人臉識別(帶全部程序)

1、精選優(yōu)質(zhì)文檔-傾情為你奉上精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)專心-專注-專業(yè)精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè) 摘 要基于圖象處理的機器視覺與智能識別技術(shù)是圖象處理的前沿和人工智能研究領(lǐng)域的重要分支，機器識別的方法在于研究合適的計算模型，然后利用機器來實現(xiàn)簡單的智能判決。本文以“人”目標的檢測為研究對象，采用歸一化方案和主動輪廓算法提取采樣圖象中的目標信息，即圖象特征，并利用一定的先驗知識對該信息進行判斷，達到檢測和識別“人”目標的目的。 目標檢測是識別的前提工作，本文通過加權(quán)灰度分析尋找一個可以逼近我們感興趣目標的圖象點（即目標點），并在此基礎(chǔ)上建立直角坐標系，分割采樣圖，解

2、決多個目標檢測的問題。目標匹配是目標跟蹤，識別領(lǐng)域的基本思想，在本課題中鑒于采樣圖獲取目標的位置，角度和形態(tài)差異，直接進行目標匹配顯然是不可行的。本文采用歸一化的思想，通過角度修正，坐標平移和坐標伸縮，得到目標的標準尺寸和形態(tài)。與傳統(tǒng)歸一化算法的區(qū)別在于，本文并不采用某個標準模板作為參考，因而可以防止非“人”目標在歸一化之后具有和“人”目標相似的尺寸和形態(tài)。輪廓檢測一直是目標的識別算法中最基本也最困難的問題，傳統(tǒng)的輪廓檢測方案往往受采樣圖的實際效果影響較大，造成提取輪廓模糊或存在斷點乃至嚴重的輪廓失真。通常的解決方案是采用相應的后續(xù)修正算法，讓目標輪廓盡量保持連續(xù)。本文在目標歸一化的基礎(chǔ)上，采

3、用主動輪廓算法，較好的解決了輪廓對目標的貼近及其本身連續(xù)性問題，避免了復雜的后續(xù)修正工作。通常情況下的目標識別往往可以對識別過的目標進行標記或能很快提取其不變特征，不至于影響其他目標判斷。然而“人”目標的形態(tài)會隨時間發(fā)生隨機的改變，不容易提取其不變性特征，鑒于人數(shù)統(tǒng)計的客觀要求，不能容許對同一個人重復計數(shù)。本文通過對上一次目標檢測和目標識別的結(jié)果以及當前目標檢測結(jié)果進行綜合驗算的方法，來判斷是否對當前采樣圖進行識別判斷，在解決了重復計數(shù)問題的同時大大降低了系統(tǒng)的實時處理數(shù)據(jù)量。關(guān)鍵詞： 目標檢測 歸一化 主動輪廓 計數(shù)ABSTRACTThe technology based on image

4、processing and machine vision is in the forefront of the Intelligent Recognition of image processing and it is the important research branch of artificial intelligence plant. The identificational method is to find a suitable model, and then using machines to achieve simple intelligent judgment. In t

5、his paper, we study the recognition and judgement of the target of human beings. We use the normalization program and an active contour to extract algorithm information of the object and image characteristics from sampling image .Then, we make use of some prior knowledge of this information to reach

6、 the judgement which cause to the identification of people Goals. Target detection is the premise of recognition. According to Gray weighted analysis we can find an interesting target which is close to us the image point (that may be the goal points). On basis of this, we can establishmen a Cartesia

7、n coordinates and segment from the sampling image to solve the numbers of targets detection problem. Target matching and target tracking is the basic ideology of identification area, in the light of the issue of uncertained sampling image.It is hard to gain the position, Morphological differences in

8、 perspective .So matching the target directly is obviously not feasible. In this paper, incording to the idea of normalization program, such as angle correction, coordinate translation and telescopic coordinates, we can obtain standard sizes and shapes of objects. In a different with traditional alg

9、orithm ,it doesnt use standard templates as a reference. thus we can prevent the other targets from getting similar size and morphology of “people” targets. Contour detection is always be the is the most fundamental and most difficult problem of objective recognition algorithm, traditional contour d

10、etection program often suffers from the inactual results of sampling map greatly, which causes Fuzzy result of contour extraction and breakpoints in contour or even serious distortion of the contours. The usual solution is to adopt corresponding amendments to the follow-up algorithms for object cont

11、ours to maintain continuous. Based on the goal of normalization and active contour algorithm issue in this paper, wo can solve the problem to get profile of the target close to his own continuity and void the complex follow-up rectification works.Under normal circumstances , the target recognition c

12、an often be solved by identifing the target or extracting its invariant feature as soon as possible. Thus, it will not affect judgment of other goals. However, people target patterns will have random changes over time. So it is not easy to extract its invariant features. Giving the statistical numbe

13、r of objectives is not allowed to repeat the same individual counts. Based on result of previous target detection and the identification of goals in current , we can use the integrated calculation method to determine the necessity of identifing and judging of the current sampling plan . In a result

14、, we solve the problem of counting repeatly and reduce the amount of date in a real-time processing.Keywords: target detecting , normalization, active contour, count.目 錄中文摘要I英文摘要II1 緒論11.1 研究背景11.2 研究現(xiàn)狀2 1.3 論文結(jié)構(gòu)安排32 計數(shù)系統(tǒng)的目標檢測42.1 引言42.2 基于圖象的成象系統(tǒng)存在的技術(shù)瓶頸42.3 圖象采集方案52.4 目標檢測63 圖象目標的歸一化處理103.1 引言103.2

15、 圖象歸一化的基本問題103.3 歸一化轉(zhuǎn)動角參數(shù)的確定123.4 輪廓平面上目標區(qū)域的確定143.5 參照尺度的確定和比例調(diào)整174 主動輪廓算法234.1 引言234.2 主動輪廓算法的優(yōu)勢224.3 主動輪廓算法的圖象模型244.4 模型工作機制264.5 輪廓的初步檢測.274.6 基于SUSAN算子的角點檢測284.7 提取帶凹陷特征的目標輪廓.315 仿真實現(xiàn)345.1 目標檢測仿真345.2 歸一化的仿真385.3 主動輪廓仿真415.4 計數(shù)部分仿真44 5.5 實時性分析466 硬件實現(xiàn)486.1 引言486.2 TMS320C5502的功能介紹486.3 硬件設(shè)計496.4

