《基于视频的航站楼旅客人体特征辨识》由会员分享，可在线阅读，更多相关《基于视频的航站楼旅客人体特征辨识（8页珍藏版）》请在金锄头文库上搜索。
1、基于视频的航站楼旅客人体特征辨识 董鸿吉 邵荃 周航 南京航空航天大学 摘 要： 为更好地实现航站楼智能监控, 在分别分析航站楼不同功能区监控视频图像特征及特征提取效果之后, 选择人头纹理特征和路径特征作为在各分区普遍适用且识别与跟踪效果良好的一组识别特征。在混合高斯背景模型前景检测算法基础上, 引入基于 YCbCr 颜色空间阴影去除法实现阴影去除, 提高前景检测精度;并基于此, 分别利用基于 GLCM 的算法与光流法实现人头纹理特征与路径特征的提取, 提高航站楼人员识别率。关键词： 特征选择; 特征提取; 前景检测; 阴影去除; 作者简介：董鸿吉。E-mail:。收稿日期：2017 年 4
2、月 24 日基金：国家自然科学基金 (71573122, 71303110) 资助Identification of Body Characteristics of Passengers Based on VideoDONG Hong-ji SHAO Quan ZHOU Hang Nanjing University of Aeronautics and Astronautics; Abstract： In order to better realize the intelligent monitoring of the terminal building, after analyzing t
3、he characteristics of the video image and the feature extraction function of the different functional areas of the terminal station, the head texture feature and the path feature, which are widely used in the terminal district and has the better recognition and tracking effect as identification feat
4、ures were selected. Based on the hybrid Gaussian background model foreground detection algorithm, the shadow removal algorithm based on YCbCr color space is introduced to improve the foreground detection accuracy. And based on this, the GLCM-based algorithm and the optical flow method are used to re
5、alize the extraction of the head texture features and path characteristics, and improve the recognition rate of the terminal.Keyword： feature selection; feature extraction; foreground detection; shadow removal; Received： 2017 年 4 月 24 日随着经济的飞速发展国民生活水平提高, 民航业得到进一步腾飞;而民航的发展不仅方便了人们的出行, 在某些程度上更反过来带动了地区社
6、会经济的对外交流。然而福祸相依, 在实现快速繁荣发展的道路上, 安全成了最大的阻碍。想要达到实时高效地监管航站楼内所有人员的目的, 人体特征的智能提取是一项重要研究课题。由于人体特征种类繁多, 且某一特征可能存在多种不同的提取方法;航站楼又具有区别于其他建筑独特的功能特性, 为节省计算时间和成本只需从众多特征中选取出航站楼监控视频内人员共有, 同时识别与跟踪效果良好的一组代表特征进行特征检测与识别即可。对图像进行的一切处理, 均以将运动目标从视频图像中提取出来为前提。针对前景检测的研究, 中外学者现已将对视频图像中运动物体的统计分析转化成对较小的图像背景像素进行建模分析;且提出了大量检测方法。
7、图像的背景或相对稳定, 或动态变化, 据其这一特点可将现主流前景检测方法分为 3 类:帧差法1,2、光流法3,4、背景减除法, 其中混合高斯背景模型前景检测方法应用最为广泛;该方法能较好地适应航站楼内的光感变化。前景检测完成之后, 需进行阴影去除处理, 以提高特征识别准确率, 利于最终的特征提取。1 航站楼旅客识别特征选取1.1 航站楼功能航站楼的主要功能是为出发旅客提供值机、安检候机登机, 对于国际旅客所需的海关, 检验检疫, 边防等全部设施设备;以及为到达旅客提供到达大厅, 行李提取区等全部设施设备, 并尽可能为旅客提供与地面公共交通的连通口。除了以上旅客所必需的功能区外, 航站楼内设有航
8、空公司、机场、安保等方面的工作区, 同时, 考虑到接送人流以及候机旅客的商业价值, 航站楼内还包括了规划建设的商业区。1.2 视频监控系统摄像头布局航站楼内各功能区相连, 各区域的环境与功能特性直接影响该区域的监控需求程度及力度, 即影响该区域摄像头设置的数量与类别。值机大厅、安检区、候机大厅和到达大厅是旅客的流程路线, 人流压力最大, 对这四个区域的监控摄像头均要求能全面无死角覆盖整个区域, 且还能适应昼夜温差, 光差等的变化。值机大厅和候机大厅内区域宽阔, 其监控摄像头一般有较多角度 45俯视的球形 360旋转摄像头, 但其中对值机岛的监控, 摄像头角度需不大于 30以能看清旅客、证件及手
