基于圖像的人數(shù)統(tǒng)計(jì)方法綜述

范欣欣

摘要：人數(shù)統(tǒng)計(jì)一直是計(jì)算機(jī)視覺(jué)系統(tǒng)研究的一個(gè)重要內(nèi)容，近年來(lái)廣泛用于多種場(chǎng)合，利用圖像信息對(duì)教室中的人數(shù)進(jìn)行統(tǒng)計(jì)已經(jīng)成為主流。文章首先通過(guò)對(duì)近年來(lái)的相關(guān)文獻(xiàn)進(jìn)行整理和歸納，總結(jié)出適用于教室環(huán)境中的人數(shù)統(tǒng)計(jì)方法，并將適用于教室環(huán)境中的人數(shù)檢測(cè)算法分成3類進(jìn)行討論：基于人頭檢測(cè)的方法、基于膚色檢測(cè)的方法、基于人臉檢測(cè)的方法；其次，對(duì)典型的算法針對(duì)教室人數(shù)進(jìn)行了仿真重現(xiàn)；最后對(duì)各種算法進(jìn)行了分析和總結(jié)。

關(guān)鍵詞：人數(shù)統(tǒng)計(jì)；教室環(huán)境；人頭檢測(cè)；膚色檢測(cè)；人臉檢測(cè)

人數(shù)統(tǒng)計(jì)作為數(shù)字圖像處理和計(jì)算機(jī)視覺(jué)領(lǐng)域中的重要內(nèi)容，具有很強(qiáng)的研究意義和應(yīng)用價(jià)值。目前，人數(shù)統(tǒng)計(jì)已經(jīng)成為商場(chǎng)、旅游景點(diǎn)、火車站、機(jī)場(chǎng)等統(tǒng)計(jì)客流量的重要方法。在教育方面，人數(shù)統(tǒng)計(jì)也大有用武之地。人數(shù)統(tǒng)計(jì)已經(jīng)成為衡量課堂出勤率的新標(biāo)準(zhǔn)。同時(shí)，人數(shù)統(tǒng)計(jì)可以應(yīng)用于自習(xí)教室，方便學(xué)生了解自習(xí)室的空座位的情況。此外，可以通過(guò)檢測(cè)教室和自習(xí)室中的人數(shù)自動(dòng)地決定照明、取暖和制冷電器的使用情況，從而達(dá)到減少達(dá)到節(jié)能的作用。人數(shù)統(tǒng)計(jì)具有較強(qiáng)的針對(duì)性，對(duì)于不同的環(huán)境，所采用的人數(shù)統(tǒng)計(jì)方法也有所不同。對(duì)于商場(chǎng)、旅游景點(diǎn)、路口等人群活動(dòng)量比較大的地方常采用運(yùn)動(dòng)目標(biāo)檢測(cè)方法，如：選擇光流檢測(cè)法、幀間差分法、背景消減法等[1]。而針對(duì)教育方面，以上方法不適用于教室場(chǎng)景，在教室場(chǎng)景中人員基本上處于坐姿，運(yùn)動(dòng)的幅度不會(huì)過(guò)大。本文主要針對(duì)教室、自習(xí)室環(huán)境中的特點(diǎn)研究人數(shù)統(tǒng)計(jì)經(jīng)常使用的方法，并對(duì)其進(jìn)行討論。

1 人數(shù)統(tǒng)計(jì)常用的方法

早期的人數(shù)統(tǒng)計(jì)多是通過(guò)人工目測(cè)或點(diǎn)名統(tǒng)計(jì)的方法，既浪費(fèi)人力又無(wú)法高效地實(shí)現(xiàn)精準(zhǔn)的人數(shù)統(tǒng)計(jì)。隨著計(jì)算機(jī)視覺(jué)的迅速發(fā)展，基于圖像的人數(shù)統(tǒng)計(jì)逐漸占據(jù)主流，其高效性和準(zhǔn)確性都已經(jīng)有了非常大的提高。人數(shù)統(tǒng)計(jì)是從攝像頭拍攝的圖像中檢測(cè)人，并統(tǒng)計(jì)數(shù)目的過(guò)程。人數(shù)統(tǒng)計(jì)的關(guān)鍵是要確定人體的某個(gè)或某些特征標(biāo)準(zhǔn)，并對(duì)這些特征進(jìn)行描述。根據(jù)人數(shù)統(tǒng)計(jì)所采用的檢測(cè)對(duì)象不同，常用的人數(shù)統(tǒng)計(jì)方法可分為：基于人頭檢測(cè)的方法、基于人頭肩檢測(cè)的方法、基于膚色檢測(cè)的方法、基于人臉特征檢測(cè)的方法、基于頭發(fā)紋理檢測(cè)的方法。