16、 工作原理537 結(jié)束語55致 謝57參考文獻58附錄: 一.60二 671 緒論1.1研究背景在我們生存的世界中，存在著多種多樣的可被我們所感知的信號，從而幫助我們?nèi)チ私庵車沫h(huán)境。其中，光線的刺激作用于眼睛所形成的圖像信號，占有著重要的地位，據(jù)資料顯示，人的80%以上的信息來源是通過視覺系統(tǒng)所獲得的圖像信號。人和高等動物都有著發(fā)達的視覺系統(tǒng)，使得客觀環(huán)境中存在的事務或目標可以被識別，從而引發(fā)進一步的處理。對于人類來說，這種功能是與身俱來的，十分輕松的事情。可對于機器視覺系統(tǒng)來說，這樣卻是十分困難的事情。分析我們?nèi)祟愐曈X判斷一個場景中的物體，比如判斷是否是一個人的過程，如果不確定是否是物體正

17、面，首先是從輪廓著手，將“人”目標和其他目標以及背景部分區(qū)別開來，其次是查看上下特征，在頭部區(qū)域查看是否有頭發(fā)，眼睛，鼻子，耳朵等明顯的五官，在身體區(qū)域觀察是否有手，腿，腰等顯著軀干特征。通過以上觀察，和頭腦中的“人”目標的概念進行比對判斷，便可以得到結(jié)論。對于一個智能視覺處理系統(tǒng)來說，圖像的獲得可以通過各種光電器件如攝像頭，CCD)等得到，并轉(zhuǎn)化成數(shù)字信號。其后的處理一般是交給功能強大的計算機和微處理器來完成。一個完整的機器視覺系統(tǒng)基本上是由三個相互關(guān)聯(lián)而又有明顯區(qū)別的過程組成的，即場景分離、目標生成和智能判決。攝象頭采集的原始圖象往往有很多冗余的信息或干擾，比如背景信息，噪聲干擾等等，這些

18、不必要信息對于我們找到真正感興趣的目標信息是一個障礙，場景分離就是要通過圖象處理來弱化干擾因素的影響，強化我們感興趣的部分；目標生成，是一個指定判斷區(qū)域和判斷對象的過程，通常是一個包括目標和非目標在內(nèi)的粗識別步驟，對可能是目標的區(qū)域和物體收集或標記，最后再通過進一步的特征提取和處理，結(jié)合一定的判決模型，以較大的概率判斷這幅圖像或它的一部分是不是我們所要尋找的目標。和人類視覺不同的是，機器智能受判決模型數(shù)學上的精確性和機器系統(tǒng)先驗知識的局限性制約，無法在目標可能的復雜性和判斷的準確性上保持很高的一致。比如，人類視覺可以通過衣服等無法精確描述的附加物來識別“人”目標， 而機器系統(tǒng)卻不行。 然而，機

19、器識別作為圖象處理和人工智能相結(jié)合的新興科學具有和人的主觀識別完全不同的優(yōu)勢，在文字處理，指紋處理，車輛監(jiān)控，安全檢查等諸多方面都有廣闊的應用前景。針對不同的應用場合，我們對“人”目標的識別無外2種目的，一是充分提取細節(jié)特征識別到具體的個人，這類應用在社會安全領(lǐng)域如犯罪調(diào)查，身份驗證等方面已經(jīng)有相應的硬件實現(xiàn)；二是忽略單個目標，只對某場合的“人”目標群體感興趣，比如只想知道該群體數(shù)目的增減情況，這一方面由于忽略了對每個目標單位的詳細判斷，為降低算法復雜度，降低硬件成本提供了客觀依據(jù)，因而可以在更普遍的場合得到應用，而現(xiàn)有的智能識別系統(tǒng)針對這類應用的研究并不充分。1.2研究現(xiàn)狀從原始圖象中識別和

20、檢測目標，一直是圖象處理領(lǐng)域的一個前沿課題。由謝樹煜等提出的實時視頻對象與計數(shù)系統(tǒng)的模型和算法設(shè)計，通過綜合運用顏色模型轉(zhuǎn)換、減影、膨脹、腐蝕、聚類、匹配、跟蹤等圖象處理技術(shù)，成功的在非復雜背景的人物運動圖象中實現(xiàn)了對待檢測區(qū)域內(nèi)運動對象的識別檢測和計數(shù)。但這類方法受具體場合的影響很大，改變背景特征，改變攝象頭取圖高度，或者改變場景中的目標運動方向，就必須對方案提出相應的改變甚至更新整套設(shè)計。人工神經(jīng)網(wǎng)絡(luò)的理論和算法的成熟，為機器智能識別提供了可能，在matlab軟件包里面已經(jīng)集成了一部分基于人工神經(jīng)網(wǎng)絡(luò)理論的應用型模塊。該技術(shù)通過機器對樣本的學習，讓目標的特征可以被機器掌握，從而在目標和非目

21、標的對象中做出選擇和判斷。但應用人工神經(jīng)網(wǎng)絡(luò)的圖像處理和識別技術(shù)，關(guān)鍵需要找到合適的模型來描述樣本的特征，其實質(zhì)仍然是特征的提取。近年來，隨著學科綜合趨勢的加強，有學者將解剖學，形態(tài)學以及圖象處理技術(shù)綜合起來，提出一種全新的骨點檢測算法，通過角度修正，骨點匹配，檢驗當前人目標和數(shù)據(jù)庫信息的相似程度，該方法具有更高的精度，識別誤差非常小，但是由于是具體到目標個體的識別，龐大的數(shù)據(jù)庫和硬件成本不能在普通的場合得到廣泛應用。另外，根據(jù)不同的應用要求，也沒有必要采用精確的目標識別，比如類似本課題的識別計數(shù)系統(tǒng)，分辨每個目標單位是沒有必要的，我們只關(guān)心“人”目標的數(shù)目，對于到底是誰，并不需要知道。近年來

