《基于数字图像处理的人员运动参数提取方法研究》由会员分享，可在线阅读，更多相关《基于数字图像处理的人员运动参数提取方法研究（6页珍藏版）》请在金锄头文库上搜索。
1、基于数字图像处理的人员运动参数提取方法研究基于数字图像处理的人员运动参数提取方法研究来源： 作者：admin 日期：2010-1-14 14:40:08 点击： 46854 次摘要：摘要：针对人员疏散研究中提取疏散场景行人运动参数的需要，采用数字图像处理技术对记录行人运动的视频进行了处理。首先对背景进行混合高斯建模并提取前景，然后采用 meanshift 算法对视频中彼此相连的多个行人目标进行有效地聚类分割并准确地跟踪每个行人，得到了包含有行人运动特性时空信息的运动轨迹，利用轨迹得到了行人在行进过程中的速度变化特征。结果表明该文所提出方法可以方便、快速、准确地提取人员运动特性参数，可望对提取人
2、员疏散实验以及真实场景中行人运动的基础数据，如速度、密度、流量等提供有效的技术手段。关键词：关键词：人员疏散；运动参数；混合高斯模型；meanshift 算法在火灾等紧急情况下，如何对公共建筑中的人近年来，为弥补疏散实验的缺失，研究人员开展员进行快速、高效的疏散是公共安全研究的重点之了一些疏散实验，他们提取疏散过程运动参数以及一。为此，研究人员提出并发展了大量的疏散模型，考察人员疏散特性的手段，可以分为两种：一种是通如社会力模型1和元胞自动机模型 E4-21等，用以过人工统计和观察的方法 E。另一种是使用数模拟不同工况下公共建筑内的人员疏散过程，考察字图像处理技术对疏散场景中的行人运动轨迹提疏
3、散时问、人员运动速度和密度、行人通过疏散通道取，再借助行人运动轨迹考察疏散过程中行人运动的流量、间隔时间分布等疏散行为的特征参数，研究的微观和宏观行为规律。它们之间的相互关系。结果表明发展疏散模型，并人工统计的方法存在费时费力，考察的运动特利用计算机进行模拟为我们认识疏散行为规律、设性的范围有限，而且数据的准确度低等缺点。而运计疏散设施提供了一种有效的技术手段。用数字图像处理技术，则可以实现自动准确地提取然而，由于人员行为的复杂性，疏散模型能否完疏散过程中每个行人目标，并自动跟踪其运动轨迹，准确地反映疏散过程中人的行为规律必须通过进而借助轨迹来考察疏散特性。Hooogendoorn 等实验加以
4、验证。因此，开展疏散实验5。收集可针对常用的视觉跟踪技术存在缺点 E333-37的事实，为以反映行人运动宏观和微观特性的基础数据，进而简化分割视频中行人目标的难度，让实验者戴上红考察疏散过程特性和行为规律就成为一项重要的基色和绿色帽子，再采用模糊聚类的方法来检测场景础性研究。但是，由于开展疏散实验的困难以及缺中的红色和绿色区域，使得实验场景中的行人在发乏一种有效的统计疏散过程中行为参数的技术手生拥挤时也能被较好的检测到 l2。但是采用该方_，真实场景，如街道或商场，中的行人检测就遇到了很大的困难。此外，上述跟踪方法的准确性也有待于进一步提高，且很难达到人机交互的目的，也很难观察和记录某一行人在
5、整个疏散场景中的运动特性。本文针对人员较密为集场景的运动行人目标检测和跟踪问题，发展了基于数字图像处理的行人运动参数提取方法，结合文献【。中利用. mean-shift算法对相连的多个目标进行聚类分割的方法，并进一步采用文献3中基于. mean-shift 算法的跟踪技术，实现了真实场景中相连的多个行人目标自动、快速、有效地分割和准确地跟踪，初步提取了复杂实际场景中行人的运动轨迹，为计算疏散过程中行人运动的流量、速度、密度等参数奠定基础。. 1模型框架本文以校园内某路段的行人流为研究对象。为了研究行人的运动轨迹等运动参数，我们选择俯视视频场景，如图. 1 所示，进行研究。图 1 视频场景. F
