摘 要

从二十世纪六七十年代开始，世界上就已经开始发展视频监控系统，并应用到了客船人流量检测中。随着科学技术的发展，计算机技术和人工智能技术也加入了对视频监控系统的跟新换代中，并且占据着越来越重要的地位。最近一些年来，世界上很多学者都提出了自己独到的见解和算法，大体概括起来可以分为以下几类：以背景建模为基础的目标检测性算法、以特征点为基础的目标检测性算法和以机器学习为基础的目标检测性算法。

在船舶上运用多视角成像技术进行人流量统计的过程中，由于种种的环境条件限制，通过计算机运用多视角成像的方法完成的对人流量的统计，没有考虑到环境限制下的各种问题，可能就会出现误差，并不足够精确，不具有精确性。本文重点研究了通过图像处理来识别单个的人体数量及统计，并得到客船上的整个人流量。但是这种算法因为目标的检测技术和跟踪技术的不甚完美，以及在统计技术中的诸多难点，所以在统计计数的时候经常会出现统计出来的结果有些差漏，要么偏高要么偏低，与实际人数不一致。这种情况下采用正态分布算法求概率的分散程度，在正态分布下的人流量统计更准确，更具有说服力,解决了数据容易出现误差的问题。

关键字：背景差算法、图像检测、多视角成像

Abstract

Since the 1960s and 70s of the 20th century, the world has begun to develop video surveillance systems and applied to passenger flow detection. With the development of science and technology, computer technology and artificial intelligence technology have also joined the new generation of video surveillance systems, and occupy an increasingly important position. In recent years, many scholars in the world have put forward their own unique insights and algorithms, which can be roughly summed up into the following categories: target detection algorithms based on background modeling and target detection algorithms based on feature points. And machine learning-based target detection algorithms.

In the process of using the multi-view imaging technology to carry out statistics on the flow of people in ships, due to various environmental conditions, statistics on the flow of people through the use of computer multi-view imaging methods do not take into account various problems under environmental restrictions. Errors may occur, are not accurate enough, and are not accurate. This article focuses on the identification of individual body counts and statistics through image processing and the overall flow of people on passenger ships. However, because of the imperfect detection technology and tracking technology of the target, as well as many difficulties in the statistical technology, the algorithm often results in statistical leaks, which are either too high or too low. Contrary to actual number. In this case, the normal distribution algorithm is used to find the degree of dispersion of the probability. The flow statistics under normal distribution are more accurate and persuasive, and solve the problem that the data is prone to errors.

