视觉物联网下的自习教室人数统计方法

喻 恒

（平顶山学院 计算机科学与技术学院，河南 平顶山 467000）

视觉物联网下的自习教室人数统计方法

喻 恒

（平顶山学院 计算机科学与技术学院，河南 平顶山 467000）

以图像处理技术为基础，提出了一套基于视觉物联网框架下的人数统计方法。该方法利用背景差分法提取目标，再进行图像滤波的预处理，利用边缘检测和形态学算法获得人物目标对象的完整轮廓。通过对连通域填充和标记来获得精确的人数，并对利用面积阈值法消除统计误差进行了讨论。通过对整套算法进行仿真实验分析，该方法能比较准确地完成自习室中人数的统计。

图像处理；边缘检测；形态学；人数统计

计算机视觉在人数统计方面的应用目前国内对于该项研究开展得较少，而国外的研究成果主要有：Terada和Yoshida［1］利用立体摄像机模拟左、右眼，通过获得的时空图像来实现人数统计；Beymerl［2］采用立体摄像机，利用高斯混合模型跟踪个体的状态，并进行分类，做出判定是否计数；Schofield和Stonham［3］采用单个摄像机和基于随机存取存储器（RAM）神经网络的方法实现人数统计。以上方法采用的设备成本过高，算法复杂，要求处理速度较高，不适合实际应用中的推广和普及。

智能视觉物联网［4］是新一代信息技术的重要组成部分，视觉物联网技术下的人数统计的难点就是对采集的室内图像进行处理分析，得到准确的人数信息。本文通过将视频监控图像进行预处理后，将目标对象“人”进行轮廓提取和形态学处理之后，对连通域进行标记统计，并通过面积阈值纠正误差，达到智能快速统计教室的人数。从而使教室人数信息能够实时共享，有利于学校教室人数流动的统计，提高学生学习效率和教室资源的利用率。

1　视觉物联网下室内人数统计原理

视觉物联网下的人数统计是对教室内通过局域网连接的视频监控器获取的图像进行处理，检测统计人数，并通过网络实时上传统计数据。首先，要对图像进行背景差分、图像滤波等一系列处理；其次，运用边缘检测以及形态学算法进行处理，得到图像的轮廓，并采用面积阈值法剔除不符合要求的连通域，最终统计出人数（如图1所示）。

图1　视觉人数统计原理

2　视频图像的预处理

在实际中，一般采用安放在不同角度的几个摄像头，多角度图像的获取［5］，虽然可以增加目标图像的信息，但也增加了数据处理量以及系统成本。同时，考虑到前方人物对象面部和衣服特征增加了图像的信息复杂度，本文选择安置在室内后方的两个不同角度的摄像头。本文采用差分法消除背景以及光照等因素影响，通过维纳滤波消除图像的噪声，以实现后续处理，提高检测准确率。

2.1背景差分

背景差分法［6］是通过将含有目标对象的图像与不含目标的背景图像相比较从而消除背景，达到对目标对象的识别和检测的一种方法。

本文采用直接静态背景法。直接静态背景法摄取没有目标对象的场景图像作为背景图像。先将不同季节和不同时间点得背景图像保存到数据库中，再根据测量时摄取图像当时的季节和时间点提取背景图像，以适应场景随时间的变化。这种方法适用于静止的背景，运动目标比较少，且场景按照规律变化的密封环境。考虑到教室背景静态性较好，环境基本属于密封性的，以及算法的运算效率，

2.2图像滤波

普通摄像头拍摄的图像一般由于光源的颜色，明暗变化、表面灰尘等因素的影响会产生大量噪声，所以对图像进行去噪、平滑的预处理十分必要。维纳滤波［7］是根据最小均方误差准则实现的最优化滤波，它使得原始图像和滤波后的图像之间的均方误差最小，如式1：

其中为f（x,y）原始图像，g（x,y）为滤波后图像，得到 再找到估计值，使均方误差

式中f'（x,y）为f（x,y）的最小二乘估计。维纳滤波器对于含有高斯噪声的图像去噪效果不错，本文采用维纳滤波，得到了较好的效果，有利于后续的图像处理。

3　边缘检测和轮廓提取

评价对一副图像进行边缘提取的结果，总的来说有如下标准：检测出的边缘必须是目标边缘；边缘的定位准确性必须足够好；得到的检测边缘最好是单像素等。考虑到实际检测中要求，本文采取Canny算法提取目标图像的边缘，再通过形态学运算获得完整封闭的边缘轮廓。

3.1边缘检测

传统的图像边缘提取算法包括Robert、Prewitt、Sobel、Gauss-Laplace、Canny等。其中，Canny算子［8］提出了严格的边缘检测三个标准，在工程试验中具有信噪比优良，定位精度高，单边缘响应好等优点，因此得到了广泛应用。

传统Canny算子来进行边缘检测的基本思想是：首先，利用二维高斯函数的任一方向上的一阶方向导数作为噪声滤波器进行滤波平滑；接下来在滤波后的图像中用有限差分近似偏微分计算梯度的幅度和方向，最后依据双门限算法检测和连接目标边缘，它能获得较好的边缘检测结果的同时对噪声进行抑制［9］。该过程的数学表达式为：

其中σ为平滑系数，其数值决定对边缘的平滑作用和噪声抑制程度。工程应用一般取σ在1.2到1.8之间。Cannay算子检测到的边缘图像有很多的具体细节，而且边缘是单像素，连续性相对较好，不容易出现边缘断裂，有利于后续填充。

3.2形态学处理

由边缘图像可以看出，基于Canny算子提取的边缘，还是有很多细小的边缘没有连接上就无法进行图像填充。通过形态学的腐蚀和膨胀，可以消除原图像中的微小干扰颗粒，同时边缘不连续的地方连接起来，形成一个边缘封闭的图像。

