自助銀行人員聚集檢測技術(shù)的應(yīng)用案例

　　智能視覺監(jiān)控系統(tǒng)在ATM機(jī)上的應(yīng)用就成為維護(hù)銀行自助服務(wù)的安全、有效措施。

　　隨著《銀行營業(yè)場所風(fēng)險(xiǎn)等級和防護(hù)級別的規(guī)定》及《銀行自助設(shè)備、自助銀行安全防范規(guī)定》的頒布實(shí)施，銀行營業(yè)廳、自助設(shè)備、自助銀行等場所的安全均以法規(guī)的形式得到進(jìn)一步加強(qiáng)。而在安全防范技術(shù)方面;自助銀行采取了人員聚集、面部遮擋、人員徘徊等智能檢測技術(shù)進(jìn)行自動(dòng)預(yù)警和防范，以確保用戶的生命和財(cái)產(chǎn)安全。

二、人員檢測技術(shù)的原理和分類

　　目前，人員檢測技術(shù)逐漸被應(yīng)用在自動(dòng)銀行中，主要針對自助銀行和ATM的大場景的應(yīng)用，其算法主要有兩類：一類是基于整個(gè)人群的群體模式分析，通過建立人群特征與目標(biāo)場景中人員數(shù)量之間的關(guān)系得到估計(jì)結(jié)果;另一類是基于個(gè)體特征的檢測方法，以人體模式為研究對象，通過檢測單個(gè)人員，最終統(tǒng)計(jì)得到人員個(gè)數(shù)。但是，在自助銀行的場景下，環(huán)境的變化因素往往對算法產(chǎn)生一定的影響，如光線變化、攝像頭的移動(dòng)等，因此需要算法對環(huán)境變化有較強(qiáng)的魯棒性。

三、基于群體模式的人群聚集檢測算法

　　基于人群的模式主要是指以整個(gè)人群作為分析目標(biāo)，然后通過訓(xùn)練得到單個(gè)人的量化特征，進(jìn)而估算出人群中個(gè)體的數(shù)量。這類算法主要有兩種估算方式：一種是由高斯背景模型得到前景人群目標(biāo)，而后經(jīng)過訓(xùn)練建立前景目標(biāo)面積(圖像像素點(diǎn)數(shù)量)與人群中人員數(shù)量的對應(yīng)關(guān)系估算出人員數(shù)量。在自助銀行或ATM的場景中，由于透視現(xiàn)象的存在，人群與鏡頭之間的相對距離嚴(yán)重影響了對人員數(shù)量估計(jì)的準(zhǔn)確性，并不適合銀行場景。因此，該方法較適合于更大場景中且對人群擁擠狀況判斷較為簡單的場所。

　　另一種方式考慮到了透視現(xiàn)象的影響，通過得到人群和單人在實(shí)際空間中所占真實(shí)面積(非圖像像素點(diǎn)數(shù)量)估算人員數(shù)量。分別在人體的頭頂部和腳底部得到兩個(gè)平行于地面的平面，將人體在兩個(gè)平面上分別投影，則得到兩個(gè)投影區(qū)域。兩個(gè)區(qū)域進(jìn)行重疊得到交置區(qū)域，此區(qū)域即為人體在真實(shí)場景中所占面積。此方法有效地改善了透視現(xiàn)象對算法造成的影響，能夠精確得到人群在真實(shí)場景中所占面積。而對于單個(gè)人在真實(shí)場景中所占面積是通過取多個(gè)單人在目標(biāo)場景中不同位置的視頻序列樣本進(jìn)行訓(xùn)練，得到單個(gè)人面積的平均值和標(biāo)準(zhǔn)差。

