孙莹1，还是单身的鹤1，王鹏2
(1)郑州轻工业学院建筑环境工程学院，河南郑州450002； 2 .郑州轻工业学院电气信息工程学院，河南郑州450002 )
机器视觉技术由于其非破坏性、精度高、速度快等特点，目前在科学技术的发展中已经得到广泛的研究和应用，广泛用于视频监控。 本文详细论述了机器视觉人数识别近年来的发展，主要从个体识别法和群体识别法两个方面进行分析，具体分为特征识别法、形状识别法、模型学习识别法和群体密度识别法四个方面。 在对各种识别算法思想研究的基础上，分析了当前研究方向亟待解决的问题，并对未来人数识别的研究进行了展望。
机器视觉； 人数识别； 群众密度； 工作人员跟踪； 工作人员发现
: TP391文献识别码： adoi:10.19358/j.ISSN.1674-7720.2017.07.003
引用格式：孙莹，还是单身的鹤，王鹏.基于机器视觉的人数识别研究综述[J] .微型车与应用，2017，36 (7):9-11，18。
0引言
机器视觉通过计算机模拟人类的视觉功能，从客观事物的图像中提取信息，处理和理解，最终用于实际的检测、测量和控制[1]。 目前，机器视觉技术正在向智能化、目的化方向发展。
人数识别涉及数字视频处理、模式识别、计算机视觉和人工智能的许多领域，是跨学科、跨学科的前沿课题，也是当前智能视觉系统研究中非常活跃的新领域。 国际高级视频&； 视频论坛每年都举行PETS会议，专门从事群众行为分析[23]。 国内外有很多针对人数识别的解决方案，其中大部分基于机器视觉。 基于机器视觉的人数识别不仅有很强的科学研究价值，也有实用价值，其成本低，使用周期长，统计精度高。
本文根据近年来人数识别研究的成果进行总结，将其分为4种识别方法，分别为特征识别、形状识别、模型学习识别和人群密度识别。 前三种以检测和跟踪个体为目的，多用于中低群密度的情况； 四是主要跳过单个行人的检测和跟踪过程，将整个人群作为研究对象。
1特征识别法
特征识别法是指根据所选目标的特征，在图像序列中匹配检索目标，从而实现运动目标的跟踪识别。 识别算法通过选择有效的特征集来提高检测效率，减少错误率。
的颜色特征对平面旋转、非刚性变形具有较强的鲁棒性，同时允许部分遮挡。 在文献[4]中，Comaniciu提出了一种基于颜色直方图(Color Histogram )非刚体目标的跟踪识别方法。 但是，由于颜色特征对光的变化的敏感性，为了提高识别效果，可以采用多特征耦合[5]方式。 jldhn[6]等人提出了一种结合人头颜色和形状特征的人数识别方法，该方法将图像二值化以降低阴影和光线变化带来的影响； 然后根据形状特征检测和跟踪人头，最后跟踪分析目标的运动轨迹，估计当前场景的人数。 即使在光变化频繁的地方也可以采用边缘特征，文献[7]中提出了基于边缘方向直方图特征的跟踪方法。 该方法对光的变化不敏感，比单一轮廓边缘特征具有更丰富的信息。 单一的边缘特征[8-9]经常存在计算复杂度高，不能适应目标变形的问题。 颜色和边缘特征具有互补的特性，通过融合两种信息，可以构建更可靠的目标特征模型。 光流的特征通过计算像素点的光流振幅和方向构建了运动图像的几何变化和辐射度变化，Decarlo[10]利用光流的特征实现了对人脸目标的跟踪。 光流法运算量大，难以满足实时性的要求，并且光流法对遮挡、光的变化以及运动噪声十分敏感，因此光流法的实际应用并不普遍。
2形状识别法
形状识别的思路是建立表示目标形状的模板，计算目标模板和候选目标形状的相似度，从而确定当前框架运动目标的最有可能位置。 常用人体的形状特征，如人体的躯干特征、头部轮廓[11]特征等作为模板。
在文献[12]中，提出了基于双椭圆模型将人头作为人数的统计根据进行检测的方法，通过获得运动目标的轮廓特征来检测头部椭圆，提高了检测精度，减少了误判定，但在画面模糊的情况下，不能正确确定目标为了解决模糊场景中的人物识别，jmdsn、ggdfj[13]在视频检测中引入了自适应的人物检测窗口，对监视视频中的行人进行检测和计数。 该算法对场景图像的质量要求低，不需要复杂的训练过程，只需要一定的参数配置步骤即可实现感兴趣区域行人的快速检测，但该算法仍有不足之处，即复杂情况下对人的误检测率较高。 另一方面，兴奋的月饼[14]等在这方面表现出色，采用数学形态学和HSI颜色空间相结合的方法有效去除图像中非头部区域的噪声和噪声，通过边缘检测得到头部候选区域，最后利用头部轮廓信息判定识别对象。 为了提高视频监控中人数统计的实时性，文献[15]也采用数学形态学和颜色空间相结合的方法利用轮廓的几何特征检测人的头部，该方法更具体、详细，适用于各种复杂场景，检测的实时性也
