摘 要: 文中将以一个地铁站或火车站为例, 提出一种特征抽取方法去辨别在候车的人群, 并运用图像处理技术去探测出某时刻的人群拥挤情况; 同时, 用c语言编写所有的程序。

关键词: 特征抽取; 图像处理; 视觉信息; 人群监测; 边缘检测; 阈值法; 人群密度
 
      过去几年以来, 在自动监测系统领域里, 出现了新的研究课题, 那就是地铁站和火车站人群的估计和检测。大多数的监测系统在现实生活中, 都是操作员使用一台台摄像机去获得视觉信息, 实时的监控是知道到底有多少人在车站的最好方法。由于在人流的高峰时期经常会有事故发生, 所以我们必需控制人群的数量。例如, 在香港, 由于上下班高峰期有成千上万的路人快速地经过这些拥挤的车站, 当人流过高的时候会大大提高车站的危险程度, 而许多意外都是发生在混乱的场合里, 所以大多数的地铁都会在人们的必经之路安装摄像机。在这些情况下, 如何疏导人流和限制过多的人进出车站, 使在车站候车的人们感到舒适和安全就显得非常重要, 如何做到实时管理和控制并且反馈到地铁中心是当今监测领域的主要研究内容。
      本研究将利用在地铁和火车站现有的闭路电视 (cctv) , 通过计算机去处理所得图像, 然后得出估计的人群密度。
1 人群检测的特征抽取
      特征抽取是定位和追踪目标过程的一个重要步骤, 它要求计算机能认出这个目标的特征。wwW.11665.cOm
      近几年来, 人们做了许多关于人群监测的研究, 这些研究都使用了许多火车站和地铁中闭路电视 (cctv) 系统。在现代的cctv系统中, 大多使用即时的数字化图像, 而在人群监测的过程中使用了大量的视像信息技术, 例如边缘检测、细化、像素计算。通过这些图像处理的结果, 可以轻易得出想要的结论, 例如人群密度、拥挤情况等。特征抽取的目的是在黑白的录像中抽取低级的人群视像信息。这些视像信息可以区别出不同程度的人群密度。
      在实时系统中, 图像处理技术可起以下作用:①移除背景, 测量在此背景下被多少人群所占据;②边缘测量, 测量这些人群占据区域的边界。
      然后, 它还需要一个用于分析的模板去测量上述处理过的每个事物的特征。最优的方法是使用时间和空间信息的kalman filter (dekf)系统。在现实中, 地铁站或火车站台都会安装多个摄像头, 监控人员可以通过每个摄像来判断当时的人群数量和人流预测。
2 主要设计思路
      在研究中, 我们主要的目标是编写利用图像处理技术来监测在拥挤的车站里的人群密度的程序, 使其自动的根据实时的数字图像辨别出在车站人流的多少, 也就是说, 会编写一个可以在高、中、低三种人群密度都可以进行监控的程序。因为要寻找出数据和人群密度之间的关系,需要做许多试验, 例如边缘检测、阈值运算, 然后组合这些数据, 得出结论。
在本文中, 探讨的人群监测的每幅图像的大小都是320* 240像素。所有的图像都来自同一个摄像点。 整个程序的基本工作流程如图1所示:

3 主要过程
3.1 灰度化
      把图像转变成灰阶为8 bit的灰度图。
3.2 背景移除
      顾名思义就是把图像的背景除掉。通常来说, 在一帧图像中, 重要的信息会由于变化多端的背景存在而变得不太明显。而把背景移除掉,会使信息变得清晰, 更加统一。在进行边缘检测和阀值运算时, 背景移除是非常有用的一步。通过移除一些固定的事物到达移除的目标, 如轨道、墙、人、火车, 还有棚。因摄像机位置是固定的, 所以同样的移除对象将会适用于整个试验过程。但对于不同的摄像机, 对象会有所不同。
      这个程序需要一些合成图像, 主要分为两个部分, 一为以黑色覆盖, 移除火车和墙等背景的图像; 二为以白色覆盖, 移除人物背景的图像。为了能够更加准确地获取数据, 需要另外一组的合成图像, 同样分为两部分, 但与第一组正好相反, 以白色覆盖, 移除火车和墙等背景的图像,以黑色覆盖, 移除人物背景的图像。
      为了能够更容易地对比源图像和合成图像,首先给出源图像(图2)。

      正如大家所见, 这些从地铁站和火车站的闭路电视中获得的图像都是有一定规律的, 相对的火车和墙等背景是不变的, 处理的结果如图3。

      从图3所得, 合成图由两个部分组成, 以黑色覆盖移除火车和墙等背景的图像; 以白色覆盖移除人物背景的图像。然后, 我们需要另一组数据, 所以给出下列的合成图 (图4)。