9、续等;安检区区域相对狭小, 因此一般配置多角度 30俯视的固定摄像头。另外行李分拣区、各个通道和电梯一般配置 30俯视摄像头, 商业区配置 45俯视摄像头, 办公区配置无死角90俯视摄像头。1.3 航站楼视频图像特征分析通过以上对航站楼功能以及摄像头布局分析, 可大概了解到航站楼内部各功能区摄像头空间布局样式, 然而想要到达基于视频图像分析的智能人体识别与跟踪的目的, 需要选取航站楼各区域人体识别率较高的特征, 作为识别特征用于计算分析。由于可供选择的人体特征建立于所获得视频图像所能表现出的特征的基础上, 需分别对如图 1 所示的航站楼主要功能区图像特征进行分析。图 1 监控图像 Fig.1
10、Monitoring image 下载原图图 1 (a) 为值机大厅监控画面图像, 画面中存在多种特征, 包括颜色、身高、人头、人脸、人整体轮廓、纹理等。由于值机大厅内人流密度大, 旅客位置分布紧密人群遮蔽情况严重, 因此颜色重复率高且难以获得完整的人体轮廓以及准确估算旅客身高;同时, 其内部空间巨大, 摄像头分布在四周, 拍摄得到的画面一般取景较远较深, 从而影响人脸特征的提取。但由于画面中旅客的人头遮蔽情况相对少, 且监控摄像头全面无死角覆盖, 因此人头及纹理特征识别效果较好, 亦可通过多个摄像头的拼接掌握旅客运动路线。在图像处理层面, 通过目标跟踪获得该旅客的质心移动路径, 即旅客移动路
11、径, 因此路径特征亦可作为候选特征之一。如图 1 (b) 所示候机大厅监控画面与值机大厅相似, 人头、纹理与路径特征同样适用该区域。两者不同之处在于, 前者区域内人群较分散, 相较后者遮蔽程度减弱, 因此可勉强提取出身高与轮廓特征, 但效果一般;且此区域内旅客的目的一般是找到自己的候机区域然后等待登机, 而从安检口到达候机区域之间一般为封闭式通道, 因此旅客的运动方向相对摄像头来说不是向前便是向后, 通过多视频拼接可获得较清晰的人脸特征作为识别特征。如图 1 (c) 所示安检区域较狭小, 摄像头所拍摄画取景很近, 能较清晰地看到从摄像头下走过的旅客整体;同时, 如图 1 (d) 所示通道内旅客
12、流量显著减少遮蔽情况减弱, 且摄像头同样无死角覆盖, 因此这两个区域内身高、人头、纹理、人体轮廓、人脸和路径等均能被提取以作为识别特征。1.4 特征选取综合以上分析可得主要功能区适用特征列表, 如表 1 所示。考虑到需要选择在航站楼内普遍适用, 同时满足动静特征相结合的一组识别特征以提高目标识别准确率与效率, 据表 1 的统计选择人头纹理特征和路径特征作为识别特征组合。表 1 主要功能区适用特征列表 Table 1 The list of suitable feature in the main functional area 下载原表 2 特征提取与识别2.1 混合高斯背景模型前景检测航站楼
13、内摄像机固定, 适用于背景减除法, 又因航站楼内人员密集遮挡情况相对严重, 且光照变化等因素容易引起视频图像背景的变化, 为检测到较完整运动目标, 采用能较好适应光感变化的基于混合高斯算法建立背景模型的方法。该算法的基本思想为, 将图像的像素值认为是按前景高斯分布和背景高斯分布两种模型分布的, 若某点像素值符合前景高斯分布, 就可被看成前景点;若符合背景高斯分布, 则被看成背景点。混合高斯背景模型算法基本分为三步:背景建模、背景模型实时更新和目标检测9。2.1.1 背景建模为视频序列图像中的任何一个像素点建立 K 个高斯分布, 用这 K 个高斯分布的加权结果之和来描述视频场景, 即图像中任意像
14、素点的像素值 xi的概率密度函数可由式 (1) 来表示:2.1.2 背景模型实时更新新获取的像素值 xi是否满足已有的 K 个高斯分布, 决定了混合高斯模型的背景是否更新, 若满足就需要为其建立 K 个新的分布, 其高斯分布的权值、均值和方差按式 (2) 更新:式 (2) 中, 表示混合高斯模型的更新速率, 其取值范围为0, 1, 且 Mi, t取值为 1。对于未匹配的像素点, 建立一个新高斯分布, 替代原有的 K 个混合高斯模型按 si, t=wi, t/ i, t排降序时最后的高斯分布, 且该新建的高斯模型的均值与方差都不变, 权值按式 (2) 的权值公式变化, 且 Mi, t取值为 0。
15、2.1.3 检测运动目标K 个高斯分布据 s 值的大小排成降序序列, 然后可据式 (3) 检测运动目标:式 (3) 中, T 为阈值。式 (3) 表明用前 B 个高斯分布来描述背景, 则若当前图像某点 xm与前 B 个高斯分布中某一个分布相匹配, 即其对于该分布满足条件, 则可判断该点为背景点, 反之则为前景点。2.2 基于 YCb Cr 颜色空间阴影去除由于光照等因素的影响, 阴影极易伴随前景一并被检测出来, 为提高特征识别准确率需对前景检测结果进行阴影去除处理。基于图像特征的方法是现今阴影去除算法的主流思想之一, 其基本原理是利用阴影与背景图像的一些基本属性, 如亮度、色调、饱和度、梯度和
16、纹理等特征存在的明显差异而实现阴影去除。YCb Cr 颜色空间的三个分量 Y、Cb、Cr 分别代表图像的亮度信息、偏蓝色信息和偏红色信息, 且亮度信息与后两种色度信息互不影响。基于该颜色空间阴影去除算法的理论依据为阴影区域像素的亮度与背景像素的亮度存在明显差异, 而两者的偏蓝色与偏红色信息相同。计算时, 首先将前景图像与对应背景图像分别映射到 YCb Cr 颜色空间中, 并得到映射后的前景与背景图像中各像素的Y、Cb、Cr 三个分量, 然后当某像素点满足式 (4) 时, 可判定该点为阴影。式 (4) 中, F k (a, b) 、F k (a, b) 、F k (a, b) 分别表示第 k 帧前景图像像素点 (a, b) 的 Y、Cb、Cr 信息;F k (a, b) 、B k (a, b) 、B k (a, b) 分别表示当前帧对应背景图像像素点 (a, b) 的 Y、Cb、Cr 信息;T Y、T Cb、T Cr分别表示 Y、Cb、Cr 信息差分阈值。
