機器視覺下升降機內(nèi)人數(shù)檢測算法

曹偉東，張中煒

(東華大學(xué) 信息科學(xué)與技術(shù)學(xué)院，上海 201620)

?

機器視覺下升降機內(nèi)人數(shù)檢測算法

曹偉東，張中煒

(東華大學(xué) 信息科學(xué)與技術(shù)學(xué)院，上海 201620)

為了限制建筑升降機的人數(shù)，防止升降機超載，文中提出了一種基于機器視覺的建筑升降機內(nèi)人數(shù)動態(tài)檢測方法。該算法是在工人進門的區(qū)域內(nèi)，利用改進的Vibe算法實現(xiàn)視頻圖像中的運動目標分割，采用領(lǐng)域平滑去除圖像噪聲，根據(jù)人頭特征采用橢圓擬合的方式擬合人的頭部，利用基于卡爾曼濾波的最近距離匹配法對橢圓的質(zhì)心進行跟蹤并計數(shù)。實驗表明，文中算法對于升降機內(nèi)俯視圖像中人員計數(shù)的實現(xiàn)準確率較高，魯棒性較好。

機器視覺；升降機人數(shù)統(tǒng)計；人頭分割；目標跟蹤

隨著我國基礎(chǔ)設(shè)施建設(shè)不斷加強，高層建筑不斷增多，建筑升降機超載成為安全問題，建筑升降機的載客量一般有人數(shù)限制，但是有時雖然己經(jīng)達到載客量的上限卻還是有人進入，乘坐超載的建筑升降機給建筑工人的人身安全帶來了威脅。因此，對進出建筑升降機的人進行計數(shù)以防止電梯超載是必要的。目前對于建筑升降機的轎廂內(nèi)人數(shù)統(tǒng)計的方法較少，但針對類似于升降機轎廂的電梯轎廂[1]有很多研究，其主要采用兩類技術(shù)來統(tǒng)計電梯轎廂或者公交車內(nèi)的乘客人數(shù):紅外線檢測[2]和基于計算機視覺[3]的方法。

1　運動分割算法

本文采用改進的Vibe算法分割運動目標，這種分割方法對光照和攝像機輕微抖動等干擾有好的抑制效果。

1.1經(jīng)典Vibe算法

經(jīng)典Vibe算法[4]將物體檢測看成一個分類問題，也就是確定一個像素點是否屬于背景點。在視頻序列圖像中，如果

M(x,y)∩SR(I(x,y))=

{I1,I2,I3,…,IN}∩SR(I(x,y))>T

(1)

那么就認為點(x,y)屬于背景點。其中，其中，I(x,y)表示坐標值為(x,y)處像素點的灰度值；M(x,y)={I1,I2,I3,…,IN}表示坐標值為(x,y)像素點處的背景樣本集(樣本集大小為N)；SR(I(x,y))表示以點(x,y)為中心R為半徑的區(qū)域；T表示特定的閥值。

ViBe算法的初始化僅通過一幀圖像即可完成。對于一個像素點，隨機選擇它的鄰居點像素值作為它的模型樣本值，設(shè)t=0初始時刻，在像素點(x,y)的8領(lǐng)域內(nèi)隨機選取N個像素值I1,I2,I3,…,IN作為點(x,y)的背景樣本集。

1.2改進的Vibe算法

Vibe算法雖然能較好地適應(yīng)環(huán)境變化，但是還存在諸多問題：像素樣本集的重復(fù)選取；由于閥值是人為選定，前景提取會出現(xiàn)小目標和空洞；由于本文研究的視頻是從頭頂往下拍攝，所以提取的前景圖像中，人頭和身體部分會重疊，影響后期人頭特征的處理[5]。

(1)樣本選取問題。由于經(jīng)典的Vibe算法在初始化背景M(x,y)時，采用隨機策略從I(x,y)的8領(lǐng)域中選取20個樣本，所以每一個樣本至少被重復(fù)選取了2次。這樣的選取方式導(dǎo)致選取樣本過于集中，會造成像素的錯誤分類。針對這一問題，本文采用擴大鄰域的方式，采用均勻分布的隨機數(shù)生成算法，從I(x,y)的24鄰域中選取20個樣本用于初始化背景模型，從而有效避免像素的重復(fù)選取，降低了錯誤分類的概率;