6、ig1 Videscene 我们首先对该场景进行高斯背景建模提取前景【4，与此同时计算当前帧和背景图片的差分图像，然后将两者结合得到只有前景区域的差分图像；其次利用基于. meanshift 算法对前景目标进行聚类分割，并计算器聚类巾心；最后将每个目标的聚类中心传人跟踪模块实现基于. menhf 算法的目标跟 a-sit 踪。系统模型框架如图 2 所示。. 2行人分割与跟踪图 2 算法流程 Fig2 Algorithm flow 21 背景建模由于阳光照射，本文研究的视频场景在行人运动条件下引起环境照度的变化，以及随时间推移，视频场景中草坪上阴影的范围也发生变化，需要我们在提取前景(运动目标)
7、时考虑到背景的相对变化。因此，本文采用了一种自适应的背景建模方法混合高斯模型。来提取前景。混合高斯背景建模方法假定场景中每一像素点可能的取值. P(xf)的概率符合以若干个特定值为均值的多个有权重的高斯子模型的累加分布：. P(X)一. W 叩(x，) (1)其中，w 是第 i 个高斯子模型在时刻的权重。每个高斯子模型可表示为：)一. . (2)一般，混合高斯子模型数目 N 通常取. 35 个。每个高斯子模型的权重、均值和方差的更新依照公式(3)一(5)进行：. Wk一(1 一口)14-(，) (3)z 一. (1 一 ID) 1+ (4) (t1 一)2l4p()()(5)Y。一(0-X 一
8、. X 一. 其中，IalXff，) 6Dr() a 为学习因子，用以表征历史数据和当前数据对数据更新影响的相对大小，为指定的一个常值。本文中，初始权重都取为：，方差都取为 001。当一个数值介于某一个子模型的均值加减. 25 倍标 Vo117No4 刘轩，等：基于数字图像处理的人员运动参数提取方法研究. 203 准差范围以内，此数值即属于该子模型。然后依照训的大小对所有的高斯子模型进行重要性排序，符合条件(7)的前几个高斯子模型被认为是背景，其它子模型为前景。. b Bargminb(：w T) (7)图. 3 可知，虽然高斯背景建模有上述之优点，但由于阴影的存在，以及行人彼此连接导致无法将
9、每个行人进行准确分割。因此还需对目标进行进一步的分割。圈 3 高斯背景建模提取前景. Fig3 Extractingforegroundbased Oilmixedgausssianmodel 图 4 差分图像 Fig4 Diffferenceimage 22 聚类分割为加速算法的收敛，我们在积分图像的基础上进行计算，如图. 4 所示。在进行聚类分割之前，先将使用高斯昆合模型得到的只包含前景区域的二值化图像作为掩模和差分图像相乘，得到只包含前景目标的差分图像，如图 5 所示。在此基础上，本文采用. mean-shift 算法对只含前景目标的差分图像进行聚类分割_3 引，不需剔除前景目标周围的阴
10、影，且可对相连的多个目标进行分割。我们假设差分图像里的像素点灰度值越大，那么它属于一个行人目标的概率就越大。因此在差分图像中分割目标的过程可被看作是搜索差分图像极值的过程，而. meanshift 算法便是一种有效的极值搜索算法。. MeanShift 这个概念最早由 Fukunaga 等人于. 1975 年在一篇关于概率密度梯度函数估计的文章中提出，这里它指代一个向量，也指一个迭代的步骤，即先算出当前点的偏移均值，移动该点到其偏移均值，然后以此为新的起始点，继续移动，直到满足一定的条件结束。Comaniciu 等人成功地运动. meanshift 这种自动搜寻概率密度局部极大值得特性，实现了
11、对图像的分割和视觉跟踪 l3。本文利用1Tman-shift 算法在差分图像中检测极值可以通过以下几个步骤来完成：A，将差分图像的最大灰度值映射到单位. 1，其它灰度值依比例被映射到. 01；B，选取最大灰度值为采样点，并将差分图像内以该采样点为中心，宽度为05w，高度为. o5H 的窗口内的点全部清零。其中，w 为图像中以像素为单位的行人目标所占据的大概宽度，H 为大概高度。重复以上操作，直到所选取的灰度最大值小于阈值. T1。C，根据缩放比例，对每一个采样点启动. mean shift 算法，其搜索窗是(H，W)。meanshift 向量的计算公式为：T、()一一 z (8) H 八. l