　　從以上兩種算法方式可以看出，算法的實(shí)現(xiàn)過程必須要滿足以下條件：(1)攝像頭位置和角度標(biāo)準(zhǔn)化;(2)目標(biāo)場景內(nèi)光線不可快速變化;(3)人群中人與人之間的距離不可差異過大。首先，由于環(huán)境的不同，攝像頭安裝很難做到位置和角度的標(biāo)準(zhǔn)化，因此限制了本算法應(yīng)用的泛化性;其次，受外面環(huán)境的影響很難保證銀行環(huán)境光線的穩(wěn)定性;最后，其精度依賴于人與人之間距離的均勻性，如果人群疏密不均可能會造成較大誤差。因此，本算法雖然在精度上有所提高，但仍不能滿足自助銀行或ATM環(huán)境的需求。

四、基于個(gè)體模式的人群聚集檢測算法

　　1.基于顏色的檢測算法

　　基于顏色的檢測方法一般通過檢測人臉部的膚色以確定人臉;進(jìn)而統(tǒng)計(jì)在預(yù)先設(shè)定目標(biāo)區(qū)域內(nèi)的人員數(shù)量。首先，需要建立膚色模型，其方法主要有：基于顏色空間YCgCb或YCgCr的高斯膚色模型、適應(yīng)亮度分段橢圓膚色模型以及基于HSV和RGB混合膚色模型。其次，利用顏色信息把彩色圖像分割為膚色區(qū)域和非膚色區(qū)域。最后，運(yùn)用數(shù)學(xué)形態(tài)學(xué)或低通濾波等對膚色區(qū)域進(jìn)行去噪處理，實(shí)現(xiàn)臉部區(qū)域的具體定位和標(biāo)記，最終統(tǒng)計(jì)得到人員個(gè)數(shù)。

　　此方法雖然實(shí)現(xiàn)算法并不復(fù)雜，但是其對視頻采集質(zhì)量、環(huán)境光照等影響因素較為敏感，魯棒性差。另外，當(dāng)人臉背對時(shí)幾乎不能采集到膚色區(qū)域，方法失效。所以，基于膚色的人員統(tǒng)計(jì)方法存在環(huán)境要求較高、適用范圍較小和準(zhǔn)確度較低等缺陷。

　　2.基于移動(dòng)目標(biāo)的檢測算法

　　目標(biāo)檢測算法主要是基于場景中人員移動(dòng)的特點(diǎn)，首先通過對圖像序列的分析提取出運(yùn)動(dòng)前景區(qū)域，然后通過處理前景區(qū)域得到人員目標(biāo)。對于運(yùn)動(dòng)前景的提訊主要通過背景減除的方法，其包括背景建模、檢測前景和背景更新三個(gè)方面。

　　背景建模即從一系列視頻圖像中準(zhǔn)確找到屬于背景的部分，并且存儲為背景圖像，目前單高斯背景建模是較為常用的一種方法。檢測前景是將當(dāng)前視頻圖像與背景建模進(jìn)行比較，找到前景目標(biāo)、減除背景、背景更新就是某些變化導(dǎo)致原來的背景建模不再適合當(dāng)前視頻圖像時(shí)，實(shí)時(shí)地更新背景模型。

　　但是，此方法有其自身的弱點(diǎn)，在檢測運(yùn)動(dòng)目標(biāo)的過程中，由于光照的影響容易在運(yùn)動(dòng)目標(biāo)周圍產(chǎn)生陰影，陰影伴隨著運(yùn)動(dòng)目標(biāo)也是運(yùn)動(dòng)著的，所以其與運(yùn)動(dòng)目標(biāo)一起以前景方式被提取出來。由于背景以當(dāng)前幀作為基礎(chǔ)進(jìn)行更新，運(yùn)動(dòng)目標(biāo)會部分融入背景;產(chǎn)生更新背景和實(shí)際背景存在一定的誤差，從而造成“拖尾現(xiàn)象”。上述問題對人員檢測或人員數(shù)量的統(tǒng)計(jì)均會產(chǎn)生影響，使其在處理諸如重疊等問題中略顯劣勢，但是亦有不少算法對其進(jìn)行了不同程度的改進(jìn)。本算法多與其他算法相結(jié)合進(jìn)行人員檢出;另外，對于存在目標(biāo)區(qū)域內(nèi)長時(shí)間沒有運(yùn)動(dòng)的人員目標(biāo)，本算法會將其融入背景中進(jìn)而當(dāng)作背景處理，后續(xù)算法將無法進(jìn)行提取。