3学习识别法
模型学习识别法是将追踪的目标特征模型化进行学习，再将学习中得到的模型用于检测，最后统计人数。 模型学习的算法需要快速连续的学习能力，通过逐步学习更新目标的特征描述来处理特征的变化。
2009年，rzdyb[16]基于智能监控中的机器学习
的自动人数统计系统，通过机器学习对视频序列中的人肩部位进行准确地检测。该方法克服了连通域分析和简单模板匹配的不足，鲁棒性增强，但是只适用于场景中的初步测试，而且计算量较大，效率不高。在此基础上，mldyj、zjdjb［17］使用人肩部建立Harr特征分类器，过滤背景，排除干扰，提高了检测精度，减少了检测时间。除人肩外，较多算法用人脸作为学习模型，dddds［18］等人提出两组Harrlike特征扩展集（正脸和侧脸），通过Adaboost算法训练出双通道级联分类器（用于侧脸和正脸的识别），此方法使用较少的弱分类器，检测效率高，计算速度快，对多角度人脸检测有较好的鲁棒性。以上算法采样的视觉角度建立在行人平视图上，而垂直摄像头可以降低遮挡程度，文献［19］中，用俯视的方式采样，建立基于Adaboost的人头检测分类器，实现人数统计，但是仍然存在误检和漏检的情况。为了对此进行改善，沉默的蜡烛［20］提出了一种基于梯度方向直方图的俯视行人的检测方法。它将俯视人头的梯度方向直方图作为检测目标的特征，通过训练样本提取的特征向量在支持向量机(SVM)中训练。此方法对目标尺度变化相对不敏感且效率更高,处理速度也明显提升。4人群密度识别法
人群密度识别法是将人群作为一个整体的研究对象，分析人群的图像特征，然后建立人群特征与人数之间的映射关系从而实现人群计数。其图像特征又分为基于像素特征和基于纹理特征两大类。
zqdwn、bzddg［21］等利用运动目标标记的方法实现计数，标记图像中的像素，形成标签图像，根据标签图像初步确定目标数量。此方法稳定性强、准确率较高，但由于基于像素特征的识别法计算简单，因此在高密度场合往往使用基于纹理的分析法。Chan［22］采用混合纹理模型来提取分割运动人群，利用训练回归函数的方法得出人数与特征量关系函数，进而对检测区域人数实现估计。由于训练集不够强大，很容易出现误差，准确率就不能保证，而且计算量较大。之后，dqddw［23］等人提出一种基于 PCA 和多元统计回归的人数统计方法，使用 PCA 方法提取信息，得到特征量与行人密度间的函数关系后对高斯回归模型进行修正，以提高回归模型的精度，统计出行人密度，有较高的准确率。纹理分析法中，比较经典的方法是使用灰度共生矩阵纹理特征。文献［24］中采用一种基于线性内插透视矫正的SURF算法，对获得的前景图像提取多特征，将传统的灰度共生矩阵纹理特征与SURF算法特征相结合，克服遮挡和摄像机透视畸形的影响，有效地提高了统计精度，有较强的适应性，准确率也可以得到保证。
5人数识别算法难点
人数识别算法包括人员检测算法、人员跟踪算法和人群密度算法。研究算法一直追求鲁棒性好、准确率高、快速性好的特点。虽然关于人数识别算法的研究已经持续了很多年，研究者们提出了各种各样的识别方法，但是还没有形成一个适用于所用应用场合的统一理论框架或体系，而且算法在实际应用中遇到的很多问题仍然没有得到很好的解决，这些问题即是难点，又是以后的研究重点，表1是对各算法中遇到的难点问题的总结。
6展望和结束语
随着智能视频跟踪系统的发展，对目标跟踪技术的要求也成为一个研究热点。实现一个速度快、精度高、实时性好的识别系统是研究的重要方向之一。但是通常情况下，各特点之间相互矛盾。提高复杂环境下的多目标识别亟待解决。针对目标识别技术中出现的目标遮挡、背景干扰等问题，可引入超像素概念［25］，能够捕获图像冗余信息，降低后续处理任务复杂度。不同的机器学习方法对模型的自适应有严重的影响，针对在识别工程中出现的运动和变化不确定性，已有的子空间学习、度量空间学习、稀疏字典学习和深度学习都有很好的效果。如何结合学习机制更好地实现算法自适应性有待深入研究。
随着物联网的发展，智能视频监控系统已成为热点之一，使人数识别算法也成为热点。本文介绍了基于机器视觉的人数统计的研究；通过对近年来具有代表性的人数识别算法研究分析，总结出人数识别算法主要有基于个人的识别和基于群体的识别；相比传统的人数识别算法，增加了对高密度人群的详细分析。总结了近年来人数识别算法中亟待解决的问题，并对其提出展望。
参考文献
［1］ kqdbb.机器视觉技术发展及其工业应用［J］.红外,2005,27(2):11-17.