(2)小目標丟棄與空洞修復(fù)。由于受光照變化和背景中小目標運動的干擾，導(dǎo)致檢測結(jié)果中會出現(xiàn)一些虛假的小目標，且運動目標會出現(xiàn)殘缺現(xiàn)象，如圖1所示，這會對實際應(yīng)用系統(tǒng)的精確性產(chǎn)生影響[6]。例如，在智能視頻監(jiān)控中，虛假小目標的出現(xiàn)會導(dǎo)致虛假警報的發(fā)生;運動目標殘缺會導(dǎo)致目標漏檢問題。因此，改進的Vibe算法采用了對一些小的目標進行丟棄，并修復(fù)真實運動目標空洞的策略。算法步驟如下:求取前景圖像上的聯(lián)通區(qū)域，得到聯(lián)通區(qū)域集合B1{b1,b2,…,bm};如果聯(lián)通區(qū)域內(nèi)的像素數(shù)min而

圖1　改進的Vibe算法效果圖

(3)人頭輪廓與身體重疊的問題。如圖2(b)所示，雖然前景圖像被完美提取出來，但是人頭與身體部分重疊較多，影響后期人頭特征的提取及人數(shù)清點。在本文研究過程中，發(fā)現(xiàn)幀差法在本課題中不是很合適，由于人進出升降機時的速度不是很快，所以幀差法提取的前景中有很大空洞。但是如果結(jié)合Vibe算法提取的前景，可以讓頭部的輪廓更加明顯[7]。所以本文提出了一種融合了幀差法的Vibe算法。

該算法實現(xiàn)起來很簡單，假設(shè)由幀差法提取的二值化前景圖像為FD(x,y),而改進后的Vibe算法得到的二值化前景圖像為Vibe(x,y),將兩者簡單相與

(2)

當兩個算法中對應(yīng)像素點都為前景點時，該像素點才為前景點，再用小目標丟棄與空洞修復(fù)的方法，即可得到如圖2(d)所示的二值化前景圖像。

圖2　融合了幀差法的Vibe算法圖

圖3　提取輪廓

2　人頭的橢圓擬合

2.1人頭特征點選取

由于一般的升降機攝像頭都安裝在相對于升降機出口的內(nèi)測，而本文對人頭跟蹤的區(qū)域僅限于升降機出口處，所以攝像頭相對于人頭是一種斜視的角度，當人進出升降機時，在監(jiān)控視頻中需要跟蹤計數(shù)的區(qū)域內(nèi)，人頭頂部的點有一個特征：該點位于跟蹤區(qū)域垂直方向局部最高處[8]。所以在前景提取的結(jié)果圖中，該點的左邊m個像素均為背景像素，并且該點豎直方向上的上一個點和它的左右各n個像素點也為背景點。求取人頭頂部特征點的步驟如下：(1)提取圖像中運動目標的輪廓，如圖3所示；(2)從圖像左上角開始掃描圖像，發(fā)現(xiàn)像素值為255(運動目標輪廓點)，則檢測圖像中該點的左邊m個點的像素值大小。否則，該點不可能為特征點，檢測圖像中下一點；(3)若這m個像素值均為0(背景)，則檢測該點上一個點和它左右各n個像素值的大小。否則該點不可能為特征點，舍棄，檢測下一點；(4)若再次檢測的點均為0(背景)，則該點可能為人頭頂部的點，存入動態(tài)數(shù)組中。否則該點不是人頭部點，舍棄，檢測下一點。

2.2數(shù)據(jù)點采集

特征點選取完成后，依次在特征點左右兩邊的輪廓線上采集K個數(shù)據(jù)點存到動態(tài)數(shù)組中。圖4為人頭部輪廓圖，點H為求取的人頭部頂點，從H點開始分別向左右兩邊依次在輪廓采集K個數(shù)據(jù)點存入動態(tài)數(shù)據(jù)中。由于本文采用單目攝像機，升降機內(nèi)監(jiān)控區(qū)域只有進出口這塊區(qū)域，所以頭部目標和攝像機之間的距離相差不大，需要采集的數(shù)據(jù)點的數(shù)目也大致相同。所以不必考慮K取值的多樣性。

圖4　人頭部輪廓示意圖

圖5　橢圓擬合效果圖

2.3橢圓擬合

采集完所有特征點對應(yīng)的數(shù)據(jù)點以后，本文采用閆蓓提出的基于最小二乘法的橢圓擬合改進算法進行橢圓擬合[9]。

二次平面方程可以寫成

H(γ,Y)=γTY=ax2+bxy+cy2+dx+ey+f=0

(3)