膨胀［10］，数学上膨胀定义为集合运算。A被B膨胀，记为A⊕B，定义为：

其中B为具有特定几何形状的结构元素。腐蚀与膨胀是两个互逆的过程，其数学定义与膨胀相似，假设选定了结构元素B，利用它来腐蚀图像集合A，定义为：

根据这个原理，选取合适的结构元素，就可以去掉图像中不需要的小物体，也可以将那些我们想要分割开，却又连接在一起的区域分割开来，从而得到封闭完整的轮廓。效果如图2所示。

图2　边缘检测和形态学处理

4　人数统计和误差处理

提取到完整的图像轮廓后，通过对图像进行填充［11］，计算连通域的面积，设计适当的阈值，将不符合特征要求的连通域［12］剔除，最后对连通域进行标记，就可以得到具体的人数。

由于轮廓填充图中会有少量的非连通域的出现，同时由于图片中的存在两人或多人遮挡重叠的问题，都会使计数统计出现错误［13］。为了减少这种统计误差，本算法采用了面积阈值法。本文根据经验值设定阈值：T1=0.3S。S为根据摄像头像素和角度以及经验设定的面积值。剔除掉面积小于T1的连通域后，剩余连通域认为就是目标“人”。

同时，设定面积倍数阈值N=Sx/S，Sx是某连通域面积，当N在1.4～2.0之间，认定为两人，在2.0～2.6之间，认定为三人，根据经验可类推确定范围值。通过阈值处理后就可以得到图像中的人数，同时消除因重叠造成的误差，如图3所示。

图3　图像填充和面积阈值处理效果图

5　实验仿真分析

本文基于MATLAB编程，设计了图形用户界面（GUI），集成了算法中的每一步实现，全面测试本文算法。本界面可直观地看到图像处理和人数统计的结果，如图4所示。

图4　Matlab仿真程序界面

为了验证本算法的可行性，在某自习室内环境摄取了几段连续的视频图像，本文是在五十人规格教室内进行的人数统计，要考虑各种人数的情况，故采集分别有3人，5人，10人，20人，30人的情况，在每段视频中随机抽取了200幅含目标的图像，利用本文的算法对每幅图像进行了人数统计进行了算法验证，如表1。

表1　算法分析

通过大量实验可以看出，超过教室人数半数以上的情况，由于会出现大量遮挡重叠，严重影响统计的结果。在实际应用中，利用不同角度的两个摄像头，取计算数较大的一个结果，可降低这种因素影响，同时自习教室中学生座位比较分散，遮挡重叠现象不多，人数一般情况也在25人以下，因此本文算法在统计自习室人数方面可以获得满意的结果。

6　结　论

本文在视觉物联网技术框架下，综合应用各种图像处理技术实现了自习室人数的智能统计。该方法是基于教室中视频摄像头获得原始图像，再对原始图像的进行增强滤波等处理，利用边缘检测，形态学等一系列方法获得了封闭的连通域，通过对连通域的标记，得到精确的人数。由于实际情况的复杂性和算法本身的理论局限性，在人数较多的时候，本方法的计数结果也会有误差，但本文涉及的研究对象主要是自习教室，本身室内人数相对较少，而且比较分散，重叠造成的误差影响不大，在实际应用中几乎没有增加现有成本，算法时效性比较好，能得到比较满意的结果。

主要参考文献

［1］K Terada，D Yoshda，S Oe，eta1.A Counting Method of the Number of Passing PeopleUsing Astereo Camera［J］.Industrial Electronics Society，1999（3）：1318-1323.

［2］D Beymer.person counting using stero ［C］//ttoceedings Human Workshopon，Motion.Los Alamitos CA，：IEEE，2000：127-133.

［3］A J Schofidld，T J Stonham，P A Mthta. A RAM Based Neural Network Approach to People Counting［C］//Fifth International Conference on Image Processing and its Applications，Edinburgh，UK：IEEE，1995：652-656.

［4］周志勇.利用智能视觉物联网构建机场周界报警系统［J］.中国公共安全：综合版，2012（13）：162-165.

［5］李健.运动目标的获取、传输与跟踪［D］.南京：南京理工大学，2008.

［6］吴青青，许廷发，闫辉，等.复杂背景下的颜色分离背景差分目标检测方法［J］.兵工学报，2013，34（4）：501-506.

［7］朱立新，杨扩，秦加合.一种新的基于自适应神经网络模糊推理系统的图像滤波器［J］.计算机科学，2014，41（z1）：211-214.

［8］J Canny . A Computational Approach to Edge Detection［J］.Pattern Analysis and Machine Intelligence IEEE Trans on，1986，8（6）：679-698.

［9］喻恒，赵建军.基于数字图像的实体黄河模型河势宽度检测［J］.河南大学学报：自然科学版，2011，41（2）：188-192.

［10］C R Gonzalez，E Woods. Digital Image Processing［M］.2nd. ed.Beijing： Electronic Industry Press，2003：70-81，463-474.

［11］王晓，唐洪鹏，周丽雅.图像处理在客流检测中的算法研究［J］.中国海洋大学学报：自然科学版，2010，40（6）：161-166..

［12］孔斌.快速连通域分析算法及其实现［J］.模式识别与人工智能，2003，16（1）：110-115.

［13］于丽梅.视觉物联网下智能公交客流采集统计方法仿真［J］.计算机仿真，2014，31（6）：187-190.

10.3969/j.issn.1673-0194.2015.02.168

TP391.41

A

1673-0194（2015）02-0235-03

2014-12-22