      图4显示, 这组图像同样分为两部分, 但效果与第一组相反, 以白色覆盖移除火车和墙等背景的图像; 以黑色覆盖移除人物背景的图像。

3.3 特征抽取
      从图像中抽取不同的图像特征去定义或解释事物。在本节, 简单的介绍程序是如何获取图像数据和如何区别人群密度, 总体可分为两部分。
3.3.1 边缘检测
      边缘是关于一系列连续的像素, 边缘检测的目标是计算如何有效地在边缘抽出图像的运算法则。图像分割的方法有很多, 本程序采用较简单的阈值法提取人群的边缘, 并把图像分为两种颜色白色和黑色, 这是体现出使用合成图像的重要, 还可以把图像进行对比 ( 图5) 。边缘人群为白色, 整个图像的背景为黑色, 这样就能轻易简便地把图像中的白点计算出来, 然后再把数据记录下来。通过成千上万的图像分析, 并获得数以百万计的边缘人群数据, 这将会为人群检测提供重要资料。

      在边缘检测后, 可以轻易地计算出上述白点, 这是进行人群目密度检测时候最为重要的数据之一, 为条件a。
3.3.2 阈值运算
      简单的说是运用在灰阶图像上的图像分割,对灰度图像的取阈值分割就是先确定一个处在图像灰度取值范围之中的灰度阈值, 然后将图像中各个像素的灰度值都与这个阈值相比较, 并且根据比较结果将对应的像素划为两类: 像素的灰度值大于阈值的为一类; 像素的灰度值少于阈值的为一类。值得注意的是, 阀值法的结论很大程度会受到当时人群中的人的穿着和光线的影响。本研究采用灰度直方图确定最佳阈值。
      首先有合成图像和已经边缘检测了的图像进行比较, 生成一幅新图 (图6), 黑色代表火车和墙, 还有人也是用黑色表示, 剩余部分是白色。

      经上述操作, 记录下黑色点个数, 这也是进行人群密度检测时最为重要的数据, 为条件b。
      然后用合成图像2和已经边缘检测了的图像进行比较, 生成一幅新图 ( 最终结果图2) , 白色现在代表火车和墙, 还有人, 而剩下的全为黑色。结果如图7。
      记录下白色点的个数, 作为进行人群密度检测时候最为重要的数据, 为条件c。
      经过上述的运算, 三个条件a、b、c都已经计算出总的点数了, 给出公式。
      因为图像大小规定在320* 240像素, 所以其总像素76 800点。当a, b, c三个条件的个数都大于38 400, 则定义为高人群拥挤密度; 有两个值大于38 400, 也定义为高人群拥挤密度; 只有一个值大于38 400为中等人群拥挤密度; 都小于38 400为低人群拥挤密度。
4 结果
      本节给出部分运行结果, 如图8。

5 结论
      在人类生活越来越重视安全的时代, 控制地铁站和火车站的人流是十分必要的。为了避免事故的发生, 现今的大部分地铁站和火车站都运用大量的摄像设备去实时监测和控制人流。但是,这类监测系统在现实使用中还存在不少问题。 首先, 就是监控问题, 监控系统要使用大量的摄像头去捕抓人类活动的信息, 需要比较高速的预算能力、数据处理能力和较高的成本; 第二是监控人员, 监控人员必须同一时刻监控不同摄像头在不同位置拍摄到的实时图像, 这就要求监控人员要有较快的反应能力, 但要求监控人员要在所有时间内保持良好的反应能力是比较困难的; 第三, 通常使用的自动监测人群的系统都是基于在同一个地方加、减人数的方法, 最常用的就是沿用jukkala提出的用光线计算人数的方法, 但是这种方法要具备稳定的光源, 当外部环境改变时就使其有效性大大降低; 另一种方法是mudaly提出的红外线检测人数, 在一个直长的走廊里, 安装红外线检测探头, 这种方法比较稳定。因此, 为了降低人为因素和误差, 近年来在实时监测系统上作了大量的自动化研究, 希望能用电脑设备代替监测人员去分析人流的高低, 它们可以在地铁站和火车站的任意地方安装摄像头或检测点, 运用图像技术处理实时的数字图像,并且在一定的范围类得到应用。
      文中探讨使用特征抽取技术去辨别人群密度, 其中包括边缘检测、阈值运算等最简单的方法去尝试完成在地铁或火车站的人群检测。本研究程序能辨别出指定时间的图像信息, 自动划分出高、中、低三种人群密度。初步结果表明: 利用图像处理分析图像, 特征提取来辨别实时的人群密度是可行的, 并且具有广泛的前景, 随着计算机技术必将对实时监测系统产生更大的影响。
 
参考文献:
[1] kenneth r.castleman.digitalimage processing. pentice hall,engledwood cliffs,1996.
[2] dr.daivd chou.computer graphics, 2001.
[3] dr.daivd chou.edge detection, 2001.
[4] extracting features from nonnegative data with topical application to molecular biology, hopfield group princetonuniversity:30￣40;1998.
[5] b.a.boghossian,s.a.velastin.evaluationof motion-based algorithms for automated crowd management, 2000.
[6] mark s.nixon,alberto s.aguado.feature extraction and imageprocessing,ieee12:726￣730;1996.
[7] dave marshall.edge and edge detectors,2000.
[8] e.obrigham.thefastfouriertransformandits applications. prenticehall,engledwoodcliffs,n.j.,1988.