嵌入式客流量統(tǒng)計模塊的設計和實現

2.2 SVM分類器的訓練和人頭檢測
人頭檢測的分類器選擇高斯內核的支撐向量機（SVM）。SVM分類器的訓練分兩次進行，第一次是使用人頭居中的正樣本和從不包含人頭對象的圖像（源負樣本）中取樣得到的負樣本中訓練出基本分類器。第二次是采用基本分類器對所有源負樣本進行密集掃面檢測，將其中檢測錯誤的子圖像歸為困難負樣本，然后將之前的正樣本和負樣本與困難樣本一起對基本分類器進行二次訓練。在對源負樣本進行密集掃描時，不僅掃描步長要小，而且還要加入尺度的變化(尺度步長可設為 1.5 或者2)，盡可能地獲取源負樣本的局部信息和全局信息。這樣得到的負樣本才夠健壯，對二次訓練后檢測器的效果也提升得更加全面。
SVM分類器的訓練階段，訓練用正樣本和負樣本的尺寸固定，大小為32×24。在人頭檢測階段，由于距離等因素，導致目標（人頭）大小變化較大，本文采用訓練模板大小不變而只縮放待檢測圖像的方法實現目標的多尺度檢測，檢測結果如圖4（a）所示。

3 Mean-shift跟蹤計數
利用HOG特征，只能實現單幅圖像中人頭的檢測。要完成人員計數，必須利用多幀圖像信息，既要檢測出圖像中新出現的目標，又要利用目標跟蹤技術，確定連續(xù)多幀圖像中的同一個目標，實現人員統(tǒng)計計數。
利用Mean-shift實現人員跟蹤計數具體步驟如下：
(1)將人頭檢測的結果作為初始的搜索窗口，確定窗口大小和位置。
(2)計算搜索窗口內的灰度概率分布函數，并用該分布函數反演下一幀的待搜索圖像。
(3)利用前一幀初始搜索窗口的大小和位置信息，確定當前幀的搜索起點和范圍，并在計算選取搜索窗口中按照式(4)、式(5)計算零階矩和一階矩，并按照式（6）計算搜索窗口的質心：

4 試驗結果
用圖像大小為384×307、30幀/s的實拍視頻流進行測試實驗，測試視頻中行人只能從畫面的上下兩端進入。為減小計算量，人頭檢測只在圖像的上下1/4區(qū)域進行檢測，根據行人運動方向，在圖像的中間1/2 區(qū)域進行搜索跟蹤技術，完成客流量統(tǒng)計。實驗結果如圖4（b）所示。在達芬奇系列處理器TMS320DM6437平臺上實測數據處理速度為28幀/s，客流量統(tǒng)計精度為97.8%。試驗中測試發(fā)現，HOG特征檢測人頭消耗了系統(tǒng)70%的計算量。為進一步提高計算速度，對人頭檢測算法進行優(yōu)化：利用積分圖[5]計算HOG特征，采用Cascade[5]結構組合SVM分類器。優(yōu)化后，在不影響客流量統(tǒng)計精度的情況下實測處理速度達到了38幀/s。
本文在達芬奇系列處理器TMS320DM6437平臺上，設計并實現了一個實時的嵌入式客流量統(tǒng)計模塊，實測表明，客流量統(tǒng)計精度高，數據處理速度快。在不改變已有監(jiān)控系統(tǒng)的結構，僅通過增加該模塊就可實現客流量統(tǒng)計等智能監(jiān)控功能，具有良好的市場前景。
參考文獻
[1] 屈建中，張軍，魯墨武.長途客車流量監(jiān)測裝置[J].測控技術，1994，13(3)：23-26.
[2] 畢勝，梁德群.基于主動紅外成像的客流量統(tǒng)計系統(tǒng)[J]. 小型微型計算機系統(tǒng)，2007，28（4）：697-700.
[3] DALAL N，TRIGGS D. Histograms of oriented gradients for human detection[C].Proceeding. IEEE Conference. on Computer Vision and Pattern Recognition，2005：886-893.
[4] BRADSKI G，KAEBLER A.Learning OpenCV—computer vision with the OpenCV library[M].(3rd Ed).New York：O’Reilly Media，Inc.，2008：337-341.
[5] VIOLA P，JONES M.Robust real-time face detection[J]. International Journal of Computer Vision，2004，57(2)：137-154.