摘 要：摘要：行人流量检测技术在商场、地铁、大型超市等公共场所的出入口中应用需求广泛，社会和经济效益明显。行人流量检测技术通过利用智能视觉和图像处理的方法建立一个智能管理系统，通过对摄像机拍录的视频序列进行分析实现行人的定位、识别和跟踪，文章在此基础上提出了一种更先进可行的智能处理方案。
关键词：关键词：视频监控；目标检测；背景差分；客流计数
中图分类号：TP302 文献标识码;A 文章编号：
0 引言
目前市场中主要采用含有红外线监测装置、热量监测装置、光电监测装置、重量监测装置的自动客流计数系统等[1]。西门子的客流量计数系统[2]采用红外线技术，通过统计红外线光束流的中断次数,实现对客流的计数，装置通常装配在门口，红外线光速流每一次中断代表客流通过一次。但是在当行人数量较多并且行人重叠度较高时,精度不高。文献[3]中提出的计数系统利用三个传感器来实现客流计数功能，但此系统对三个传感器的安装位置要求很严格，并且三个传感器的相对位置对精度也有影响。因此上述自动客流计数系统都不能在复杂的环境条件下提高客流计数的准确度。把视频图像处理技术应用在客流计数系统上是视频检测技术的一个新的发展方向,通过检测图像中特定行人目标的出现来判定是否有客流经过。
针对自动客流计数系统的应用特点,文章提出了一种基于视频图像序列的目标检测与识别方案，独立设计一套基于视频监控的客流量计数系统。并提出了一种，该算法以背景差分为基础，融合帧间差分法、动态背景建模等技术，实现背景的快速更新,实时准确的对运动目标进行检测，从而实现对客流量的跟踪计数。
1. 自适应背景模型
本文提出一种在保留背景差分、目标分割完整这一优点基础上，可以快速建立背景的具有一定自适应能力的背景模型。该方法通过多次连续的帧间差分法，从视频序列图像中快速检测出背景区域，在检测出的背景基础上确立各点的背景检测模型。具体处理过程如下：
（1）通过视频监控设备捕获某一时间段的图像序列 。
（2）设fk(i,j)和fk+1(i,j)为捕获的相邻两帧图像(1≤ k ≤t)。对其进行差分处理，检测出属于背景的像素点。
（3）时间间隔TV后，用相同方法捕获相邻两帧图像进行差分处理，直至得到差分图像序列，设差分次数为M，则差分序列共有M帧图像。
（4）利用步骤2的图像建立背景，假设被遮挡的背景至少露出来1次，就可以用公式(1)提取出背景,其中R为不为0的次数。
(1)
（5）用提取出的背景信息为参数建立初始背景模型，由式(2)决定后续图像是前景点还是背景点，当满足条件时,该点为背景点,否则为前景点，其中f(i,j)为当前帧某个像素点的灰度值，TN是一个动态的最佳阈值。
f(i,j) -μ(i,j) < TN(i,j) (2)
2．目标的自适应分割与检测
本文从提高检测速度的角度考虑，与高斯方法[4]有所不同，提出的目标检测公式用TN 代替了TP ，从实验结果得出，通过选取得当的阈值TN并在场景变化时可以不断改变该值来适应新场景，依然可以有效地检测出运动目标。本文的阈值TN是一个基于直方图的动态最佳阈值。
实验图像采用上文得到的背景和新获取的第65帧图像，从实验结果分析，本文提出的方法能在不断变化的场景中高效、快速地检测出运动目标。图1是本文提出的检测方法最佳阈值为45的实验结果图像，图2是阈值为标准差的高斯背景差分结果图像。
图1. 自适应方法检测结果 图2. 高斯方法检测结果
3．目标跟踪与客流量计数
系统在目标检测基础上对目标采用模板匹配且逐帧跟踪，并提出了一种通过设置标志线的方法判断行人目标是否通过标志线从而实现计数[5]。综合运动目标的形状、位置以及统计等特征,建立行人目标的特征模板,进行匹配检测,实现连续跟踪。在目标匹配时首先考虑位置特征, 在预测位置附近进行搜索,若检测不到目标则认为跟踪失败,否则结合其他信息进行匹配判断如形状特征，统计特征等。其中统计特征是将连续两个目标图像的相关性和图像的灰度均值等作为目标匹配特征。
灰度均值为： （3）
相关系数为： （4）
目标跟踪过程中,依据前一帧图像的检测结果分别为每个目标建立多特征模板,对当前帧预测区附近出现的目标进行匹配。如果匹配则跟踪成功，并更新匹配模板，用来处理下帧图像，从而实现对运动行人进行连续检测和跟踪。否则，使用原模板继续处理下帧图像。如果图像序列连续三帧中目标和模板均不匹配,即认为目标跟踪失败，则为新目标建立模板,从第四帧开始对新目标进行跟踪。最后,根据图像序列中依次确定的目标位置判断是否通过标志线从而实现计数。
4．结论
本文提出了一种利用视频监控对客流量进行检测分析的解决方案。在查阅了大量的国内外资料文献后，笔者发现在大型超市、地铁出入口、交通环境等复杂环境中，基于视频监控的行人检测技术仍然是一个难题。主要由于行人穿着各式各样很容易和背景相混淆；同时行人的动作也是各有不同，运动方向也各不一样，同时行人时常还会佩戴帽子或背包等饰物；从而导致背景图像中出现不同的物体，有多种干扰目标。针对上述难点提出了一种自适应背景更新算法，该算法以背景差分为基础，融合帧间差分法、动态背景建模等技术，从而实现快速高效的更新背景,实时准确的对行人目标进行检测，并提出通过设置标志线判断是否有客流通过从而进行计数的新思路，并在试验中取得较为满意的效果。
参考文献：
[1] Peter G.Furth,James G.Strathman,Brendon Hemily, Making Automatic Passenger Counts Mainstream: Accuracy, Balancing Algo-rithms,and Data Structures[J]. Transportation Research Borad,2004,11.
[2] Siemens Transit Mastern Automatic Passenger Counters. http://tvansitmaster siermensvdo. com/product% 20sheet/apc. pdfv,2004.
[3]高玉龙.公交计数系统设计与实现[J].应用科技,2004,31(3).
[4] Dihua Sun, Min Zhao, Automatic Passenger Counting Based on Multi-object Recognition Using Dynamic Images[J].The International Conference on Mechatronics and Information Technology. 2005.
[5] MEIER T, NGUN K N. Video Segmentation for Content-Based Coding[J].IEEE Trans on Circuits and Systems for
Video Technology,1999, 9(8): 1190-1203.