22、公車車門附近普遍裝上了攝象頭，很自然的聯(lián)想到，是不是可以利用某種識別計數(shù)系統(tǒng)來計算上下車乘客的數(shù)目，為收集相應的信息，制定合理的公車運營策略提供數(shù)據(jù)支持，這就是公車智能識別系統(tǒng)。參考相應的文獻發(fā)現(xiàn)，普遍的方案是采用紅外識別，重量傳感的思路，基于圖象處理的識別系統(tǒng)由于干擾因素較多，使得目標搜索，目標匹配等傳統(tǒng)方案不能達到一個令人滿意的準確度。一些相關(guān)文章，依據(jù)傳統(tǒng)的圖象處理技術(shù)，對乘客的衣著復雜度沒有充分考慮，對人的頭發(fā)顏色則取為黑色，忽略了白發(fā)乘客，戴帽子乘客可能帶來的識別困擾。目標、背景分離技術(shù)已經(jīng)是圖象處理中最基本最成熟的技術(shù)之一，很多文獻將此過程稱為初始化。本文跳過目標，背景分離技術(shù)，只

23、考慮中后過程的目標識別和檢測，是因為各個場合下的初始化方案必定有很大不同，沒有太多的參考價值，而初始化以后的“人”目標檢測和特征提取過程卻有很大的參考余地。因此，我們討論單純背景的“人”目標識別計數(shù)系統(tǒng)，對于類似的課題有一定的通用性。由于傳統(tǒng)輪廓提取方案的局限性加上人體輪廓的復雜性和隨機性，絕大多數(shù)“人”目標識別方案都沒有考慮輪廓提取方法。本文采用與傳統(tǒng)輪廓方案有很大不同的主動輪廓算法來提取輪廓特征，主要通過衣服較少的頭部輪廓和帽子不能遮蔽的臉部輪廓，作出判斷，是一種新的嘗試。1.3 論文的結(jié)構(gòu)安排（研究意義）第一章為緒論，主要包括課題的研究背景，研究現(xiàn)狀，提出本文的基本思路，綜述本文的創(chuàng)新重

24、點。第二章介紹目標檢測的處理流程和系統(tǒng)的工作機制。第三章介紹歸一化算法及其在本文中的實現(xiàn)步驟。第四章引入主動輪廓算法的理論和在本文的具體應用。第五章為硬件實現(xiàn)和實驗結(jié)論。第六章為結(jié)束語。2 計數(shù)系統(tǒng)的目標檢測2.1 引言 基于圖象處理的目標檢測是圖象智能識別的前提，目標檢測的任務是通過提取相應的目標特征，將我們要識別的目標全部標志出來，并盡可能的減少干擾目標的存在。也就是，通過一套特征方案尋找一個包括所有感興趣目標的識別目標集。這個目標集的大小，取決于我們的方案和待處理圖象的復雜程度。如果只包含感興趣目標，稱為理想目標集，或者最小目標集，而實際上，這樣的效果很難做到。在確定選取方案的時候，一方

25、面要考慮將目標包括在內(nèi)，另一方面要盡量排除干擾。所以過于嚴格的方案容易造成目標遺漏，而提取寬松的特征，又會給后續(xù)判斷帶來較多的計算和比較，增加整個識別過程的復雜度。所以根據(jù)實際應用的需求，需要綜合比較一些不同方案的優(yōu)劣。2.2 基于圖象的成象系統(tǒng)存在的技術(shù)瓶頸圖象識別的前提是獲取相關(guān)的圖象信息，好的圖象采集方案，不僅可以獲取較完整的信息，而且可以幫助提取目標特征，方便圈定識別目標集。對于公眾場合的成象系統(tǒng)，將攝象頭放在成象視角較好的地方是第一個考慮因素，其次，要考慮該角度是否能夠取到明顯的目標特征，能否降低干擾因素的存在。基于圖象的識別對各類噪聲和干擾往往比較敏感，所以選擇放置角度應考慮背景變

26、化的因素。這些背景的變化包括景物變化，成象距離變化和光線變化等等，這些可能的變化對于識別目標會帶來很大的困擾，使得我們很難找到一個簡單有效的方案針對所有的成象背景都有令人滿意的效果。圖象的遮蔽效果是圖象處理中經(jīng)常無法回避的問題，這是圖象的二維局限性所決定的。在任意一個拍攝角度下，理論上都無法避免目標遮蔽的存在。但在具體的應用中，結(jié)合場景和目標運動的特點，可以決定一個最佳的圖象采樣角度。如果將遮蔽效果和背景特點結(jié)合考慮，則攝取角度將可能被局限于很小的范圍，或者無法令二者均達到最優(yōu)。以犧牲識別目標集的完整性為代價的次優(yōu)方案成為這種技術(shù)困難下的一種解決途徑，但換一個角度考慮，投入少量的成本增加攝取角

27、度，讓各個角度存在相應的互補性，無疑是一個更好的方法。但是，事實上這個方向的研究并沒有太多的進展。多角度圖象雖然增加了獲取信息的完整性，但對于圖象同步和數(shù)據(jù)綜合提出了更多的挑戰(zhàn)，特別是多幅同步圖象的信息綜合涉及更加復雜的控制和處理。對應于某個采樣角度，必定存在相應的容易提取的圖象特征。對于實時系統(tǒng)而言，采用的特征提取方案在保證準確率的同時還應注意時效性，即必須考慮這個方法占有的系統(tǒng)處理時間。這個時間主要和處理信息的多少，算法復雜度的大小有關(guān)。一方面，實時系統(tǒng)要求更快的信息處理，另一方面，我們希望能夠得到最優(yōu)的識別目標集。時間和效果的最優(yōu)往往在實際的系統(tǒng)中難以兼顧，在此情況下，通常的方法是第一，

28、通過分析圖象特點和目標特點，找到采集圖象的數(shù)據(jù)冗余，依靠大量的減少實時數(shù)據(jù)量增加系統(tǒng)的時效性，第二，以犧牲檢測精度為代價，獲取次優(yōu)的目標集來降低系統(tǒng)的時間依賴性。2.3 圖象采集方案的要求通過2-2節(jié)的介紹，對于人目標的實時計數(shù)系統(tǒng)圖象采集部分需要注意和考慮的問題已經(jīng)有了大致的框架。即需要讓攝象頭采樣的圖象包含盡量完整的目標信息，減少目標干擾，降低時間依賴性。在此基礎(chǔ)上確定一個方案（算法），該算法應綜合考慮檢測效率和計算復雜度。假定我們安排單個攝象頭，為了能夠檢測到人目標的顯著特征，當然應該盡量包含人目標的頭不信息。因為，人目標的頭部五官等具有區(qū)別于其他干擾目標的顯著特征。所以，可以選擇頭部附