［2］ KRAHNSTOEVER N, TU P, SEBASTIAN T, et al. Multiview detection and tracking of travelers and luggage in mass transit environments［C］. In: IEEE International Workshop on Performance Evaluation of Trackling and Surveillance and CVPR, 2006.
［3］ KRAHNSTOEVER N, YU T, PATWARDHAN K A, et al. Multicamera person tracking in crowded environments［C］.Twelfth IEEE International Workshop on PERFORMANCE Evaluation of Tracking and Surveillance， 2010:1-7.
［4］ COMANICIU D, RAMESH V, MEER P. Kernelbased object rracking［J］. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2003, 25(5):564-575.
［5］ 漂亮的招牌,hxdwl.一种融合肤色和Haar特征的人脸检测方法［J］. 微型机与应用,2013, 32(8):35-37.
［6］ jldhn，dddty．基于颜色和形状信息的快速人数统计方法［J］．计算机测量与控制，2010(9)：101-105．
［7］ SHEN C, HENGEL A V, DICK A. Probabilistic multiple cue integration for particle filter based tracking［C］. Proceedings of the International Conference on Digital Image Computing: Techniques and Applications, Sydney, 2003, 1: 399-408.
［8］ BIRCHFIELD S T, RANGARAJAN S. Spatioframs versus histograms for regionbased tracking［C］.Proceedings of the IEEE Computer Society Conference on Computer Vision and Recognition, San Diego, CA, United States,2005,2:1158-1163.
［9］ LI P H, ZHANG T W, PECE A E C. Visual contour tracking based on particle filters［J］. Image and Vision Computing, 2003, 21(1): 111-123.
［10］ DE fdsj D, METAXAS D. Optical flow constraints on deformable models with applications to face tracking［J］. International Journal of Computer Vision, 2000, 38(2): 99-127.
［11］ 直率的黑夜,yxdyl, 汪美玲.曲率与小波轮廓增强的人脸识别算法［J］.电子技术应用, 2015, 41(10):161-164.
［12］ 和谐的咖啡,zjdxhd,舒服的飞鸟.一种基于双椭圆模型的视频人数统计方法［J］.计算机科学，2012,39(26)：499-502．
［13］ jmdsn,ggdfj.基于自适应滑动窗的模糊场景行人快速检测［J］.电视技术，2012,36(19)：177-182．
［14］ 兴奋的月饼,侯清涛,李金屏，等.基于数学形态学和 HSI 颜色空间的人头检测［J］.山东大学学报(工学版)，2013，43(2)：6-10．
［15］ hhddy,ygdny,jddfk.基于人头颜色空间和轮廓信息的行人检测方法研究［J］.交通运输系统工程与信息,2015,15(4):70-78.
［16］ rzdyb,bzdjj.智能视频监控中基于机器学习的自动人数统计［J］.视频应用与工程,2009,34(4):78-81.
［17］ mldyj,zjdjb.基于OpenCV和Haar特征分类器的图像人数检测［J］.辽宁科技大学学报,2011,34(4):384-388.
［18］ dddds,矮小的心情,qxdxj.基于新Harrlike特征的Adaboost人脸检测算法［J］.山东大学学报（工学版），2014,44(2):43-48.
［19］ wsdsw，zxdjz，杨凡.一种改进的Adaboost人脸检测方法［J］.自动化与仪器仪表,2013(6):143145.
［20］ 沉默的蜡烛.一种基于梯度方向直方图的俯视行人的检测方法［J］.模式识别与人工智能,2015,28(1):1926.
［21］ zqdwn，bzddg，sldxq.一种实用的多运动目标标记与计数新方法［J］．计算机仿真，2009,26(8):199-203.
［22］ CHAN A B, LIANG Z S J, VASCONCELOS N. Privacy preserving crowd monitoring: counting people without people models or tracking［C］. Proceedings of the 2008 IEEE Conference on Computer Vision and Pattern Recoynition (CVPR08). Washington, DC, USA: IEEE Computer Society,2008:1-7.
［23］ dqddw,jddxg,yxdxwz．基于PCA 和多元统计回归的人群人数统计方法［J］．计算机工程与应用，2014,50(11)：206-209．