Key words: background difference algorithm.image detection. multi-angle imaging

目 录

第1章 绪论 1

1.1课题研究的背景和意义 1

1.2国内外研究现状 2

1.3海事管理中的难点 3

1.4 本文结构 5

第2章 人体识别检测法研究 6

2.1运动目标的基本检测方法 6

2.1.1帧间差分法 6

2.1.2 背景差算法 7

2.1.3 光流法 8

2.2 人体识别检测算法分析与比较 9

2.3 图像二值化处理 9

2.3.1 Otsu算法 10

2.3.2 Bernsen算法 11

2.3.3 数学滤波 11

2.4 基于边缘检测提取运动目标轮廓的方法 11

2.5 本章小结 12

第3章 人流量统计法研究 14

3.1 运用人体红外线检测人流量 14

3.2 多视角检测法 15

3.3 多视角成像的多分类器 16

3.4本章小结 19

第4章 客船人流量检测的误差及改善措施 20

4.1 人流量检测技术的缺点 20

4.2 正太分布算法 20

4.3 用正态分布解决人流量统计技术 22

4.4 基于正态分布的人流量检测实例 23

4.5 本章小结 24

第5章 总结与展望 25

5.1 研究内容总结 25

5.2. 研究展望 25

参考文献 26

致谢 28

第1章 绪论

1.1课题研究的背景和意义

从二十世纪六七十年代开始，世界上就已经开始发展视频监控系统，到目前为止，经过高速的发展，不管是繁华的大城市还是破旧的小村庄，全世界范围内视频监控系统已经如日中山，基本上达到了妇孺皆知的地步。而且随着科学技术的发展，计算机技术和人工智能技术也加入了对视频监控系统的跟新换代中，并且占据着越来越重要的地位。由于越来越多高新技术的引用，使得之前研发的监控系统的一些缺点及漏洞被一一补足， 视频监控系统变的越来越成熟与可靠^{[ 1 ]}。在运用高新技术之后，可以获得各种信息，在提取出与事件有关的信息后，就可以进行一系列的动作。并且有了人工智能之后，监控系统在没有人操作的情况下，依然可以进行正常运作。不需要人为操作，意味着可以节约人力资源，自动完成监控，则在正常使用中会很方便，并且比人操作要安全。

在视频监控系统中，它的一个重要应用是在视频的人流量统计技术的基础上。人流量统计技术在红绿灯，商场，码头及火车站应用比较多，因为行人的流量大小对于这些场所来说十分重要，不管是整合修改建筑还是增减规模，行人流量都具有不可替代的作用。而且行人的流量多少往往和这些场所的作用大小或者说业绩正相关，流量大，则作用大，业绩好，反之亦然。所以人流量统计技术是视频监控系统在实际生活中的一种十分成功而且特别重要的运用实践，人流量作为衡量运营规模的重要数据，不管是在公共场所还是在激烈的商业竞争中，都显的十分重要^{[ 5 ]}。如何进行安全有效的运营管理已经是商场成败的原因之一。现在各行业的竞争日益激烈，这就对管理者提出了新的要求：能够最快的对一些细小的变化做出积极的改变，并且能知道原因，准确的预判未来运行发展，提前做好准备。这些东西对于一些依靠人流量的行业来说十分重要，常言：顾客是上帝，不外如此。人流量是场所规模的直接组成者，没有人流量，其他都是虚的。在人流量统计技术效率方面，其与场所出入口的合理性有直接关系，也可以从侧面来检测其整个场所设置分布的合理性，同样还可以看出单个不同区域对人流量的吸引程度，人越多，则越高。

在火车站、大型活动现场、渡船码头等一些场所，由于人流量超过其最大承载能力时，经常发生人群拥堵的事件，甚至是踩踏事件，造成极大的灾难。典型的事故案例有很多.

很多的惨案，都是因为十分拥挤从而导致人群情绪失控而致，目前已经有了很多研究人员对人的行为和心理关系进行了十分细致的研究，但是就目前而言，并不能准确地对人群数量进行检测，和及时监测人数变化等异常行为发生后极短时间内给出预警，让人们采取和制定合理、有效的防护和导通措施，避免灾害的发生。视频监控系统的智能化实践与统计分析技术的快速发展，使得数字化，智能化的人数统计技术成为一种必然的情况，让我们可以利用现有监控图像对公共场所的人流量进行客观准确统计^{[ 8 ]}。

当前海事部门在一些大城市已经能够做到较完善的管理，但是在一些偏远的山区和农村，当地经济状况不好，交通条件也比较陈旧，人员分布过于散乱，加之当地人的安全防范意识不够高，导致了船舶的安全隐患很大。尤其是在当地有大型集会的时候，往日里破旧的小船现在更是容易出事故，由于人多，一出事往往就是死伤很多人的大事故，而且不能够对死伤人数做出准确的了解。但是由于这些地方大都地处偏僻，不能做到方方面面，不可能全面管理，只能加强安全防范教育。在这些方面，海事局处于有心无力的困境，急需要一个能够自动检测人流量的系统。

1.2国内外研究现状

根据视频的人流量的统计技术的背景，可以看到，对视频的人的流量的统计系统而言其一般包含了目标检测和目标跟踪这两个重要模块。而且目标检测与目标跟踪一般而言是计算机的视觉领域内的两个十分重要而且要求严格的研究问题。要充分理解分析这些视频图像当中的目标的行为，我们就要必须检测出来这个目标究竟从哪个地方进入到场景中，还能够对这些场景中的目标准确跟踪，从而知道他们在这些场景中做运动的轨迹。当然就目前而言对于这两个方面研究的工作很多人已经做出了很大的成果。

