基于群体模式的人群聚集检测算法应用分析

基于群体模式的人群聚集检测算法应用分析

随着金融业的不断发展和进步，自助银行和自动柜员机(ATM)以其方便、高效等优势成为人们生活中不可缺少的银行服务设施。但是，近年来不法分子利用ATM机等银行自助设备进行抢劫、诈骗等恶性案件不断攀升，不但对人民财产安全造成了极大的威胁，而且影响了ATM机所带来的使用价值。因此，智能视觉监控系统在ATM机上的应用就成为维护银行自助服务的安全、有效措施。

随着《银行营业场所风险等级和防护级别的规定》及《银行自助设备、自助银行安全防范规定》的颁布实施，银行营业厅、自助设备、自助银行等场所的安全均以法规的形式得到进一步加强。而在安全防范技术方面;自助银行采取了人员聚集、面部遮挡、人员徘徊等智能检测技术进行自动预警和防范，以确保用户的生命和财产安全。

人员检测技术的原理和分类

目前，人员检测技术逐渐被应用在自动银行中，主要针对自助银行和ATM的大场景的应用，其算法主要有两类：一类是基于整个人群的群体模式分析，通过建立人群特征与目标场景中人员数量之间的关系得到估计结果;另一类是基于个体特征的检测方法，以人体模式为研究对象，通过检测单个人员，最终统计得到人员个数。但是，在自助银行的场景下，环境的变化因素往往对算法产生一定的影响，如光线变化、摄像头的移动等，因此需要算法对环境变化有较强的鲁棒性。

基于群体模式的人群聚集检测算法

基于人群的模式主要是指以整个人群作为分析目标，然后通过训练得到单个人的量化特征，进而估算出人群中个体的数量。这类算法主要有两种估算方式：一种是由高斯背景模型得到前景人群目标，而后经过训练建立前景目标面积(图像像素点数量)与人群中人员数量的对应关系估算出人员数量。在自助银行或ATM的场景中，由于透视现象的存在，人群与镜头之间的相对距离严重影响了对人员数量估计的准确性，并不适合银行场景。因此，该方法较适合于更大场景中且对人群拥挤状况判断较为简单的场所。

另一种方式考虑到了透视现象的影响，通过得到人群和单人在实际空间中所占真实面积(非图像像素点数量)估算人员数量。分别在人体的头顶部和脚底部得到两个平行于地面的平面，将人体在两个平面上分别投影，则得到两个投影区域。两个区域进行重叠得到交置区域，此区域即为人体在真实场景中所占面积。此方法有效地改善了透视现象对算法造成的影响，能够精确得到人群在真实场景中所占面积。而对于单个人在真实场景中所占面积是通过取多个单人在目标场景中不同位置的视频序列样本进行训练，得到单个人面积的平均值和标准差。

从以上两种算法方式可以看出，算法的实现过程必须要满足以下条件：(1)摄像头位置和角度标准化;(2)目标场景内光线不可快速变化;(3)人群中人与人之间的距离不可差异过大。首先，由于环境的不同，摄像头安装很难做到位置和角度的标准化，因此限制了本算法应用的泛化性;其次，受外面环境的影响很难保证银行环境光线的稳定性;最后，其精度依赖于人与人之间距离的均匀性，如果人群疏密不均可能会造成较大误差。因此，本算法虽然在精度上有所提高，但仍不能满足自助银行或ATM环境的需求。

基于个体模式的人群聚集检测算法

1.基于颜色的检测算法

基于颜色的检测方法一般通过检测人脸部的肤色以确定人脸;进而统计在预先设定目标区域内的人员数量。首先，需要建立肤色模型，其方法主要有：基于颜色空间YCgCb或YCgCr的高斯肤色模型、适应亮度分段椭圆肤色模型以及基于HSV和RGB混合肤色模型。其次，利用颜色信息把彩色图像分割为肤色区域和非肤色区域。最后，运用数学形态学或低通滤波等对肤色区域进行去噪处理，实现脸部区域的具体定位和标记，最终统计得到人员个数。

此方法虽然实现算法并不复杂，但是其对视频采集质量、环境光照等影响因素较为敏感，鲁棒性差。另外，当人脸背对时几乎不能采集到肤色区域，方法失效。所以，基于肤色的人员统计方法存在环境要求较高、适用范围较小和准确度较低等缺陷。