12、z Y1) T，、. mx()一一. (9)厶八 zz，. z 在计算. mensit，ahf 向量的同时计算收敛轨迹上每一个收敛点处的零阶矩和一阶矩，为后面计算聚类中心做准备。一阶矩是窗口范围内的像素灰度和，零阶矩是概率密度l3：. 1. P()一. I(x，Yi) (1O). D，将落在同一个聚类窗口(H *w)中所有收敛点归为一类，并根据同一聚类内每个收敛点的概率密度计算该聚类内收敛点坐标的加权平均值计算聚类中心。204 火灾科学. FIRESAFETYSCIENCE 第 17 卷第 4 期含了三个彼此相连行人，但. meanshift 算法可以对其进行较为精确的分割，得到表示每个行人空
13、间位置的聚类中心。图 5 前景区域差分图像图 6 对差分图像的多个行人目标分割. (圆点为聚类中心，十字点为采样点) Fi. lilbetemettog6 Mutpeojcssgnain ofdeecmaedtrlseigifffrneig(osaecutrncetr，reaealnonsnescossssrsmpigpit) 23 行人跟踪本文采用基于. meanshift 算法的跟踪技术对视频场景中的多个行人目标进行自动跟踪。基于. measit 算法的目标跟踪是最先由Cmaiinhfoncu 等人9 提出的一种采用基于物体表观颜色分布特征的核跟踪方法，其基本思想是用颜色直方图对物体的外表
14、进行表达，通过一个称作. Bhatttacharyya 系数的量来表示前后两帧目标区域颜色分布的相似性。本文选取特征空间为 RGB 空间用以进行行人跟踪，主要步骤如下：第一步，首先，在第行帧，将 RGB 特征空间的每个子空间 R，G，B 分别等距划分为. 16 个子空间。使得整个 RGB 空间被划分为 16*16*16 个立体子区间，并利用第. 32 节得到的代表行人的聚类中心，将该聚类中心周围一个较小范围内每一个像素的特征值对应到某一特征子区间内。其次，统计每个特征子区间内特征值的个数，然后对每个特征子区间进行排序，并按公式(11)计算第帧的目标区域的颜色直方图表达式 g：. q=(1(11
15、1)Ckl) b(xi) “其中 C 是归一化因子；(z)是一个可微，各向同性且单调递减的凸函数，是用于估计密度的核函数，被用来表达像素在特征域内的权重，特征值离目标区域中心像素特征值越近的像素其颜色权重就大，反之 N4,。即：和目标区域中心像素颜色越相近的像素权重越大。核函数通常有以下三种：. Epaehiore：移动到. Y，再以 Y 为新的聚类中心，并按照上面三个步骤循环下去，直到当Y 一的模小于某一阈值时停止搜索，即到达相似性函数厂()的最优值。对场景内不同行人的跟踪结果如图 7 所示。由图. 7 可知，本算法可以自动对多个目标进行准确的自动跟踪，并记录表示行人运动相对时空位置的运动轨
16、迹。图. 7 行人运动轨迹 Fi. eetintaetreg7 Pdsrarjcois 3行人运动速度对场景内行人的分割与跟踪完成后获得的行人运动轨迹包含了人员运动过程中的时空信息，它是我们进一步考察人员运动特性的基础。作为代表，这里我们仅根据此信息计算行人在运动过程中速度参数。因拍摄角度大于. 80 度，忽略畸变效应的影响。本文视频场景中地面上井盖的长和宽分别为. 67 和. 68 个像素，其真实直径为 6O 厘米。在忽略畸变效应的假设下，可得该视频场景中在横向和纵向每个像素均对应一 0896 厘米。经过测量，某行人真实速度为. 15ms。该行人在. 8 帧的时间里从横坐标为. 400 行进到. 346(单位为像素)。因此可算出近似速度为幽一. 1512ms。则，误差为墨.
