嵌入式客流量統計模塊的設計和實(shí)現

2.2 SVM分類(lèi)器的訓練和人頭檢測
人頭檢測的分類(lèi)器選擇高斯內核的支撐向量機（SVM）。SVM分類(lèi)器的訓練分兩次進(jìn)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(lèi)器。第二次是采用基本分類(lèi)器對所有源負樣本進(jìn)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(lèi)器進(jìn)行二次訓練。在對源負樣本進(jìn)行密集掃描時(shí)，不僅掃描步長(cháng)要小，而且還要加入尺度的變化(尺度步長(cháng)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(lèi)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(shí)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(shí)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(shù)，確定連續多幀圖像中的同一個(gè)目標，實(shí)現人員統計計數。
利用Mean-shift實(shí)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(diǎn)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(zhì)心：

4 試驗結果
用圖像大小為384×307、30幀/s的實(shí)拍視頻流進(jìn)行測試實(shí)驗，測試視頻中行人只能從畫(huà)面的上下兩端進(jìn)入。為減小計算量，人頭檢測只在圖像的上下1/4區域進(jìn)行檢測，根據行人運動(dòng)方向，在圖像的中間1/2 區域進(jìn)行搜索跟蹤技術(shù)，完成客流量統計。實(shí)驗結果如圖4（b）所示。在達芬奇系列處理器TMS320DM6437平臺上實(shí)測數據處理速度為28幀/s，客流量統計精度為97.8%。試驗中測試發(fā)現，HOG特征檢測人頭消耗了系統70%的計算量。為進(jìn)一步提高計算速度，對人頭檢測算法進(jìn)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(lèi)器。優(yōu)化后，在不影響客流量統計精度的情況下實(shí)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(shí)現了一個(gè)實(shí)時(shí)的嵌入式客流量統計模塊，實(shí)測表明，客流量統計精度高，數據處理速度快。在不改變已有監控系統的結構，僅通過(guò)增加該模塊就可實(shí)現客流量統計等智能監控功能，具有良好的市場(chǎng)前景。
參考文獻
[1] 屈建中，張軍，魯墨武.長(cháng)途客車(chē)流量監測裝置[J].測控技術(shù)，1994，13(3)：23-26.
[2] 畢勝，梁德群.基于主動(dòng)紅外成像的客流量統計系統[J]. 小型微型計算機系統，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.