本文通過(guò)分析目前人數(shù)統(tǒng)計(jì)的發(fā)展和研究現(xiàn)狀，將人數(shù)統(tǒng)計(jì)分為3類進(jìn)行介紹和討論：基于人頭檢測(cè)的方法、基于人臉檢測(cè)的方法、基于膚色檢測(cè)的方法。

1.1 基于人頭檢測(cè)的方法

基于人頭的檢測(cè)主要是針對(duì)人頭部的顏色空間和形狀特征、人頭肩的形狀特征“ Q ”這兩個(gè)方面進(jìn)行檢測(cè)。

何揚(yáng)名等[2]提出了利用人頭輪廓特征進(jìn)行人頭識(shí)別的方法，先檢測(cè)圖像中的輪廓區(qū)域，然后根據(jù)輪廓所包圍的面積篩選出人頭區(qū)域，再利用人頭的圓形形狀對(duì)人頭進(jìn)行識(shí)別。

顧德軍[3]提出了一種利用頭部的顏色特征和形狀特征進(jìn)行檢測(cè)的方法，選取人頭部的特征點(diǎn)，對(duì)其進(jìn)行橢圓擬合并采用最近鄰匹配方法進(jìn)行計(jì)數(shù)。該方法主要適用于人群不是過(guò)于稠密和遮擋較少的人群。

李娜等[4]提出了一種比例自適應(yīng)模板匹配的算法，對(duì)人體頭部進(jìn)行識(shí)別。根據(jù)圖像采集設(shè)備的成像特點(diǎn)對(duì)基本模板進(jìn)行大小比例縮放，從而使模板適應(yīng)于不同場(chǎng)景中的對(duì)象和目標(biāo)。

周鑫[5]采用機(jī)器學(xué)習(xí)的方法，提出兩階段人頭肩檢測(cè)算法。利用AdaBoost算法和HOG特征構(gòu)造第一階段人頭分類器，再利用支持向量機(jī)（Support Vector Machine，SVM）算法和對(duì)象請(qǐng)求代理（Object Request Broker， ORB）特征構(gòu)造第二階段分類器，對(duì)人頭進(jìn)行檢測(cè)和識(shí)別。

1.2 基于膚色檢測(cè)的方法

膚色檢測(cè)應(yīng)用于教室環(huán)境主要是對(duì)圖像中出現(xiàn)的人體臉部膚色區(qū)域進(jìn)行篩選、檢測(cè)、識(shí)別的過(guò)程。人體的膚色在顏色空間上具有較強(qiáng)的聚類特性[6]。不同人的膚色差異主要是由圖像的亮度信息引起的，受色度影響較小，利用這一特性可以區(qū)分圖像中的膚色區(qū)域和非膚色區(qū)域，以此將待檢測(cè)圖像中的膚色區(qū)域或類膚色區(qū)域篩選出來(lái)，達(dá)到識(shí)別人臉膚色的目的。以膚色作為檢測(cè)的標(biāo)準(zhǔn)，通過(guò)對(duì)待檢測(cè)圖片進(jìn)行膚色檢測(cè)，統(tǒng)計(jì)出膚色區(qū)域，從而實(shí)現(xiàn)對(duì)教室中的人數(shù)進(jìn)行統(tǒng)計(jì)的目的。

雍寶虎等[7]從視頻中取一幀作為待檢測(cè)圖像，由于膚色像素在不同的色彩空間上聚類程度不同，其選擇在YCbCr色彩空間上建立膚色模型，利用基于形態(tài)學(xué)的開(kāi)閉操作對(duì)待檢測(cè)圖像進(jìn)行預(yù)處理，然后采用AdaBoost算法訓(xùn)練分類器并對(duì)待檢測(cè)區(qū)域進(jìn)行人臉檢測(cè)，最后統(tǒng)計(jì)檢測(cè)出來(lái)的人臉區(qū)域作為教室中學(xué)生的人數(shù)。