尤其是最近一些年来，世界上很多学者都提出了自己独到的见解和算法，大体概括起来可以分为以下几类：

(1)以背景建模为基础的目标检测性算法：目标检测性算法的主要思想来源于对视频图像的序列进行各种分析并以此建立背景模型，进而用视频中的帧图像和原背景模型来对比，对比中的不同之处就是我们所需要的目标。比如在1997年，Wren就提出了一种背景模型算法，遗憾的是因为采取的方法是基于单高斯模型，很难能够适应现实生活中复杂多变的生活场景，最终没有起到太大的作用。2000年，Grimson和Stauffer受到Wren的启发，提出了混合型高斯模型，这种模型就可以适应生活中复杂的情况，已经比较实用。在这个基础平台上，Monnet在2003年又提出了新的建模方法，这种方法讨论的是怎么应对具体生活中变化的场景，如花园中心的喷泉，商场的电梯，骑自行车的行人等等。K Kim在2005年也提出了一个以简单的码字模型为基础的背景建模算法，它的主要思路是用码字模型来完成对背景的建模。这种算法的优点是所需的参数很少，只需要输入很少就足够，而且对环境有更好的适应能力，是一种比较好的算法。在2006年，M.Heikkila想出了一个新的理论背景建模算法，同样是以LBP纹理为基础，不过庄化成了直方图的形式，在这方面将抽象的意义转化成了图像的形式。这个以LBP纹理为背景得出来的建模方法优点是有比较好的抵抗光照的能力，在户外等强光场合比较好用。以背景建模为基础的对目标检测的方法优点是能在比较短的时间内迅速检测出视频场景中的目标位置，但是缺点也很明显，该算法由于没有考虑不同场景下的前后关系和与空间的相关性，导致这种方法下检测出来的场景的目标不具有完整性，往往结果是产生空洞或一个大目标被分成了很多份。

（2）以特征点为基础的目标检测性算法：这种算法的中心思想是先检测出视频场景中的目标特征点，然后再通过与目标特征点之间建立的匹配关系，以此实现对目标的检测。特征点指的是在图像中具有比较复杂结构的一些像素点。而且当视频图像发生平移，转动，光照和放缩等一些变化的时候，这些特征点就是判定的依据，因为这些特征点能够稳点的存在。一些比较常用的在目标检测中用的特征点有Moravec特征点，Harris特征点，SIFT特征点等。

（3）以机器学习为基础的目标检测性算法：这种算法的中心思想是先通过采集的某一目标的大量样本，提取出这些样本的表现特征，然后通过学习来获得这种目标的分类器，最后就可以利用这个分类器直接通过视频图像帧来检测这个目标。这类算法在机器学习的基础上，参考了人的情感知识获得途径，在这个基础上想出来新的方法，令机器也具有了一定的学习能力^{[ 2 ]}。

1.3海事管理中的难点

2007年黑龙江省水上交通事故中，90%都是乡镇等一些海事部门不方便管理的船舶，共发生死亡事故3起，其中有一死亡10人的重大事故。

在船舶上运用多视角成像技术进行海事管理的人流量统计的过程中，由于种种的环境条件限制，仅仅通过计算机完成的对人流量的统计，没有考虑到环境限制下的各种问题，可能就会出现误差，并不足够精确，不具有精确性。

在一些偏远的山区和农村，当地经济状况不好，交通条件也比较陈旧，人员分布过于散乱，加之当地人的安全防范意识不够高，导致了船舶的安全隐患很大。尤其是在当地有大型集会的时候，往日里破旧的小船现在更是容易出群死群伤的大事故，而且不能够对死伤人数做出准确的了解。但是由于这些地方大都地处偏僻，海事管理不能做到方方面面，只能加强安全防范教育。在这些地区，船只多为自用，海事管理很难真正做好船舶设备的维护管理。