29、近前后左右上五個方向。其中，正面，側(cè)面和頭頂有明顯多于從背后攝象的圖象特征可以利用。正面圖象最容易發(fā)現(xiàn)人目標的五官特征，檢測效率高，算法也比較簡單。但是對于很多場合，無法處理目標遮蔽帶來的識別障礙，另外，考慮背景因素的前提下，正面的攝象角度容易受到背景變化的干擾，在很多場合下，場合的入口處具有很強的隨時間變化的背景光線，在采樣圖象中非常明顯。側(cè)面圖象可以找到人目標的耳朵，鼻子，嘴巴，下巴等特征，但是同樣無法應對圖象遮蔽，而且由于人目標是非剛性的形體， 頭部的旋轉(zhuǎn)和身體運動軌跡的隨機性都會讓側(cè)面圖象丟失滿意的視角，讓原本顯著的圖象特征不容易被發(fā)現(xiàn)和提取。相對而言，在不考慮背景因素前提下，受遮蔽影

30、響最小的是頂部攝象頭。很多應用的場合下，留心觀察會發(fā)現(xiàn)，攝象頭幾乎都是安排在頂部的。頂部采樣圖的特點是，能夠?qū)⒛繕俗鳛橐粋€整體進行觀察，找出相應的目標特征或運動特點，并能夠運用傳統(tǒng)的跟蹤，搜索和匹配技術(shù)實現(xiàn)對目標的檢測，識別。但是，如果要通過目標輪廓來執(zhí)行后續(xù)判斷，頂部的輪廓特征相對于其他位置是最差的。本文從創(chuàng)新角度出發(fā)，采用輪廓方案作為目標識別和判斷的依據(jù)，僅僅使用頂部攝象頭顯然是不行的。所以必須要獲得其他位置的圖象信息，這樣就必須引入多幅圖象的數(shù)據(jù)綜合問題。加上實時要求，對算法提出了復雜度的限制，所以，本文采取的方法是，利用頂部攝象頭獲取的圖象信息指導其他位置攝象頭的采樣和圖象矯正。本文的

31、圖象采集方案如下：在場景入口位置 ，設(shè)置三個攝像頭，分別處于上，左，右位置，如下圖所示A A C B 圖2.1 A，B，C表示三個攝像頭 Figure2.1 A,B,C indicate 3 cameras 在實際系統(tǒng)中，把A放在頂部的中央，B，C分別在左右對稱的位置，從平面上看，三個攝像頭的中心交于一點。這樣設(shè)計的好處在于，我們可以得到圖像的三維立體信息，同時，由于攝像頭的分工給后續(xù)的檢測判斷提供方便。容易想到，由于離頂部最近，人目標的頭部信息最有可能成為A俯視圖的重點，這是目標檢測的重要依據(jù)。而B，C負責提供側(cè)面圖像，為后面的輪廓判斷做好準備，之所以設(shè)置左右2個，是考慮到多目標，包括非“人

32、”目標可能帶來的遮蔽效果；而左右對稱的設(shè)計，可以給單個目標的歸一化帶來方便。下面就進一步介紹這個設(shè)計的具體作用。2.4 目標檢測 假設(shè)對A每隔一定時間抓取一次圖像，這個時間間隔必須保證不會遺漏任何目標的通過，并且能夠在連續(xù)的采樣圖上能觀察到目標通過的基本過程，同時考慮到系統(tǒng)的實時處理需要的運行時間，我們這里取為0.1秒。按照理想化的假設(shè)，人目標的頭部信息主要是頭發(fā)，而黑色頭發(fā)在人群中有很高的比例。設(shè)圖像在坐標處的象素灰度為，我們使用一個加權(quán)的方法對整個圖像范圍的灰度進行計算并取平均 （2.1） （2.2）其中，M，N分別表示采樣圖的行列值，表示最終的橫縱坐標，表示一個加權(quán)后的平均灰度，表示對應

33、的權(quán)值。假設(shè)對于黑色灰度取很高的權(quán)值，對于其他灰度按照其靠近黑色的程度取較小的權(quán)值，那么這樣計算下來，必定使得橫縱坐標非常靠近黑色集中的區(qū)域或在黑色區(qū)域之內(nèi)。這就是用加權(quán)灰度尋找目標點的基本思路，在這里，我們把目標點，稱為 “質(zhì)點”，它反應了圖像中低灰度區(qū)域的重心。容易想到，如果有幾個黑色頭發(fā)的人目標在這個圖里或者有其他灰度較低的干擾目標存在，那么質(zhì)點很可能并不處于任何一個低灰讀區(qū)域之內(nèi)。質(zhì)點 質(zhì)點 低灰度區(qū)域 圖2. 2 質(zhì)點并不處于某個低灰度區(qū)域之內(nèi) Figure 2.2 Particle is not in a low-intensity region 于是，我們以這個圖的質(zhì)點為原點，建

34、立一個直角坐標系。在它的各個象限非別用式（2.1），（2.2）進行質(zhì)點判斷，直到我們所找到的質(zhì)點已經(jīng)處于某個低灰度區(qū)域之內(nèi)，并且該區(qū)域的面積不小于一個閥值時，結(jié)束計算，這里我們把這個面積閥值稱為目標判斷值。計算步驟如下：以整個圖的質(zhì)點為原點建立直角坐標，在垂直坐標兩邊尋找質(zhì)點，然后在水平坐標兩邊尋找質(zhì)點，若找到的質(zhì)點滿足后續(xù)條件，結(jié)束，否則轉(zhuǎn)3在4個象限分別尋找質(zhì)點，若找到質(zhì)點滿足條件，結(jié)束，否則，對于不滿足條件的質(zhì)點，若它所在的象限面積不小于一個規(guī)定值，（我們規(guī)定為不小于目標判斷值的2倍）繼續(xù)建立直角坐標，轉(zhuǎn)2，否則轉(zhuǎn)4結(jié)束所有尋找，返回所有質(zhì)點的灰度值和坐標。我們把這時候的質(zhì)點稱為“目標質(zhì)