畢雪芹等[6]利用膚色聚類特性在YCbCr色彩空間建立高斯模型，并通過(guò)AdaBoost算法構(gòu)造級(jí)聯(lián)分類器檢測(cè)膚色區(qū)域，對(duì)人臉區(qū)域進(jìn)行膚色篩選。

張爭(zhēng)珍等[8]針對(duì)膚色在不同色彩空間的聚類效果不同，提出了一種基于YCgCr色彩空間的膚色識(shí)別算法，在YCgCr色彩空間擬合之后，再利用高斯模型進(jìn)行人臉膚色檢測(cè)。該方法可以在檢測(cè)過(guò)程中有效地去除非膚色區(qū)域的影響。

1.3 基于人臉檢測(cè)的方法

人臉檢測(cè)是人臉識(shí)別的一部分，已成為近年來(lái)的研究熱點(diǎn)。人臉檢測(cè)是指計(jì)算機(jī)在包含有人臉的圖像中檢測(cè)出人臉，并給出人臉?biāo)趨^(qū)域的位置和大小等信息的過(guò)程[9]。

在教室環(huán)境中，學(xué)生上課時(shí)基本上處于抬頭的狀態(tài)，面部的信息很容易被捕捉到，因而很自然想到通過(guò)檢測(cè)人臉來(lái)達(dá)到識(shí)別“人”的目的，從而對(duì)人數(shù)進(jìn)行統(tǒng)計(jì)。

目前基于人臉檢測(cè)的人數(shù)統(tǒng)計(jì)的方法非常之多，本文根據(jù)教室和自習(xí)室環(huán)境中的特點(diǎn)，介紹3種較適合用于教室和自習(xí)室環(huán)境中的基于人臉檢測(cè)的人數(shù)統(tǒng)計(jì)方法：基于特征的方法，基于先驗(yàn)知識(shí)的方法，基于統(tǒng)計(jì)理論的方法。

1.3.1 基于特征的方法

基于特征的人臉檢測(cè)方法主要包括兩種：基于模板匹配的方法、基于特征不變性的方法[2]。

模板就是一幅已知的小圖像，而模板匹配就是在一幅大圖像中搜尋目標(biāo)[10]。模板匹配的首要任務(wù)在于找到適合的人臉模板。

基于特征不變性的方法是指人臉的不變特征，如：眼睛、眉毛、鼻子、紋理等。利用各種方法檢測(cè)這些特征，通過(guò)檢測(cè)到的特征來(lái)確定和識(shí)別待測(cè)區(qū)域是否為人臉[11]。

1.3.2 基于先驗(yàn)知識(shí)的方法

基于先驗(yàn)知識(shí)的方法就是基于規(guī)則的方法[12]，是根據(jù)已知的人臉特征：輪廓特征、形狀特征、幾何器官分布特征、對(duì)稱性特征以及它們的綜合特征等先驗(yàn)知識(shí)，制定一定的規(guī)則對(duì)圖像中的目標(biāo)區(qū)域進(jìn)行檢測(cè)，若符合標(biāo)準(zhǔn)則被檢測(cè)為人臉。

姜軍等[13]提出了一種基于先驗(yàn)知識(shí)的快速人臉檢測(cè)算法，其采用人臉鑲嵌圖模型，根據(jù)人臉圖像的灰度和邊緣信息建立知識(shí)庫(kù)，并采用多級(jí)檢測(cè)步驟來(lái)加快檢測(cè)速度。該方法可以適用于復(fù)雜背景下，針對(duì)多人、人臉面部表情變化不是特別大的情況。