2.基于移动目标的检测算法

目标检测算法主要是基于场景中人员移动的特点，首先通过对图像序列的分析提取出运动前景区域，然后通过处理前景区域得到人员目标。对于运动前景的提讯主要通过背景减除的方法，其包括背景建模、检测前景和背景更新三个方面。

背景建模即从一系列视频图像中准确找到属于背景的部分，并且存储为背景图像，目前单高斯背景建模是较为常用的一种方法。检测前景是将当前视频图像与背景建模进行比较，找到前景目标、减除背景、背景更新就是某些变化导致原来的背景建模不再适合当前视频图像时，实时地更新背景模型。

但是，此方法有其自身的弱点，在检测运动目标的过程中，由于光照的影响容易在运动目标周围产生阴影，阴影伴随着运动目标也是运动着的，所以其与运动目标一起以前景方式被提取出来。由于背景以当前帧作为基础进行更新，运动目标会部分融入背景;产生更新背景和实际背景存在一定的误差，从而造成“拖尾现象”。上述问题对人员检测或人员数量的统计均会产生影响，使其在处理诸如重叠等问题中略显劣势，但是亦有不少算法对其进行了不同程度的改进。本算法多与其他算法相结合进行人员检出;另外，对于存在目标区域内长时间没有运动的人员目标，本算法会将其融入背景中进而当作背景处理，后续算法将无法进行提取。

3.基于头肩的检测算法

基于头肩的检测算法是以人体特征为研究对象，通过提取图像中人体的特征来判断人员个数。在自助银行或ATM场景视频中，人员多为站立姿态或行走姿态，所以头肩部位的外部轮廓较为稳定，可以将其作为人体特征进行提取。

HOG(HistogramsofOrientedGradients)算法主要对人员头肩进行特征提取。HOG算法主要是对图像边界的方向进行直方图统计得到特征向量，然后利用支持向量对特征向量进行分类，进而得到头肩区域和非头肩区域，最终达到检测头肩的目的。此方法不仅避免了使用颜色作为特征的局限性，而且对于静止目标也能够检测到，所以相对于移动人员检测法鲁棒性更强、准确性更高。另外，对于聚集在一起的人群，本算法不受人群疏密程度的影响，只要能够观察到人员头肩部位，本算法就可以适用，这也符合了人眼观察的视觉特点。

(1)梯度计算

由于本算法是对边界信息的统计，即对目标梯度图像分布的描述，所以首先利用一维模板[-1，0，1]及其转置对原图像进行梯度化以得到图像边缘信息。

(2)构建方向直方图

从已有的梯度图像中分割出一个区域块为处理对象;此区域块可以遍历整个图像以搜索图像中的头肩区域。每个区域块可以划分为三种大小不同等级的小单元格，区域块可以划分为2x2的一级矩形小单元格，一级小单元格又可以划分为2X2的M级矩形小单元格，依次类推，共分为三个等级。

(3)区域块归一化

为了提高精确度，还可以把这些局部直方图在图像的区域块中进行对比度归一化，此方法通过先计算各直方图在这个区域块中的密度，然后根据这个密度值对区域块中的各个方格单元做归一化，通过这个归一化后，能对光照变化和阴影获得更好的稳定性。

(4)合成特征向量

由于选定区域块为处理对象，所以以区域块为单位形成特征向量，其组合方式把区域块中三个等级的小单元格形成的直方图按次序排列成特征向量，就构成了直方图描述子。这些区域块互有重叠，每一个细胞单元的输出都多次作用于最终的描述子，并且以不同的值出现在最终的特征向量中，大大地改善了分类结果。

(5)支持向量机(SVM)分类器

首先，将样本的HOG特征向量输入到SVM中;利用正负训练集对SVM进行训练，寻找一个最优超平面作为决策函数，进而得到SVM分类器，最后再利用训练得到的SVM对输出图像进行分类以得到头肩区域和非头肩区域。

结语

综上所述，基于个体的算法与基于人群的算法相比较精确度较高，更适合自助银行场景中对人数的精确度要求。鉴于HOG算法并不依赖于颜色和目标的运动，对局部遮挡、光线变化以及颜色的偏差具有较强的鲁棒性，因此，HOG算法较其他算法能够更加有效地应用于自助银行场景。