2012年第九届ieee高级视频监控国际会议2012年第九届ieee高级视频监控国际会议.docx

2012年第九届IEEE高级视频与信号监控国际会议基于多摄像头监控的人数统计经为文，雷华，刘常平中国科学院自动化研究所摘要人数统计被广泛的应用于大众视频监控中，我们提出了一种视场部分重叠的多摄像头人数统计系统。本文主要的原创性成果主要有：（1）我们提出了一种多目标的行人跟踪方法，它是基于一种选择和加权机制，将局部信息合成目标信息。（2）我们提出了一种整合来自多个摄像头统计的人数的方法，通过homograpy变换和相似性度量，系统能发现处于重叠视场的准确目标，最终估计来自多摄像头的人数的整合人数。实验结果表明我们的系统能有效并且正确的估计监控中的人数。1、引言在视频监控中，智能人数统计是一个很有挑战性的任务，通过分析监控视频没帧的图像，一个强健的系统能获取准确的人数，因此，智能人数统计系统在公共领域有很大的发展前景，例如，飞机场，地铁站，公园，广场等。1.1、相关技术概况经过十多年的发展，出现了许多人数统计的方法，人群检测与跟踪被广泛的应用。Harasse .et. al.[5]通过人的皮肤颜色来检测和跟踪行人，他在公共汽车中统计过人数。Li.et.al[8]提出一种估计人数的方法，它是基于前景分割和头肩来检测的融合的嵌式图像来统计人数。Chen.rt.al[2]提出了一种改进的跟踪方法去统计人数。与人群检测和跟踪方法相比，基于回归分析的方法处理人群情况较为复杂的情况优势比较明显。Chan et.al提出一种隐私视觉保护系统，这种系统通过提取一系列简单整体特征并且用高斯方法回归分析来估计人数。Kong.et.al提出一种基于在线人数统计系统的变量式学习来估计人数，这种变量式学习用神经网络来实现，这种神经网络是在人工监督的情况下来训练的。然而，以往人们多是集中于单一摄像头监控的人数统计研究，在一些开阔的区域，多摄像头监控变得必要和重要，因为单一摄像头很难覆盖整个区域。另外，由于遮挡原因，一些行人在一些视角不能被发现而在别的角度却很容易被发现，多摄像头监控可以解决此问题。RanEshel et al.[3]通过提取高密度人群头部方法来跟踪人群，将人头分割出来，然后利用多摄像头获得的数据，根据人群运动方向和速度来跟踪他们。Mohedano.et.al[2] 3D人群跟踪方法，这种方法拥有带有部分视场重叠的多摄像头，检测人群在每个摄像头情况来跟踪人群，比2D人群跟踪更好。Khan和Shal[6]提出了一种二位对应的约束，用来自多摄像头的前景可能信息，去解决遮挡问题，来统计人数。因为前面论述的技术推动，采用多摄像头监控的人数统计被应用在关系广场，大厅等宽广区域。1.2、我们的技术图1是多摄像头监控统计人数的流程图，此系统的主要创新在于：（1）我们提出了一种人群跟踪方法，此方法包括两条流程线路，术语叫做特征点处理和图像处理（如图2）一个选择与权重机制将局部特征信息合成对象信息，去解决对象跟踪。（2）我们提出一种模型区整合多摄像头的统计结果。在此过程中，我们首先估计不同摄像头的单应性联系，并且提出一系列相似性度量规则去找的重叠视场中的行人，最终获取多摄像头人数的整合人数数据。本文章按如下顺序组织，章节2介绍基于特征点的人数跟踪算法，章节3介绍整合人数的细节，章节4评估了该系统，章节5总结了本文章。2、基于特征点的人群跟踪如图二所示，那是两个并行的流程线，一个为特征点处理，另一个为对象处理，特征点处理主要是根据KLT（最佳正交变换）跟踪器检测并跟踪特征点，特征点处理是对象处理的前提，目的是获取目标对象的运动轨迹。在对象处理中，首先根据行人在监控窗口移动的特征，并且有哪些信誉好的足球投注网站的邻域限制在移动前景特征点附近，然后估计在每个跟踪行人特征点的边框，并且从前面的特征点信息获取下一新的特征点位置。2.1特征点处理特征点是行人跟踪的前提，特正点的位置和移动信息对目标处理很重要。在我们的技术中，标准RostemDrummonal跟踪器被用去确定特征点，有代表性的，典型的，混合的特征，以及其他能正确跟踪的特征都有可能被我们的技术所涉及。人们发现特征点往往可以从人的轮廓边界中获取，例如头，四肢，肩膀，特别是突出的点和曲面，哪些特征点经常在对象处理中被用到，特征点然后被KLT光流法跟踪。2.2对象处理因为人行走时姿势经常变化，所以对行人跟踪变得非常复杂。即使我们约束行人行走和站立的姿势，跟踪也很复杂。这本节介绍行人的部分特征点，它对行人姿势改变和遮挡具有好的抗干扰性。跟踪之前，我们需要一些样本。线性支持向量机被作为分类器有两种特性，DH-LBP特性和EOH特性，为了估计来自静态区域的干扰，运动检测应用于滑动窗口之前，它产生一个前景模板作为输出结果，滑动窗口然后被限制在前景模板和特征点附近。一旦一个对象被检测到，它在边框内部的特征点被记为特征成员，然后通过跟踪特征成员，从而