35、點”，目標質(zhì)點的數(shù)目就是待測目標的數(shù)目。圖2.3 目標檢測流程 圖2.3 目標檢測流程 采樣圖象 初步質(zhì)點判斷 建立坐標，循環(huán)判斷目標質(zhì)點灰度圖象Figure 2.3 the processing of detecting objects 但是，對于實時運算，對每個灰度值取不同的權(quán)值使得這一過程的計算量偏大，于是想到用階段量化的方法，設(shè)置幾個門限，大于相應的門限值則取同樣的權(quán)值。而且，進行整個視圖范圍的灰度計算受背景等因素干擾的可能性大大增加。我們考慮一些改進如下，首先限制A攝像頭的抓取范圍，只保留一個寬度大于標準成人頭部長度（從俯視角度，前額至后腦）1.5倍，長度接近場景入口寬度的矩形條，如

36、圖：圖圖2.4 A攝像頭的抓取范圍 上邊界 下邊界D=1.5假設(shè)的頭部目標 Figure 2.4 the grasping scope of A camera 這樣一來，就大大減少了計算范圍， 圖中上邊界和下邊界的另一個好處是，可以判斷目標是進入還是離開場景，當采樣圖中發(fā)現(xiàn)某個“目標質(zhì)點”越來越靠近邊界時，則給出一個目標進入或消失的信號，并且當前待測目標數(shù)減1。由于A攝象頭的抓取間隔時間很短，不妨認為在系統(tǒng)對目標進行判斷之后，目標仍未離開圖2.2的矩形區(qū)域。那么，根據(jù)減少系統(tǒng)實時處理數(shù)據(jù)量和不可重復計數(shù)要求，我們制定如下的控制準則：若頂部檢測目標數(shù)大于側(cè)面檢測目標數(shù)，以側(cè)面檢測目標數(shù)為準。若頂

37、部檢測目標數(shù)為0，將B，C置于無效狀態(tài)若頂部檢測目標數(shù)小于側(cè)面檢測目標數(shù)，以頂部檢測目標數(shù)為準頂部檢測始終開啟若頂部采樣圖中不存在新目標，將B，C置于無效狀態(tài)；否則同步開啟B，C采樣側(cè)面圖6. 在側(cè)面圖未獲取有效目標區(qū)域的情況下，間隔0.2s繼續(xù)取3幅側(cè)面采樣圖進行判斷，若仍未檢測到有效區(qū)域，視為假目標由此，我們得到一個控制框圖如下：控制準則控制準則原始圖象頂部檢測 側(cè)面檢測 Figure 2.5 the part of judge and control of counting system 圖2.5 計數(shù)系統(tǒng)的控制部分 值得注意的是，盡管使用了3個攝象頭采樣圖象數(shù)據(jù)，但是對于3個以上的多目

38、標識別仍然困難。這是因為，攝象頭的取圖范圍十分有限，在3個以上的目標同時通過入口場景時，中間目標存在嚴重的被遮蔽干擾，2側(cè)攝象頭無法保證得到中間目標完整的側(cè)面信息。另外，在多數(shù)條件下，過于寬闊的場景入口給硬件安排也帶來了不便，允許2個以內(nèi)目標同時進入適用于大多數(shù)應用場合（比如共車門口，可以觀察到幾乎沒有3個人同時進入的情形），引入多個目標在大大增加數(shù)據(jù)處理量的同時，引入了更多的變動因素，人為的調(diào)高了系統(tǒng)的設(shè)計復雜度，增加了誤報和漏報風險，是沒有必要的。因此，本文主要討論2個以下的目標進入情景， 從理論方向保證了系統(tǒng)的計數(shù)精度。3圖象目標的歸一化處理3.1 引言 數(shù)學上的歸一化運算是把一個數(shù)據(jù)集

39、統(tǒng)一到一個標準尺度下的計算。在圖象處理中，對某一個場景取樣，可以把取樣的圖象看作是一個多元函數(shù)，它表明圖象的內(nèi)容是隨時間和空間變化的。假定在連續(xù)場景中存在一個我們感興趣的目標，我們把含有且只含有該目標的一系列連續(xù)的圖象禎稱為相關(guān)采樣圖象，把組成該目標的象素在這些圖象中的表達函數(shù)記為，這個函數(shù)我們稱為目標函數(shù)。它反應了目標在相關(guān)采樣圖象中的時空特征。那么顯然， 也是隨時空變化的。為了識別該目標，必須能夠找到一個相對穩(wěn)定的特征來代替這個變化的目標函數(shù)，歸一化就是其中一種思路。圖象處理中歸一化的基本思想是，通過相應的參數(shù)確定一個算子，用該算子與目標函數(shù)進行某種運算，得到一個新的函數(shù)。新函數(shù)至少在相關(guān)

40、采樣圖象的采樣時間內(nèi)對時間不敏感，并且坐標位置的變化比原函數(shù)要小，相當于將變化的目標函數(shù)統(tǒng)一到了一個模板函數(shù)之下。這樣，就成功的減小了目標的形態(tài)，角度，位置變化給識別判斷帶來的影響，從而提高識別率。3.2 圖象歸一化的基本問題通過攝象頭抓取采樣圖象是把三維空間信息表達成二維信息的過程，所以我們無法從一幅二維圖象中確定每個象素的位置深度，即該點和攝像頭之間的距離。經(jīng)驗告訴我們，當某個目標離攝象頭遠的時候，它在采樣圖中占有的尺寸比例會相應的減小，反之則增大。但它的實際大小究竟如何，沒有一個固定的參照很難得出結(jié)論。實際上，攝象頭帶來的尺寸縮放并不是一個嚴格按離開攝像頭的距離之比例變化的函數(shù)，也就是說

41、，攝象頭不是一個按距離縮放的線性器件。特別對于一個三維物體，它的各個部分按照所處位置距離攝像頭的不同，被放大縮小的比例顯然并不一致。假設(shè)有一個采樣圖平面集，它們垂直于自身中心與攝象頭中心的連線，如圖，我們把這個平面集稱為標準平面集圖3.1 標準平面集 圖3.1 標準平面集 距離d . 攝象頭 Figure 3.1 standard planes set 考察其中一個標準平面與攝象頭的距離d，以及平面上象素和攝象頭中心的角度，如圖攝象頭 攝象頭 距離d 圖3.2 標準平面上象素與攝象頭的幾何關(guān)系Figure 3.2 the geometric relationships between a pi