　　3.基于頭肩的檢測算法

　　基于頭肩的檢測算法是以人體特征為研究對象，通過提取圖像中人體的特征來判斷人員個(gè)數(shù)。在自助銀行或ATM場景視頻中，人員多為站立姿態(tài)或行走姿態(tài)，所以頭肩部位的外部輪廓較為穩(wěn)定，可以將其作為人體特征進(jìn)行提取。

　　HOG(HistogramsofOrientedGradients)算法主要對人員頭肩進(jìn)行特征提取。HOG算法主要是對圖像邊界的方向進(jìn)行直方圖統(tǒng)計(jì)得到特征向量，然后利用支持向量對特征向量進(jìn)行分類，進(jìn)而得到頭肩區(qū)域和非頭肩區(qū)域，最終達(dá)到檢測頭肩的目的。此方法不僅避免了使用顏色作為特征的局限性，而且對于靜止目標(biāo)也能夠檢測到，所以相對于移動(dòng)人員檢測法魯棒性更強(qiáng)、準(zhǔn)確性更高。另外，對于聚集在一起的人群，本算法不受人群疏密程度的影響，只要能夠觀察到人員頭肩部位，本算法就可以適用，這也符合了人眼觀察的視覺特點(diǎn)。

　　(1)區(qū)域塊歸一化

　　為了提高精確度，還可以把這些局部直方圖在圖像的區(qū)域塊中進(jìn)行對比度歸一化，此方法通過先計(jì)算各直方圖在這個(gè)區(qū)域塊中的密度，然后根據(jù)這個(gè)密度值對區(qū)域塊中的各個(gè)方格單元做歸一化，通過這個(gè)歸一化后，能對光照變化和陰影獲得更好的穩(wěn)定性。

　　(2)合成特征向量

　　由于選定區(qū)域塊為處理對象，所以以區(qū)域塊為單位形成特征向量，其組合方式把區(qū)域塊中三個(gè)等級的小單元格形成的直方圖按次序排列成特征向量，就構(gòu)成了直方圖描述子。這些區(qū)域塊互有重疊，每一個(gè)細(xì)胞單元的輸出都多次作用于最終的描述子，并且以不同的值出現(xiàn)在最終的特征向量中，大大地改善了分類結(jié)果。

　　(3)梯度計(jì)算

　　由于本算法是對邊界信息的統(tǒng)計(jì)，即對目標(biāo)梯度圖像分布的描述，所以首先利用一維模板[-1，0，1]及其轉(zhuǎn)置對原圖像進(jìn)行梯度化以得到圖像邊緣信息。

　　(4)構(gòu)建方向直方圖

　　從已有的梯度圖像中分割出一個(gè)區(qū)域塊為處理對象;此區(qū)域塊可以遍歷整個(gè)圖像以搜索圖像中的頭肩區(qū)域。每個(gè)區(qū)域塊可以劃分為三種大小不同等級的小單元格，區(qū)域塊可以劃分為2x2的一級矩形小單元格，一級小單元格又可以劃分為2X2的M級矩形小單元格，依次類推，共分為三個(gè)等級。

　　(5)支持向量機(jī)(SVM)分類器

　　首先，將樣本的HOG特征向量輸入到SVM中;利用正負(fù)訓(xùn)練集對SVM進(jìn)行訓(xùn)練，尋找一個(gè)最優(yōu)超平面作為決策函數(shù)，進(jìn)而得到SVM分類器，最后再利用訓(xùn)練得到的SVM對輸出圖像進(jìn)行分類以得到頭肩區(qū)域和非頭肩區(qū)域。

五、結(jié)語

　　綜上所述，基于個(gè)體的算法與基于人群的算法相比較精確度較高，更適合自助銀行場景中對人數(shù)的精確度要求。鑒于HOG算法并不依賴于顏色。