其中，γ=[abcdef]T;Y=[x2xyy2xy1]T。由數(shù)學(xué)原理可知，當曲線方程系數(shù)滿足b2-4ac=-1時，式(3)中表示的曲線方程為橢圓。

該最小二乘橢圓擬合，采用廣義特征根方法進行求解，算法簡單高效，并且魯棒性好。結(jié)果如圖5所示。

3　人員跟蹤計數(shù)

人頭擬合后，將檢測出人頭的質(zhì)心作為運動的跟蹤點，這樣在跟蹤過程中，若頭部的某一部分被遮擋，只要頭部能被檢測并擬合，跟蹤目標就不會丟失。

3.1最近距離匹配算法

本文還考慮了兩幀間同一目標點的歐幾里得距離、運動速度和方向信息，給出了一種跟蹤算法。由于人進入升降機時絕大多數(shù)情況都是勻速進入，并且由于視頻的兩幀圖像時間間隔很短，完全可以把兩幀之間的運動物體看作是勻速運動[10]。

設(shè)一圖像序列I=(I1,I2,…,In,…)第n幀圖像檢測到m個目標s1,n,s2,n,…,sm,n，目標si,n(1≤i≤m)的中心坐標記為(pos_xi,pos_yi)。第n-1幀檢測到的k個目標記作T=(T1,T2,…,TK)，其中Ti=(pri_xi,pri_yi,vx,vy,…,flag)，pri_xi和pri_yi表示第i個目標的坐標。vx,vy表示第i個目標的速度，t表示連續(xù)未匹配成功的幀數(shù)。flag為目標初始位置標志，初值為-1。

具體算法如下：

(1)位置預(yù)測。利用卡爾曼濾波器估計n-1幀各目標質(zhì)心點在第n幀的位置和速度，以目標Tj(1≤j≤k)為例，表示第j個目標在第n-1幀檢測到的參數(shù)，設(shè)該點在第n幀的預(yù)測位置為sj；

(2)計算sj,n和sj的歐幾里得距離，得出距離值d=‖sj,n-sj‖；

(3)對第n-1幀目標鏈T中所有目標Tj(j=1,2,…,k)，計算目標的深度值D=(d1,d2,…,dk)，求得dj=min(D)。設(shè)同一頭部目標在兩幀間運動距離上限記為th。若di≤th則匹配成功，判定sj,n為Tj在第n幀出現(xiàn)的新位置，執(zhí)行步驟(4)，否則判定sj,n為一個新目標，執(zhí)行步驟(5)；

3.2跟蹤計數(shù)算法

結(jié)合本課題需實時監(jiān)測在升降機中的人數(shù)，所以把檢測區(qū)域設(shè)為升降機的進出口，如圖6所示，在升降機的檢測區(qū)內(nèi)，設(shè)置兩條輔助線Line1和Line2, 當人頭在圖6中Line1到升降機門這個區(qū)域內(nèi)首次被檢測到時，人頭質(zhì)心的flag賦值為0；當人頭在Line2到升降機內(nèi)部這個區(qū)域內(nèi)首次被檢測到時，人頭質(zhì)心的flag賦值為4。

當人進入升降機的檢測區(qū)域時，人頭的質(zhì)心被追蹤到后：

(1)當flag為0或2的情況下，質(zhì)心先經(jīng)過Line1，再經(jīng)過Line2時，flag為1，則升降機內(nèi)人數(shù)加1。當目標離開檢測區(qū)域，將其刪除；

(2)當flag為1或3的情況下，質(zhì)心先經(jīng)過Line2，再經(jīng)過Line1時，flag為2；則升降機內(nèi)人數(shù)減1。當目標離開檢測區(qū)域，將其刪除。

圖6　跟蹤計數(shù)示意圖

4　實驗結(jié)果與分析

為驗證本文跟蹤計數(shù)算法的優(yōu)越性，通過模擬升降機平臺的壞境進行了實驗，實驗設(shè)備包括：瑞士堡盟工業(yè)相機，型號為EXG50c，實驗用的計算機配置：Intel 酷睿 I5-4200H 2.8 GHz CPU,4 GB DDR3 內(nèi)存。處理圖像分辨率為640×480，實驗時，攝像頭放在適當?shù)母叨?，拍攝區(qū)域與升降機內(nèi)部空間大小相似。