42、xel in a standard plane and camera 按照簡單的設(shè)想，由象素構(gòu)成物體的尺寸只與各象素與攝象頭的距離有關(guān)， 前提是認為攝象頭是一個按距離縮放的線性器件。不妨設(shè)這個比例函數(shù)為，距離不同，各象素點的坐標需要相應的調(diào)整，這樣才能讓整個物體的平面尺寸得到真實的反應。 以標準平面的中心為原點建立直角坐標系，那么，單個象素的坐標x, y的調(diào)整式為 ； （3.1）式中是象素的原坐標，是新坐標，是該象素與攝象頭中心連線和平面中心和攝象頭中心連線的夾角。顯然，當?shù)闹挡皇呛艽髸r，新坐標的變化也不大，也就是說，存在一個以標準平面中心為核心的鄰域，使得該區(qū)域內(nèi)的象素可以使用統(tǒng)一的比例函數(shù)

43、作為坐標調(diào)整的依據(jù)。實際上，得到一個三維物體各部分的精確尺度并不是一個必要的環(huán)節(jié)，基于其他顯著特征或特征匹配的圖象識別技術(shù)甚至不要求得到清晰的圖象輪廓。而基于輪廓的特征提取方案，最感興趣的顯然是圖象中物體的外形輪廓。為了解決這個問題，參考上面的敘述，我們可以取一個標準平面，并認為，靠近該平面中心的某個鄰域內(nèi)，物體的尺寸與距離攝象頭中心的距離存在一個相同的比例關(guān)系。比例確定以后，我們還需要一個固定的參照。這個參照是為了解決以誰為標準進行比例縮放的問題。為了方便起見，不妨認為該參照平面也是一個標準平面，并且與攝象頭之間存在一個固定的距離，外形和大小相同的物體在該參照平面下有固定的尺寸。那么，依據(jù)這

44、個參照尺度進行調(diào)整，可以認為，調(diào)整后的圖象是處于同一個標準平面模式下。這樣，我們開始所關(guān)心的問題可以表達成如下幾個方面：采樣圖象中物體的輪廓是否處在一個標準平面上2. 在容許的誤差范圍內(nèi)如何確定該平面中心附近的一個區(qū)域，讓該區(qū)域內(nèi)的象素坐標可以按照統(tǒng)一比例進行調(diào)整3. 如何確定一個參照尺度，在采樣圖象中容易找到相應的尺度，以確定調(diào)整的比例3.3 歸一化轉(zhuǎn)動角參數(shù)的確定由于人的頭部旋轉(zhuǎn)的可能性比較大，所以抓取側(cè)面圖象的時候，并不能保證側(cè)面輪廓處于某一個標準平面上。但從俯視角度，可以找到一條平分頭發(fā)區(qū)域的直線。由于人體的對稱性，我們知道該直線與人的鼻尖或下巴尖共同決定了一個平面，而側(cè)面輪廓也必然包

45、含鼻尖，下巴尖和頭頂部分，于是可以認為，平面非常貼近側(cè)面輪廓所在的平面，這個貼近的程度取決于與人的對稱線重合的程度。在實際應用中，不妨認為這2個平面是重合的。于是可以認為，由直線和鼻尖，下巴尖共同構(gòu)成了人的側(cè)面頭部輪廓平面，該平面與上節(jié)所講的標準平面之間存在一個夾角。設(shè)這個夾角為，如果我們把這個平面旋轉(zhuǎn)角度，那么人的頭部輪廓就位于一個標準平面之內(nèi)了。這就回答了3-2節(jié)提出的第一個問題。那么我們?nèi)绾巫岊^部輪廓平面旋轉(zhuǎn)呢，這個旋轉(zhuǎn)角度到底如何確定？事實上，直線與標準平面存在如圖的幾何關(guān)系圖3.3 直線與標準平面幾何關(guān)系（俯視圖） 圖3.3 直線與標準平面幾何關(guān)系（俯視圖） 標準平面 直線（側(cè)輪廓平

46、面） 理想的頭部區(qū)域 Figure 3.3 the geometric relationships between line and standard plane 由上述內(nèi)容我們知道直線與頭部輪廓處在同一平面，但與標準平面的夾角未必就等于2個平面的夾角，由幾何關(guān)系可知，當且僅當該直線垂直于2平面交線的時候，直線與平面的夾角才等于平面之間的夾角。問題在于，從俯視角度，頭部輪廓平面是否如圖3.3，可以完全被直線遮蔽。由于人體的對稱特點，如果只考慮頸部旋轉(zhuǎn)，不考慮頸部向旁側(cè)的扭動，即頭部始終保持俯視角度的端正，那么直線一定可以完全遮蔽其側(cè)面輪廓平面，即在俯視角度用該直線代替整個輪廓平面。而標準平面是

47、正對側(cè)面攝象頭的平面，對于頂部俯視角度而言，它可以被頂部攝像頭采樣圖中的任意一條平行于y軸的直線代替表示。這樣2個平面的夾角就簡化成了2條直線的夾角。聯(lián)系前面的章節(jié)，我們把這個尋找夾角的過程表達出來，步驟如下：通過頂部攝像頭采樣圖像，尋找目標質(zhì)點對每一個目標質(zhì)點選擇一個相應的區(qū)域，尋找一條直線將此區(qū)域內(nèi)的象素平分將此直線與采樣圖縱坐標夾角記為步驟1的方法在2-2中已經(jīng)進行了詳細介紹，這里我們給出步驟2的具體方法：對于步驟1尋找到的目標質(zhì)點，以該點為中心，取一個邊長從到之間變化的正方形區(qū)域。為了盡量避開對整個采樣圖的計算，減少多目標之間的互相干擾和其他非相關(guān)象素的干擾，提高人目標頭部區(qū)域平分線的

48、精度，我們需要選擇一個合理的區(qū)域，盡量包含對應于單個目標質(zhì)點的可能的頭部區(qū)域，同時避開其他的非相關(guān)區(qū)域。根據(jù)人目標頭部在頂端采樣圖中可能的尺寸，我們先確定其邊界，即包含一個人的頭部區(qū)域的正方形的最小尺寸不小于，同時不大于。在確定正方形邊長范圍以后，通過步長進行區(qū)域匹配。一個最優(yōu)的正方形區(qū)域必須滿足如下條件：（1）以目標質(zhì)點為中心，區(qū)域內(nèi)絕大多數(shù)象素的灰度值不低于某個閥值，該值的確定需要參照目標質(zhì)點的灰度值；（2）該區(qū)域內(nèi)象素灰度值的方差不大于某個閥值；（3）該區(qū)域內(nèi)大于目標質(zhì)點灰度值的象素的面積不小于正方形區(qū)域面積的一半，灰度值滿足條件（1）的象素面積不小于正方形區(qū)域的80%；（4）該區(qū)域滿足