1.3.3 基于統(tǒng)計(jì)理論的方法

基于統(tǒng)計(jì)理論的人臉檢測(cè)方法是通過(guò)對(duì)大量的人臉樣本和非人臉樣本進(jìn)行訓(xùn)練和分析后，建立一種人臉?lè)诸惼?，由分類器進(jìn)行人臉檢測(cè)[14]。人臉?lè)诸惼鞯馁|(zhì)量往往受樣本的影響比較大，因此樣本往往要符合不同環(huán)境的特點(diǎn)?；诮y(tǒng)計(jì)知識(shí)的方法主要包括：子空間的方法、隱馬爾可夫方法、支持向量機(jī)方法、AdaBoost方法、神經(jīng)網(wǎng)絡(luò)方法。

子空間方法主要可分為兩類：主成分分析法和線性判別分析法[11]，其中最常用的就是主成分分析（Principal Component Analysis，PCA）法。

SVM是在統(tǒng)計(jì)學(xué)習(xí)基礎(chǔ)上建立的一種機(jī)器學(xué)習(xí)算法。SVM方法最早是由陶勤勤[15]提出的，Osuna將該方法應(yīng)用于人臉檢測(cè)中。

基于Adaboost算法人臉檢測(cè)方法是當(dāng)前比較流行的并廣泛和其他方法結(jié)合使用的一種檢測(cè)方法。

神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)在于其可以較為準(zhǔn)確的自動(dòng)捕捉潛在的人臉面部特征，而不需要過(guò)多的主觀觀念確定人臉面部特征，基于神經(jīng)網(wǎng)絡(luò)的方法主要包括BP神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)（Convolution neural network，CNN）。

2 典型方法的仿真測(cè)試

基于人頭檢測(cè)的方法，本文采用一種基于分水嶺分割算法的例子對(duì)人頭進(jìn)行檢測(cè)。從一堂課的教學(xué)圖像視頻中抽取一幀作為待檢測(cè)的圖像，以黑色頭部為對(duì)象，根據(jù)人頭部的顏色特征：黑色和形狀特征：橢圓形，對(duì)教室圖片進(jìn)行圖像進(jìn)行一系列的形態(tài)學(xué)處理，之后采用分水嶺算法對(duì)處理過(guò)后的圖像進(jìn)行分割，統(tǒng)計(jì)分割出來(lái)的各個(gè)頭部對(duì)象塊，作為課堂上學(xué)生的總?cè)藬?shù)。

圖沖，對(duì)原始圖像（見(jiàn)圖1（a））設(shè)置合適的閾值進(jìn)行二值化操作，將黑色（主要用來(lái)標(biāo)記頭發(fā)）變?yōu)榘咨?，其余背景變成黑色（由于分割的目?biāo)是較暗的頭部區(qū)域），得到二值化后的圖像（見(jiàn)圖1（b））。

計(jì)算梯度幅值，并將其作為分割函數(shù)，對(duì)二值化后的圖像進(jìn)行分割，得到如圖2（a）的分割結(jié)果，由于圖像中存在大量的污點(diǎn)，對(duì)分割的結(jié)果影響很大，采用一系列的形態(tài)學(xué)操作對(duì)圖像進(jìn)行去噪，并能保留圖像中的原始形狀，如圖2（b）所示。

如圖3所示，根據(jù)形態(tài)學(xué)操作后的圖像計(jì)算前景標(biāo)記和背景標(biāo)記，通過(guò)利用前景標(biāo)記和背景標(biāo)記來(lái)修改梯度幅值圖像，最后采用分水嶺算法對(duì)標(biāo)記后的梯度幅值圖像進(jìn)行分割。

用顏色標(biāo)記出用分水嶺分割后的結(jié)果如圖4所示。由于攝像頭的位置是在教室前方，拍攝的照片中臉部范圍居多，采集的頭部信息較少，若采用教室后方的攝像頭進(jìn)行采集圖像，則采集的頭部信息會(huì)居多，在進(jìn)行形態(tài)學(xué)處理后的再使用分水嶺分割算法會(huì)得到更好的分割效果，從而會(huì)

4 結(jié)語(yǔ)