實驗時，測試了7種不同的檢測人數(shù)，圖7所示為檢測人數(shù)為2人時的情況。

圖7　實驗檢測圖

圖7(a)中為原始視頻的第611幀圖像，通過改進的Vibe算法對其進行運動分割,得到大致的頭部區(qū)域，再通過橢圓擬合得到運動目標的質(zhì)心，通過對質(zhì)心的跟蹤，實時得到升降機內(nèi)的人數(shù)。該圖中，測試人員均向著門外走去，當目標如圖7(b)中第623幀圖像所示時，失去追蹤目標，升降機內(nèi)人數(shù)減2。試驗后，獲取結(jié)果如表1所示。

表1　算法運行時不同人數(shù)比較

表1為本文算法運行時不同人數(shù)的比較，由于該算法是實時檢測的，并且在關(guān)閉升降機門后不檢測。相比較文獻[8]的算法，本文算法對光照變化不敏感，檢測精度也有所提高，檢測具有實時性。

5　結(jié)束語

本文采用動態(tài)的方式，在建筑工人進出升降機的區(qū)域內(nèi)對升降機內(nèi)人數(shù)進行實時統(tǒng)計。當升降機門關(guān)閉時，停止檢測計數(shù)，實時性和魯棒性較高，能夠準確判斷升降機內(nèi)人數(shù)是否超載，具有較高的使用價值。

[1]應(yīng)俊，李強.基于改進的Hough變換的電梯轎廂內(nèi)人數(shù)統(tǒng)計算法[J].計算機工程及應(yīng)用，2014,50(19)：165-168.

[2]靳海燕,熊慶宇,王凱,等.基于圖像處理的電梯轎廂內(nèi)人數(shù)統(tǒng)計方法研究[C].儀器儀表學(xué)報,2011，32(6)：161-165.

[3]王君偉.基于DTW的紅外自動乘客計數(shù)方法研究[D].上海：上海交通大學(xué),2008.

[4]鄭翔翔，張怡.基于頭部檢測和跟蹤的人數(shù)統(tǒng)計方法[J]. 計算機應(yīng)用與軟件, 2011，28(2)：44-46.

[5]嚴紅亮,王福龍,劉志煌,等.基于ViBe算法的改進背景減去法[J].計算機系統(tǒng)應(yīng)用,2014,23(6)：130-134.

[6]尹凱,魏江,李正,等.改進的Vibe運動目標檢測[J].電子設(shè)計工程,2014,22(16)：177-180.

[7]李洪杰,程欣宇,任海林.一種基于幀差法和vibe算法的前景檢測方法[J].圖像與多媒體技術(shù),2014(21)：119-120.

[8]顧德軍,伍鐵軍.一種基于人頭特征的人數(shù)統(tǒng)計方法研究[J].機械制造與自動化,2010(4)：134-138.

[9]閆蓓,王斌,李媛.基于最小二乘法的橢圓擬合改進算法[J].北京航空航天大學(xué)學(xué)報,2008，34(3)：295-298.

[10]宋迎春.動態(tài)定位中的卡爾曼濾波研究[D].長沙：中南大學(xué),2006.

Use of Machine Vision in Counting of the People in Building Lift

CAOWeidong,ZHANGZhongwei

(CollegeofInformationScienceandTechnology,DonghuaUniversity,Shanghai201620,China)

Inordertolimitthenumberofbuildinglifts,andtopreventoverloadingofthelifts,amethodforthedetectionofthenumberofworkersinliftbasedonmachinevisionisproposedinthispaper.Intheareawheretheworkersentertheentry,theimprovedVibealgorithmisusedtosegmentmovingobjectsinvideoimages,andfieldsmoothingtoremoveimagenoise.Theheadisfittedbyellipsefitting,andthecentroidoftheellipseistrackedandcountedbythenearestdistancematchingmethodbasedontheKalmanfilter.Thisalgorithmhasgoodaccuracyandrobustnessincountingoftheworkersinthelift.

machinevision;countingpeopleinlift;humanheadsegmentation;targettracking

2016- 12- 21

曹偉東(1990-)，男，碩士研究生。研究方向：數(shù)字圖象處理。張中煒(1957-)，男，高級工程師，教授。研究方向：工業(yè)控制自動化等。

10.16180/j.cnki.issn1007-7820.2016.09.007

TP242.6+2

A

1007-7820(2016)09-022-04