在海事管理中最主要的就是对目标的跟踪，而目标跟踪目前来说又是一个比较难完美解决的问题，难就难在以下几点：

(1)追踪的目标先在三维世界，又在视频上转化为了二维世界的图像，因此就造成了目标身上其大量的信息丢失，尤其是在外观体貌特征方面的丢失

（2）这些被追踪的目标又一直处在一个不停运动的状态，而摄像头等探测器是固定的，因此目标的运动轨迹十分复杂

(3)当然在检测的过程中，尤其是人流量密集的时候，目标有可能被其他目标挡住，造成很大的误差或者混乱

（4）而在实际中，一般对目标的算法实时性要求十分的高^{[ 4 ]}。

人流量统计中的两大技术就是目标检测和目标跟踪。关于视频图像的人流量统计一直是个挑战性的课题。人流量统计的精确性受到以下因素影响：

1 ）统计的准确性。影响统计的准确性的因素又分为以下三个方面：

1、 错综复杂的背景， 行人 所处的背景不同，而且会发生变化

2、行人的外貌不同，主要表现在行走姿势，身高体型等方面

3、遮掩方面，行人少时，不会有遮挡问题，然而行人多时，会出现遮挡问题。

2）拍摄角度的多样性；目前商场、体育馆及超市公共场所都运用了人流量统计技术，由于这些公共场所对成像需求不同，所以它们拍摄的角度有所不同。这也就造成了目标变化范围扩大，所以，基于视频图像的人流量技术的一个重要难点是怎样可以准确的识别不同拍摄角度下的同一目标。

3）计算方法的实时性。系统的实时性一般很难达到，这是因为在目标检测时需要很大的计算量，而且目标跟踪也同样需要很大的计算量，在拍摄场景的行人数量也可能会有很多，因此在人流量统计中往往很难实现实时性。

1.4 本文结构

第一章是绪论，简单介绍了人流量统计技术的背景和意义，并对一些难点进行了说明。

第二章是人体识别检测算法的介绍与比较，分析了三种算法的优劣性。

第三章是多视角成像的人流量统计算法，介绍了多视角的意义，现有的多视角算法和分类器。

第四章是运用正态分布的算法思路，把正态分布算法应用到人流量统计技术中，把人数换算成概率，以新的角度来解决旧问题。

第五章是总结与展望，对本文的内容进行了总结，分析了本文的不足之处和创新点，并对未来的技术发展方向进行了展望。

第2章 人体识别检测法研究

2.1运动目标的基本检测方法

视频监控人流量统计系统的基础往往就是运动目标的检测技术。一般来说，。运动目标检测技术是通过观察视频图像中某个特定区域的图像是否发生了变化，并能够在视频图像中把变化区域从背景图像中分割出来。由于视频监控系统周围环境十分复杂，所以运动目标检测技术也往往是开发智能视频监控系统的顽固点。根究算法特点，一般来说常用运动目标检测方法通常分为三类：背景差分法、巾贞间差分法和光流法^{[ 8 ]}。

2.1.1帧间差分法

帧间差分法是基于像素的一种对运动目标检测方法，其基本原理是在图像序列相邻的两到三帧使用基于像素的时间差分再通过其阈值化来获得图像中的运动区域。一般基本方法采用了通过将相邻顿图像使对应像素值相减，再对差分图像进行形态学处理和二值化操作来减少噪声干扰，最后再根据最终的结果来判断监控场景中运动目标出现与否。下图为帧间差分法流程图：

图2-1帧间差分法流程图

设其视频的序列中当前的帧灰度值是Fn（i，j），则迁移帧其灰度值是Fn-1(i,j),差分图像就是In(i,j)。

In(i,j)=∣Fn（i，j）-Fn-1(i,j)∣

1 In(i,j) ≥Th

Mn(i,j)=

0 In(i,j)lt;Th

2.1.2 背景差算法

背景差分法是当前常应用的一种对运动目标进行检测的算法，利用背景的参数模型构建一个背景模型图像是它的核心思想，令当前帧与背景模型进行差分比较来完成对运动目标的检测，其灰度变化较大的区域会被认为是运动区域，灰度变化较小的区域被认为是背景区域。

图2-2背景差分法流程图