数字图像处理project报告

行人流量检测数字图像处理大作业

成果概述本组最终实现了对视频中非背景目标的检测，能够用圆形框出目标，并对出现的目标进行跟踪和计数。除了少数碰撞时间长的目标组外，其它都可以实现正确跟踪计数。问题分析题目所给的两个视频有不同的特点，下面给出我们分析的结果：FIT楼背景未发生改变镜头静止运动目标出现个数较多有少量目标碰撞〔重合〕有拿梯子的人Bridge2.2.1背景未发生改变2.2.2镜头有抖动2.2.3运动目标出现个数较少2.2.4有少量目标碰撞〔重合〕2.2.5有拿伞的人我们所实现的系统主要针对Exhibitionhall，包括实现策略和参数配置。3系统框图差分法腐蚀差分法腐蚀膨胀前景提取前景提取HHough圆检测线性预测消失预判跟踪线性预测消失预判跟踪计数技术细节4.1前景提取我们用差分法完成前景提取。使用了基于灰度图像的处理方法。实际使用时，进行腐蚀和膨胀，通过参数调整，使得到的图像便于后续处理。处理前处理后4.2Hough圆检测4.2.1边缘提取先对二值化后的图像进行边缘提取处理前处理后4.2.2hough圆检测〔a〕原理对提取的边缘进行逐点扫描，对每点求其与左右相邻点的垂直平分线的交点〔即圆心〕。设圆心坐标为〔a,b〕，半径为r，以b,r为自变量，对求得的a进行计数，最终选取投票数最高的十个圆〔b〕优化为了减少计算量，对b的范围可以进行限制，因为头的位置可以限定在图像的上1/3局部，同样，对于r，也有一定的范围，可以限定在30~50之间在某一位置检测出圆后，这一位置附近不再显示圆，这样可以减少在跟踪时的偏差〔c〕结果处理前处理后4.3跟踪局部这一局部参数的敏感性较高，对两个视频不具有通用性，以fit楼为标准进行配置。4.3.1已判定的人的跟踪〔a〕原理在连续两帧中，如果两个重心位置十分接近，那么判定其为同一个目标。以这个假定作为判决依据。观察视频可以看到一个人〔目标〕从进入视频到离开视频大约需要十秒钟，视频分辨率为352×240，视频帧数为30帧每秒，即一个目标穿过300个像素左右的距离需要300帧，平均下来即每帧移动一到两个像素。那么可以假定阈值为5，即相邻两帧中距离小于5个像素的重心点可判定为同一目标。〔b〕优化阈值的选取对实际效果的影响很大。以5为阈值得到的实际效果并不好，主要原因有以下几个：重心位置是直接由轮廓计算得到，而在得到轮廓之前经过了腐蚀和膨胀处理，这使连续两帧中同一个目标的轮廓可能出现较大的变形，这可能使得重心位置出现一定的变化；单一目标分裂，主要出现在几个着装颜色和背景比拟接近的目标上。由于与背景色相近，手脚等局部的轮廓可能会与身体断开，形成两个或多个目标〔即得到两个不相连的外轮廓〕。手脚等局部由于整个面积较小，可以通过目标判定将面积较小的局部剔除；而主体局部由于少了一块，轮廓受到影响，对重心的位置有较大影响。连续两帧中的同一个目标的重心位置变化过大，如果单以重心为判断依据，那么可能将其判定为两个不同的目标。考虑到每个目标都占有一定的空间位置，两个目标的重心位置一般情况下不会离得很近，那么可以将阈值适当增大来改善效果。将阈值增大到20可以取得不错的效果。〔也可以将阈值设定为与y相关的函数，可以表达在不同的y轴坐标上目标与摄像头距离不同使得目标大小不一样产生的影响〕漏检点的线性预测由于漏检的的发生，可能造成前一帧的人在这一帧没有对应的点，这时就需要根据前两帧对这一人进行线性预测线性预测引入的“永恒点”的问题由于算法采用了对离开人进行预判〔即当圆心在接近某一范围的边界时〔这一范围作为以参数会进行调整〕，即将该人丛要跟踪的数组中删去〕，又采用了线性预测，所以引入了“永恒点”的问题，即明明该人已经出去了，但根据线性预测，这一人的圆会永远停在一个靠近边界的位置。为解决这一问题，需要增加一个判断，即某个圆心连续n〔n作为参数进行调整〕帧位置未发生改变，即认为“离开”，将他从要跟踪的人中期删去。〔c〕关键数据结构为了合理的保存和使用多帧的数据，可以建立以下的结构体。structoutperson{ inta[LEN],b[LEN]; //假定LEN=20 intl;};首先，LEN为定义的常量，为需要使用到的帧的数量，不妨假定为20，即需要使用和保存20帧的数据。