

圖4 經過形態(tài)學處理后的前景二值圖

圖5 當前幀檢測結果

圖6 顯示行人數量界面，當前行人數目為4

由以上結果可見，在背景較為復雜，應用環(huán)境較為特殊的情況下，很好的實現了行人檢測的功能，處理速度足以滿足自動售貨機實時監(jiān)控的實時性。

5 結束語

本文提出的是一種應用于智能售貨機統計人流量的行人檢測方法。針對特殊的應用環(huán)境，首先利用基于高斯混合模型的運動前景檢測方法提取運動物體，然后對前景圖進行形態(tài)學處理，消除部分噪聲，接著提取運動物體的HOG特征并判斷是否為行人。該方法在檢測行人之前，先提取運動前景，從而減少了需計算HOG的窗口，在檢測準確率基本不變的情況下，明顯提高了檢測速度，從而滿足了實時性的要求。下一步工作將考慮如何實現行人的跟蹤，即在同一個人從開始出現到最后消失記為人流量數目為1，從而提高檢測的精確性，同時繼續(xù)研究解決遮擋問題的方法。

［1］Jianming Hu.Locating head and face boundaries for head shoulder images［J］.1 pattern Recognition，1999，32（8）：1317-1333.

［2］鄭翔翔.基于頭部檢測和跟蹤的人數統計方法［J］.計算機應用與軟件，2011，28（2）：43-46.

［3］Rigoll G，Eickeler S，Muller S.Person tracking in real world scenarios using statistical met hods［J］.Greno?ble：IEEE，2000：342.

［4］A.Samal.P.A.Iyengar.Automatic Recognition and Anal?ysis of Human Faces and Facial Expressions：A Survey. Pattern Recognition［J］.1992，25（1）：65-77.

［5］馬義德，朱望飛，安世霞.改進的基于高斯混合模型的運動目標檢測方法［J］.計算機應用，2007，27（10）：2544-2546.

［6］Dalai N，Tfiggs B.Histograms of Oriented Gradients for Human Detection［A］.//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Rec?ognition［C］.［S.1.］：IEEE Press，2005：886-893.

［7］Bertozzi M，Brogi A，Caraffi C，et a1.Pedestrian Detec?tion By Means of Far-infrared Stereo Vision［J］.Com?puter Vision and Image Understanding，2007，i06（2／3）：194-204.

［8］汪中.面向變化場景的行人分類檢測方法研究［D］.合肥：中國科學技術大學，2011.

［9］楊英，劉衛(wèi)國，王有財.基于二進制粒子群優(yōu)化算法的行人檢測［J］.機電工程，2013（9）：1142-1146.

［10］Liu Xuying.Exploratory Under-sampling for Class-im?balance Learning［J］.IEEE Transactions on Sys?tems，Man and Cybernetice，Part B：Cybernetics，2009，39（2）：539-550.

［11］Gavrila D M.Pedestrian Detection from a Moving Vehicle［A］.//Proc.of European Conference on Computer Vi?sion［C］.［S.l.］：ACM Press，2000.

［12］Viola P，Jones M，Snow D.Detecting Pedestrians Us?ing Pattern of Motion and Appearance［A］.//Proc.of IEEE International Conference on Computer Vision［C］.Nice，France： ［s.n.］，2003：734-741.

［13］曾春，李曉華，周激流.基于感興趣區(qū)梯度方向直方圖的行人檢測［J］.計算機工程，2009，35（24）：182-184.

［14］鄭江濱，張艷寧，馮大淦，等.視頻監(jiān)視中運動目標的檢測與跟蹤算法［J］.系統工程與電子技術，2002，24（10）：34-37.

Vending Machine Pedestrian Flow Calculation System on HOG

CHEN Yao-huan，REN De-jun，CHEN Sheng-xiong
（Sichuan University，Chengdu 610065，China）

In order to detect the number of pedestrians around the vending machine，puts forward a kind of traffic detection system applicable to the vending machine.Firstly this system gets the moving objects by using the mixture gaussian model and reduces the nosie of the foreground through the morphology processing.Then gain the HOG feature of the moving object through the linear SVM classifier to judge whether the moving object is pedestrians.Finally the results show that the system can adapt to the special environment in front of the vending machine,and can satisfy the requirement of real-time after testing on the video captured from the vending machine.

vending machine；pedestrains number；gaussian model；HOG；SVM

TP391.41

A

1009－9492(2014)07－0098－04

10.3969/j.issn.1009-9492.2014.07.029

陳耀歡，男，1989年生，河南濮陽人，碩士。研究領域：數字圖像處理，生產過程中的動態(tài)監(jiān)測。

(編輯：向 飛)

2014－01－14