本文將適用于教室和自習(xí)室環(huán)境中的人數(shù)統(tǒng)計(jì)算法分為3個(gè)主要類別來(lái)討論：基于人頭檢測(cè)的方法、基于膚色檢測(cè)的方法、基于人臉檢測(cè)的方法。其中膚色檢測(cè)算法也可歸為人臉檢測(cè)算法中，但隨著膚色檢測(cè)算法的應(yīng)用越來(lái)越廣泛，膚色檢測(cè)在人數(shù)統(tǒng)計(jì)中的地位也逐步提高，因此本文將膚色檢測(cè)算法單獨(dú)列為一類進(jìn)行討論?；谌祟^檢測(cè)算法是室內(nèi)人數(shù)統(tǒng)計(jì)最實(shí)用的方法，其對(duì)角度、光線等的依賴程度不高?；谀w色檢測(cè)的人數(shù)統(tǒng)計(jì)算法對(duì)實(shí)地環(huán)境條件的要求較高，如：背景、光線等。人臉檢測(cè)的方法較為完善，并且已經(jīng)逐步成為一個(gè)較為成熟的研究方向。近年來(lái)許多專家和學(xué)者為了提高檢測(cè)的準(zhǔn)確性和更好地適用于特定的環(huán)境，結(jié)合多種檢測(cè)方法進(jìn)行人數(shù)統(tǒng)計(jì)，這也成了一種新的研究趨勢(shì)。目前，隨著人數(shù)統(tǒng)計(jì)研究的逐步深入，其應(yīng)用也越來(lái)越廣泛，不僅可以用于大型超市、商場(chǎng)、旅游景點(diǎn)的客流量分析，而且在教室和自習(xí)室環(huán)境中也具有較強(qiáng)的實(shí)用價(jià)值。

[參考文獻(xiàn)]

[1]張丙坤.基于人頭檢測(cè)的人數(shù)統(tǒng)計(jì)算法研究[D].西安：西安科技大學(xué)，2013.

[2]何揚(yáng)名，戴曙光.利用輪摩特征進(jìn)行人頭識(shí)別的方法[J].計(jì)算機(jī)工程與應(yīng)用，2010（29）：164-166.

[3]顧德軍.基于視頻圖像處理的人數(shù)自動(dòng)統(tǒng)計(jì)技術(shù)研究[D].南京：南京航空航天大學(xué)，2010.

[4]李娜，方衛(wèi)寧.基于視頻流的地鐵人群目標(biāo)識(shí)別[J].北京交通大學(xué)學(xué)報(bào)，2006（1）：96-99.

[5]周鑫.基于改進(jìn)ViBe和機(jī)器學(xué)習(xí)的行人頭肩檢測(cè)方法[D].南昌：華東交通大學(xué)，2017.

[6]畢雪芽，惠婷.基于膚色分割與AdaBoost算法的人臉檢測(cè)[J].國(guó)外電子測(cè)量技術(shù)，2015（12）：82-86.

[7]雍寶虎，李嵐，鄧勇.基于膚色分割和AdaBoost算法的人臉檢測(cè)[J].科學(xué)技術(shù)與工程，2013（11）：3119-3122， 3225.

[8]張爭(zhēng)珍，石躍祥.YCgCr顏色空間的膚色聚類人臉檢測(cè)法[J].計(jì)算機(jī)工程與應(yīng)用，2009（22）：163-165.

[9]陳雅茜，雷開(kāi)彬.人臉識(shí)別技術(shù)綜述[J].西南民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2007（4）：878-880.

[10]何東健.數(shù)字圖像處理[D].西安：西安電子科技大學(xué)出版社，2015.

[11]孫寧，鄒采榮，趙力人臉檢測(cè)綜述[C].北京：中國(guó)通信學(xué)會(huì)通信理論與信號(hào)處理專業(yè)委員會(huì)，2005：8.

[12]趙麗紅，劉紀(jì)紅，徐心和.人臉檢測(cè)方法綜述[J].計(jì)算機(jī)應(yīng)用研究，2004（9）：1-4.

[13]姜軍，張桂林.一種基于知識(shí)的快速人臉檢測(cè)方法[J].中國(guó)圖象圖形學(xué)報(bào)，2002（1）：8-12.

[14]鄭青碧.基于圖像的人臉檢測(cè)方法綜述[J].電子設(shè)計(jì)工程，2014（8）：108-110.

[15]陶勤勤.基于卷積神經(jīng)網(wǎng)絡(luò)和改進(jìn)支持向量機(jī)的人臉檢測(cè)[D].合肥：合肥工業(yè)大學(xué)，2016.