49、條件（1），（2），（3），且是邊界范圍內(nèi)尋找到的一個最大的正方形區(qū)域。由于上述的條件（2）需要對區(qū)域內(nèi)象素的進行方差運算，對實時系統(tǒng)的要求較高，我們可以提高條件（1）的閥值，由于目標質(zhì)點主要取決于周圍象素的灰度值，可以認為它近似的等于周圍某區(qū)域內(nèi)的象素平均灰度值，加上閥值限制，則質(zhì)點周圍某正方形區(qū)域內(nèi)的象素灰度值的方差可以得到理論上的保證，對于這樣的正方形區(qū)域，可以省去條件（2）的判斷。如果能夠找到滿足以上4個條件的正方形區(qū)域，結(jié)束步驟2，轉(zhuǎn)步驟3；否則判斷該目標質(zhì)點為無效質(zhì)點，取采樣圖中下一個目標質(zhì)點，進行步驟2，3的操作。到這里我們已經(jīng)回答了本章節(jié)開始提出的問題，得到了確定夾角的完整步驟

50、。在不考慮人目標頸部側(cè)向扭動的假設(shè)前提下，可以將本章節(jié)內(nèi)容概括為如下流程：圖3.4 計算夾角圖3.4 計算夾角流程 是 否 確定區(qū)域平分線計算直線與采樣圖軸夾角 是否滿足最優(yōu)條件 尋找正方形區(qū)域 目標質(zhì)點 頂端采樣圖 Figure 3.4 process of calculate angle 由本節(jié)開始的問題，我們計算這個夾角是為了指導平面旋轉(zhuǎn)。其實平面并沒改變，各點在此平面上的坐標也沒改變，但從視覺角度，經(jīng)過旋轉(zhuǎn)以后，各點的橫坐標將發(fā)生變化，而從俯視角度看，旋轉(zhuǎn)是繞軸進行的，目的是讓輪廓平面與標準平面重合。故輪廓平面縱坐標不發(fā)生變化。記原平面上某點的象素坐標為，將此平面轉(zhuǎn)動角度，則該點對應的

51、轉(zhuǎn)動后的視覺坐標顯然滿足 ， （3.2）這樣，我們就解答了圖象歸一化基本問題的第一個問題，讓物體輪廓處在一個標準平面上。事實上，這也是整個歸一化過程的第一步。它的作用是，將側(cè)面采樣圖置于視覺上的標準平面，抵消由于人頭部的旋轉(zhuǎn)帶來的輪廓凹進。必須指出的是，這個抵消作用只在一個不大的角度范圍內(nèi)適用。當人的頭部旋轉(zhuǎn)角度過大，甚至接近正面采樣效果的時候，側(cè)面采樣圖中將無法找到鼻子，嘴巴，下巴等突出部分的外形輪廓，此時利用夾角參數(shù)來轉(zhuǎn)動平面得到各象素的視覺坐標， 一定會產(chǎn)生失真，這個失真的嚴重程度取決于實際的轉(zhuǎn)動角度的大小。在實際應用中，小于40度的轉(zhuǎn)動角是可以接受的。3.4 輪廓平面上目標區(qū)域的確定歸

52、一化的第二個問題是，如何在輪廓平面上確定一個區(qū)域，使得這個區(qū)域能夠包含人目標的頭部輪廓，為后續(xù)平移和比例調(diào)整帶來方便的同時，降低大范圍歸一化帶來的幾何誤差。當輪廓平面和標準平面重合以后，它的輪廓效果已經(jīng)大致接近位于目標正側(cè)面的采樣效果。為方便后續(xù)論述，我們把采樣圖經(jīng)過旋轉(zhuǎn)后得到的標準平面稱為采樣標準平面。由3-2可知，這時候我們?nèi)匀浑y以確定輪廓平面（此時也可以稱標準平面）與側(cè)面攝象頭的距離，從而無法確定圖象目標的實際尺寸。特別當目標輪廓靠近側(cè)面采樣圖的邊界時，由于攝象頭的非線性縮放特性，目標輪廓的外形和尺寸都會產(chǎn)生偏差，尤其是輪廓外形的偏差是很難用圖象的方法去復原的。于是，我們想到，在放置攝像

53、頭時將此情況考慮在內(nèi)，讓側(cè)面攝像頭的高度能夠讓大多數(shù)人目標的頭部區(qū)域經(jīng)過采樣圖的中心區(qū)域。當側(cè)面采樣圖中的目標輪廓距離這個中心區(qū)域太遠的時候，對該目標應舍棄。這種舍棄主要針對了如下情況：即人目標在采樣瞬間已經(jīng)快要通過側(cè)面攝象頭的抓圖范圍。由于人的側(cè)面采樣圖并不一定能找到象頭部那樣集中的低灰度區(qū)域，整個采樣圖的灰度分布也很難給出規(guī)律性的評價。我們面臨的問題如下：1. 如何在側(cè)面圖中確定人目標頭部輪廓所在區(qū)域2. 如何確定該區(qū)域與采樣標準平面中心的距離，以及判斷是否需要舍棄和俯視角度不同，側(cè)面的灰度分布具有很大的隨機性，即使采樣圖中只有一個目標，依靠直接的灰度信息也很難找到頭部區(qū)域可能的位置，當采

54、樣圖中包含多個人目標和其他干擾目標的時候，尋找可能是頭部的區(qū)域顯得更加困難。但是，我們?nèi)匀恍枰业揭粋€位于頭部區(qū)域中心或接近區(qū)域中心的點，作為減小誤差，減少計算和提高判斷精度的依據(jù)。于是我們想到適用于頂部攝像頭采樣圖的尋找目標質(zhì)點思路，可以認為，如果側(cè)面采樣圖中有人目標存在，那么他的頭部具有相對于其他區(qū)域更豐富的輪廓線，這個輪廓線集中的區(qū)域就是我們要尋找的擬人目標的頭部區(qū)域。采用尋找目標質(zhì)點的思路，我們先對側(cè)面采樣圖進行輪廓提取，對整個圖的輪廓象素統(tǒng)一置1，其他置0。然后計算該圖的象素重心，同樣， 考慮到多個目標（包括人目標和干擾目標），該重心可能并不落在某個目標的輪廓區(qū)域之內(nèi)，所以采用建立直

