嵌入式客流量統(tǒng)計(jì)模塊的設(shè)計(jì)和實(shí)現(xiàn)

2.2 SVM分類(lèi)器的訓(xùn)練和人頭檢測(cè)
人頭檢測(cè)的分類(lèi)器選擇高斯內(nèi)核的支撐向量機(jī)（SVM）。SVM分類(lèi)器的訓(xùn)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(duì)象的圖像（源負(fù)樣本）中取樣得到的負(fù)樣本中訓(xùn)練出基本分類(lèi)器。第二次是采用基本分類(lèi)器對(duì)所有源負(fù)樣本進(jìn)行密集掃面檢測(cè)，將其中檢測(cè)錯(cuò)誤的子圖像歸為困難負(fù)樣本，然后將之前的正樣本和負(fù)樣本與困難樣本一起對(duì)基本分類(lèi)器進(jìn)行二次訓(xùn)練。在對(duì)源負(fù)樣本進(jìn)行密集掃描時(shí)，不僅掃描步長(zhǎng)要小，而且還要加入尺度的變化(尺度步長(zhǎng)可設(shè)為 1.5 或者2)，盡可能地獲取源負(fù)樣本的局部信息和全局信息。這樣得到的負(fù)樣本才夠健壯，對(duì)二次訓(xùn)練后檢測(cè)器的效果也提升得更加全面。
SVM分類(lèi)器的訓(xùn)練階段，訓(xùn)練用正樣本和負(fù)樣本的尺寸固定，大小為32×24。在人頭檢測(cè)階段，由于距離等因素，導(dǎo)致目標(biāo)（人頭）大小變化較大，本文采用訓(xùn)練模板大小不變而只縮放待檢測(cè)圖像的方法實(shí)現(xiàn)目標(biāo)的多尺度檢測(cè)，檢測(cè)結(jié)果如圖4（a）所示。

3 Mean-shift跟蹤計(jì)數(shù)
利用HOG特征，只能實(shí)現(xiàn)單幅圖像中人頭的檢測(cè)。要完成人員計(jì)數(shù)，必須利用多幀圖像信息，既要檢測(cè)出圖像中新出現(xiàn)的目標(biāo)，又要利用目標(biāo)跟蹤技術(shù)，確定連續(xù)多幀圖像中的同一個(gè)目標(biāo)，實(shí)現(xiàn)人員統(tǒng)計(jì)計(jì)數(shù)。
利用Mean-shift實(shí)現(xiàn)人員跟蹤計(jì)數(shù)具體步驟如下：
(1)將人頭檢測(cè)的結(jié)果作為初始的搜索窗口，確定窗口大小和位置。
(2)計(jì)算搜索窗口內(nèi)的灰度概率分布函數(shù)，并用該分布函數(shù)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(dāng)前幀的搜索起點(diǎn)和范圍，并在計(jì)算選取搜索窗口中按照式(4)、式(5)計(jì)算零階矩和一階矩，并按照式（6）計(jì)算搜索窗口的質(zhì)心：

4 試驗(yàn)結(jié)果
用圖像大小為384×307、30幀/s的實(shí)拍視頻流進(jìn)行測(cè)試實(shí)驗(yàn)，測(cè)試視頻中行人只能從畫(huà)面的上下兩端進(jìn)入。為減小計(jì)算量，人頭檢測(cè)只在圖像的上下1/4區(qū)域進(jìn)行檢測(cè)，根據(jù)行人運(yùn)動(dòng)方向，在圖像的中間1/2 區(qū)域進(jìn)行搜索跟蹤技術(shù)，完成客流量統(tǒng)計(jì)。實(shí)驗(yàn)結(jié)果如圖4（b）所示。在達(dá)芬奇系列處理器TMS320DM6437平臺(tái)上實(shí)測(cè)數(shù)據(jù)處理速度為28幀/s，客流量統(tǒng)計(jì)精度為97.8%。試驗(yàn)中測(cè)試發(fā)現(xiàn)，HOG特征檢測(cè)人頭消耗了系統(tǒng)70%的計(jì)算量。為進(jìn)一步提高計(jì)算速度，對(duì)人頭檢測(cè)算法進(jìn)行優(yōu)化：利用積分圖[5]計(jì)算HOG特征，采用Cascade[5]結(jié)構(gòu)組合SVM分類(lèi)器。優(yōu)化后，在不影響客流量統(tǒng)計(jì)精度的情況下實(shí)測(cè)處理速度達(dá)到了38幀/s。
本文在達(dá)芬奇系列處理器TMS320DM6437平臺(tái)上，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)實(shí)時(shí)的嵌入式客流量統(tǒng)計(jì)模塊，實(shí)測(cè)表明，客流量統(tǒng)計(jì)精度高，數(shù)據(jù)處理速度快。在不改變已有監(jiān)控系統(tǒng)的結(jié)構(gòu)，僅通過(guò)增加該模塊就可實(shí)現(xiàn)客流量統(tǒng)計(jì)等智能監(jiān)控功能，具有良好的市場(chǎng)前景。
參考文獻(xiàn)
[1] 屈建中，張軍，魯墨武.長(zhǎng)途客車(chē)流量監(jiān)測(cè)裝置[J].測(cè)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(tǒng)計(jì)系統(tǒng)[J]. 小型微型計(jì)算機(jī)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.