当前位置:首页 >> 机械/仪表 >>

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: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 mean—shift 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:人员疏散;运动参数;混合高斯模型;mean—shift 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.. Fig.1 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.. mean—shift 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 Fig.2 Algorithm flow 2.1 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)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,,Σ ) (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: Σ )一.. ’.. (2)一般,混合高斯子模型数目 N 通常取.. 3—5 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.. X 一.. 其中,I—alXff,) 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 0.01。 当一个数值介于某一个子模型的均值加减.. 2.5 倍标 Vo1.17No.4 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 B—argminb(: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.. Fig.3 Extractingforegroundbased Oilmixedgausssianmodel 图 4 差分图像 Fig.4 Diffferenceimage 2.2 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.. mean—shift 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.. mean—shift 这种自动搜寻概率密度局部极大值得 特性,实现了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.. 0—1;

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 0. 5w, 高度为.. o.5H 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.. lz '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.. mean—shift 算法可以对其进行较为精确的分割,得到表示每个行人空间位置的 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) 2.3 行人跟踪本文采用基于.. mean—shift 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.. mea—sit 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.. 3.2 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}(111) CΣ kl) 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 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 0.896 厘米。 经过测量,某行人真实速度为.. 1.5m/s.。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.. 1.512m /s。则,误差为墨.. ×lOOO~///:.. 0.8,为合理误差。基于以上分析, 本文定义运动目标的行走速度为:V 一.. D —.. *O.00896(m/s) (23)其中, D 为行人在.. 25 帧内行进的距离,为行人在.. 25 帧内行进的像素数。变化曲 线。.. 1·4 1.2—.. 。.8 O.6 0.0 0.4 0.8 1.2 1.6 2.0 2.4 Ti() mes 图.. 8 自由行走速度.. Fig.8 Freeevelocity 从图.. 7 可看出,在自由行 走状态,该行人的行进速度是在均值.. 1.24m/s 上下波动,其标准差为 O.04。 除了速度,还可以通过轨迹坐标计算处于某一 206 火灾科学.. FIRESAFETYSCIENCE 第 17 卷第 4 期空间区域内的行人数目得到人群密度,也可 以通过计算通过某一标准线的累计行人数目来计算流量等,有了这些基础参数 后, 可以考察它们之间的关系进而考察人员疏散过程中的整体疏散特性以及行为

规律。 而这些特性与规律对开发与验证疏散模型以及制定疏散设施的标准提供了 基础数据和实验依据。.. 4.结论本文针对记录多个行人运动的视频,采用混合 高斯背景建模技术,从复杂场景中提取行人目标,利用.. mean—shift 算法对 场景中的多个行人目标进行了分割和跟踪。并利用行人运动的轨迹,得到了行人 在运动过程中的速度变化特征,表明自由行走行人的速度在以.. 1.24m/s 为 均值,0.04 为标准差的范围内波动。 结果表明,本文发展的基于数字图像处理的人员运动参数视频检测方法可以自 动、快速、准确地对行人运动的速度等参数进行定量化研究,解决了传统方法在 图像提取方面的不足,有助于考察人员疏散过程中的行人的疏散特性和行为规 律,对发展和验证疏散模型以及设计疏散设施有一定的指导作用。

参考文献 [1]ligD, Monr. oilocMoefreeti] HebnlaPScaFredloPdsr—.. anDyac[]Pye955: 2226nmisJ... hsRvE,19,148~48. [2]ligD,Fra,adViskT.Smuaigd—] HebnaksInceiltnynaclfauefecpaiE]aue0miaetrsosaepncJ.Ntr,20 00,.. 407(6803):487~49O. [3]ligD,ShetelshJta.Acie] HebncwizrF,Ketc,e 1tvwalkermodelfortheformationofhuman andanimal trailsystems[J].PhysRevE,19 997,56:2527~2539... [4]hesiaiK,Shdcniercin] KicnrA, NihnrcashedrA.Fitoefffectsandcloggingin acelllularautomatonmodelfor dsrayac[]ye03,6 5peetindnmisJ.PhsRvE,207():.. 056122 [5]agJogWG, ea. Eprmetnlird]Zhn, Snt1xeinadmut---gimodlnfvcainfolroooJ. .. yiaAeigoeautormacasssm[]Phsc,.. 2008,387(23):5901~.. 5909. [6]宋卫国,张俊,等.一种考虑人数分布特性的人员疏散格子气模型[J].自然 科学进展,20008,18(5):5 552~.. 558... [7]宋卫国,于彦飞,范维澄,张和平.一种考虑摩擦与排斥的人员疏散元胞自 动机模型[J].中国科学.. E,.. 20O5,35(7):725~.. 736


相关文章:
数字图像处理平时作业5
数字图像处理平时作业5 对由于运动模糊并加入噪声而退化的图像Lena, (需要从我这里...滤波中的参数 K 采用 交互选择的方式确定. 同学也可自己选择一幅灰度图像, ...
数字图像处理实验报告(全答案)
数字图像处理实验报告(全答案)_数学_自然科学_专业资料...('average');%均值滤波器 3 基于卷积的图像滤波...('Original Image '); %模拟运动模糊 Matlab 中文...
数字图像处理作业
噪声、增强、 复原、分割、提取特征等处理的方法和...在此基础上,利用可以计算帧间 运动速度覆其变化都...5 基于数字图像处理的岩心裂缝图像处理世界上已发现...
数字图像处理实验题目要求
数字图像处理实验题目要求_数学_自然科学_专业资料。...基于视觉的人的运动分析最有前景的潜在应用之一是视觉...2)研究火焰目标的特征提取方法 (l)轮廓特征提取:该...
数字图像处理实验四
实验四 图像增强实验内容: (1)直方图均衡化处理:...’motion’——运动模糊算子,有两个参数,表示摄像 ...(4)filter2 基于卷积的图象滤波函数,其语法格式为:...
数字图像处理——题目
数字图像处理——题目_IT认证_资格考试/认证_教育...基于视觉的人的运动分析最有前景的潜在应用之一是视觉...2)研究火焰目标的特征提取方法 (l)轮廓特征提取:该...
数字图像处理实验题目要求
数字图像处理实验题目要求_数学_自然科学_专业资料。...基于视觉的人的运动分析最有前景的潜在应用之一是视觉...2)研究火焰目标的特征提取方法 (l)轮廓特征提取:该...
基于图像处理的运动物体的跟踪与检测开题报告
基于图像处理的运动物体的跟踪与检测开题报告_教学案例...这种背景提取方法 增加了人力和物力的需求,而且在...综合运用数字图像处理技术,基于 OpenCV 设计实现运动...
《数字图像处理》课后作业2015
数字图像处理》课后作业2015_理学_高等教育_教育专区...不同的镜头参数设置,获得的图像在交角,尺寸(照片上...(a)为保证运动图像对图像造成的模糊不超过 1 像素...
更多相关标签:
matlab图像提取数字 | 数字图像处理轮廓提取 | 数字图像特征提取 | 数字图像处理边界提取 | 数字图像处理特征提取 | 特征提取与图像处理 | 图像特征提取 | 电视图像最佳设置参数 |