55、角坐標和區(qū)域描述的方法，分區(qū)間尋找輪廓重心。其實現(xiàn)步驟描述如下：在整個輪廓圖上尋找象素重心，若此點與圖中心點距離超過30，則轉(zhuǎn)步驟3。以該點為中心劃定一個正方形區(qū)域，邊界分別以上下左右的邊緣象素所在坐標位置為邊界，轉(zhuǎn)步驟2考察此區(qū)域內(nèi)象素的數(shù)目和它們距離重心的距離均值，考慮頭部區(qū)域的標準尺寸，該值應不小于一個標準值范圍的75%（5590），且距離均值方差應在一個給定的范圍內(nèi)（1420），判斷此區(qū)域為有效區(qū)域，否則轉(zhuǎn)步驟3以原重心為中心建立直角坐標系，在橫坐標2邊重新尋找各自的輪廓重 心，并分別轉(zhuǎn)步驟1，若不能找到有效區(qū)域，則在縱坐標2邊重新尋找各自的輪廓重心，并分別轉(zhuǎn)步驟1。若仍然不能找到有效

56、區(qū)域，則在該直角坐標系四象限中最大的2個象限中尋找 。在此步驟的任何一個情況下，若找到有效區(qū)域，且區(qū)域最短邊大于一個標準側(cè)面頭部區(qū)域的75%，則返回其重心坐標和區(qū)域邊界信息，并結(jié)束整個步驟，不再考慮其余情況。經(jīng)過上述步驟找到的有效區(qū)域，是輪廓線條豐富而且集中的區(qū)域，為了提供更多的選擇，我們還可以利用下面的判斷方法。假設(shè)側(cè)面采樣圖中存在人目標，那么在理想狀態(tài)下，他的頭部輪廓應該是一條比較長的曲線，該曲線兩端以頸部為結(jié)束點。根據(jù)這個特點， 先提取采樣圖的輪廓，制定搜索區(qū)域，然后尋找一條長度和彎曲程度滿足一定條件的曲線，就可以據(jù)此判斷找到一個可能是人頭部的區(qū)域，并返回該區(qū)域內(nèi)的某個點坐標?，F(xiàn)在，考慮

57、實際情況和理想情況的差別，首先，實際的輪廓圖中人的頭部輪廓不一定是連續(xù)的曲線，其次，我們需要找到搜索這條曲線的大致范圍，使用全圖搜索顯然會引入衣服等更多的干擾輪廓并且難以解決多目標帶來的多區(qū)域劃分，再者，在人的頭部曲線和身體輪廓線連接的地方，如何確定頭部曲線的結(jié)束點，以防止將整個的輪廓鏈作為頭輪廓，擴大了頭部輪廓的實際區(qū)域，給后續(xù)檢驗帶來極大不便。觀察大多數(shù)側(cè)面圖的輪廓效果發(fā)現(xiàn)，人的頭部輪廓曲線存在的斷點不會距離很遠，我們考慮一個斷點判斷準則，在滿足該準則的條件下，將斷點視為連續(xù)；其次考慮輪廓包含的分叉線條，確定一個舍去準則，保留長度最大的曲線，舍去其余分叉曲線；最后，考慮誤差和頭頸連接因素，

58、制定截止準則，由該準則指導曲線搜索的截止。以上三個準則均用于勾勒頭部輪廓曲線，為進一步提高可靠度，需要計算該輪廓曲線的曲率。可以認為，沒有其他目標干擾的情況下的單個人體輪廓中， 頭部輪廓擁有最大的彎曲，此項計算可以更進一步幫助我們完成頭部輪廓的區(qū)域定位。以上的內(nèi)容具體步驟描述如下：1. 對前面得到的有效區(qū)域的重心，考察與采樣標準平面中心的關(guān)系，考慮誤差容許，以采樣標準平面的中心為圓心，劃定一個半徑為的圓，若落在圓區(qū)域內(nèi)，認為此輪廓區(qū)域誤差在可接受范圍，轉(zhuǎn)步驟22. 在區(qū)域內(nèi)搜索尋找一條長度，跨度，彎曲度分別不小于某規(guī)定值的曲線，若能夠找到，判斷此區(qū)域為有效，返回區(qū)域邊界信息和區(qū)域重心坐標到采樣

59、標準平面中。按照前面提到的各項準則，此步驟執(zhí)行程序如下：（1）在搜索區(qū)域內(nèi)左下位置(0,0)開始， 到右上方(M,N)結(jié)束，找到左下角第一個不為0的象素為基準；（2）搜索該象素周圍象素，若找到距離基準象素不超過4，橫縱坐標距離分別不超過2且值為1的象素，認為其滿足連續(xù)準則；如果找到的象素距離基準象素橫縱坐標之差分別不超過1，則認為該象素是嚴格連續(xù)的（3）在所有滿足連續(xù)準則的象素中，選擇與基準象素橫縱坐標距離之和最小的象素為基準象素，當同時有多個象素滿足此條件時，優(yōu)先選擇嚴格連續(xù)象素為新基準象素，并舍棄其他非嚴格連續(xù)的象素，此步驟允許存在多個新基準象素。（4）在新的基準象素位置重復步驟（2），直

60、到無法找到新的基準象素或者得到一條長度不小于值的曲線為止。對于長度大于的曲線，以鏈碼形式返回其象素坐標；將所有不滿足長度準則，跨度準則的曲線象素置為0（5）對于滿足步驟（4）條件的曲線，均勻節(jié)選曲線上i個點，標注每個點的斜率為集合（，若不小于值，則認為滿足彎曲條件，結(jié)束搜索。否則從步驟（1）的基準點開始，在搜索區(qū)域內(nèi)尋找下一個基準點，并重復上述步驟。在經(jīng)過以上計算和程序執(zhí)行以后，我們已經(jīng)從2個方向上進行了是否為人目標頭部區(qū)域的驗證，并且保證了該區(qū)域偏離采樣標準平面中心在一個小的圓形區(qū)域內(nèi)，即將該區(qū)域以其重心為基準移動到采樣圖中心，這樣做的依據(jù)是，對某個區(qū)域要按照統(tǒng)一比例進行調(diào)整， 該區(qū)域一定要