结构中x,y即为圆心的位置，l为其剩余存在时间，这几个为下面主要用到的数据。简历上述结构体的目的就是简单对“人”这个目标进行模拟。通过模型的面积与宽高比可以考察检测到的目标是否为人，同时，这种建模对人形目标之间的碰撞与人形目标由于检测而分裂的问题提供了简单是用的处理方法。关于这种处理在后文会专门讨论。考察不进行预测的情况。结构体中的数据按照如下规那么更新：首先为申请足够多的结构体供使用，如200个〔仅为方便使用，可以省去很多麻烦，而且即便200个结构体所占用的空间也不是很多〕，以该结构体的下标作为不同目标的标志，即不同的结构体变量代表不同的目标。对于x,y，如果为新开的结构体〔新出现的目标〕，数据直接存入x[0]中；如果为已存在的目标〔判定依据与前相同，以距离判定〕，那么将x[0]～x[18]的数据依次向后移动一位，即x[19]的数据删除，x[18]的数据保存到x[19]中，…，x[0]的数据保存到x[1]中，再将当前帧的数据保存到x[0]中。即x[0]中保存的是当前帧的数据，x[1]～x[19]保存的是此前1～19帧的数据。当发现新的目标点〔与已有数据比拟后均不为同一目标〕，那么将目标存入新翻开的结构体中；为已有目标按上规那么更新。假设已经存在的目标在当帧中没有与其为同一目标的目标点〔如该目标已经离开视频画面，或由于轮廓闪烁等算法原因产生的误判〕，那么已存在的数据不更新，一段时间内保证其所保存的数据不变。l为剩余存在帧数，初始化为0。一旦数据更新那么置为20〔或更多，为需保存的帧数〕。每过一帧该数据减一。一旦l变为0那么将该结构体初始化。即表示，一个结构体内的数据假设连续20帧没有更新，那么判定该目标已从视频中离开〔或消失〕，将该结构体初始化。目标判定及计数〔a〕目标判定建立一个数组存放疑似为新人的点。每一个元素为一个结构体Structnewperson{StructPerson(a,b,r);存放该圆心的位置，半径IntTtl;存放该点的生存时间，初始值是5，每经过一帧减一Intaccu;该点被证实的次数}判定标准是：在连续5帧内，如果一个点出现了两次就认为该点是一个新人，即当ttl>0时，如accu>=2〔这两个值都作为参数不断进行调整〕那么将该点参加到outperson中。其中，newperson中的元素为满足边缘条件的点，因为一个人进入都是从边缘进入。〔b〕计数所有目标从1开始按顺序计算。已不同的结构体下标表示不同的目标。设置一个计数变量con，代表已经存在的结构体〔目标〕。发现新的目标那么con+1，并将新的目标数据存入最新的结构体Rect[con]中。每次扫描时可遍历所有已存在的结构体1～con，以此进行判断，对于已经离开的目标〔l=0〕那么不进行判断。这个算法虽然存在一定程度的资源浪费，但实现上比拟简单。构造结构体之后按照上面的更新算法编写程序，已经能够得到比拟好的结果。上面整个算法中所用到的判断只有一个，即通过距离判断两点是否为同一个目标点。能够解决闪烁的问题，对单一目标的判定效果很好。同时对于短暂相交后马上分开的两个目标有较好的识别能力。这是由于当两个目标相交后两个轮廓会合为一个，其重心位置一般来说和原来的两个重心位置距离都很远，那么会将其判定为一个新的目标，存入一个新的结构体中，而原来的两个结构体那么不更新。这样当两个目标短暂接触又分开之后，又被判定为两个目标，由于接触时间较短，那么两个目标移动的距离也较短，故分开后的两个目标重心位置与接触之前的中心位置相距不远，可以通过距离阈值判断为同一个目标。〔c〕计数错误的原因：产生多余目标的原因主要以下有几个方面：两目标相交产生的额外结构体。两个目标长时间接触。单个目标判断错误。多个目标的相交与别离。总结及缺乏算法的普适性我们算法的一大缺点就是过于依赖一些条件，当这些条件不能满足的时候，算法性能迅速恶化。究其原因，我们使用了不少先验的数值〔例如移动速度的阈值〕，而这些先验知识对于不同场景是不同的。要实现普适的跟踪计数算法可能需要根本性的改革。6.运行环境Matlabr20097.源代码：清单：main.m主函数