人數統計在實驗室管理中的應用

2023年12月30日發(作者：自信心)

軟件開發與應用信息與電腦China Computer&Communication2016年第22期人數統計在實驗室管理中的應用葉?青（嘉興學院，浙江 嘉興 314001）摘　要：為了能自動發現實驗室的無人狀態，筆者提出一種基于人數統計的實驗室管理方法。首先設置45°傾斜角和垂直的兩個攝像頭，然后使用Adaboost分別在兩個攝像頭中進行人數統計，當兩者人數統計數目不一致時，進一步確認畫面上的人數。通過實驗發現，該方法在人數統計數量設置一定余量時，能達到100%的預警率，能夠在一定的實驗室環境下使用。關鍵詞：人數統計；實驗室管理；自動預警中圖分類號：G647??文獻標識碼：A??文章編號：1003-9767（2016）22-144-02１　引言計算機實驗室里面有大量用電設備，需要在沒人的狀態斷水斷電，才能確保安全。但是在現有的計算機實驗室管理中，通常是通過人工巡查的方法。這樣既浪費人力，又不能及時發現實驗室的無人狀態。為了能自動發現實驗室的無人狀態，本文使用自動人數統計的方法。自動統計進實驗室和出實驗室的人數，當兩者人數一致時，向實驗室管理員報警，說明實驗室處于無人狀態。目前已有較多研究者對人數統計展開研究。徐超將人數統計用于公交乘車統計，使用HOG特征提取人頭特征，并使用支持向量機分類[1]。李振宇通過檢測人頭加肩膀的特征，然后判斷這個目標是否通過一定的區域，實現雙向人流量統計。高陳強使用運動目標檢測的方法獲得人數統計結果。但是這些方法并不能直接用于實驗室的人數統計。因為在實驗室環境下，可以通過更加合理地布置攝像頭位置，提高人數統計的效果。所以，本文將綜合利用人臉檢測、運動目標檢測、人頭特征檢測三大技術進行人數統計。[2][3]從圖1可以看到，實驗室人數統計系統包含5個步驟。（1）傾斜人頭部檢測。在天花板上，正對門口45°角的地方布置一個攝像頭，實現傾斜人頭檢測。（2）傾斜人數統計。使用目標追蹤的方法，判斷檢測到的人頭是否越過指定區域，只有越過指定區域才統計人數。（3）垂直人頭部檢測。在天花板上，在出門或者進門必經的區域正上方布置一個垂直向下的攝像頭，實現垂直人頭檢測。（4）垂直人數統計。與傾斜人頭統計的步驟相同。（5）人數確定。檢查傾斜人頭數量與垂直人頭數量是否相同。如果不相同，再進一步判斷畫面上到底有多少個人。３　人頭部檢測人數檢測包含傾斜頭部檢測和垂直頭部檢測。兩者均使用Adaboost完成任務，為了加快執行速度，兩者均僅在有運動目標的區域執行Adaboost算法。傾斜頭部檢測。本文正面和背面傾斜人頭部檢測時分別分成0°、15°、30°三個角度，總共需要訓練6個Adaboost分類器。垂直頭部檢測。垂直人頭在正面或者側面時，特征并不會發生非常大的變化。另外因為人的發型的因素，也沒辦法對垂直人頭定義合適的角度。所以針對垂直人頭檢測，本文只訓練一個分類器。因為在攝像頭位置固定時，指定區域的人頭大小有一定范圍，所以在檢測到人頭后去掉大小不在一定范圍內的目標，以降低噪聲的影響。２　系統的設計計算機實驗室人數統計系統流程圖如圖1所示：４　人數統計圖１　計算機實驗室人數統計系統流程圖因為實驗室有進出兩個方向，并且使用Adaboost進行頭部檢測可能檢測到非頭部區域。所以使用目標追蹤的方法確定作者簡介：葉青（1986-），女，漢族，湖北黃岡人，碩士研究生，助理實驗師。研究方向：計算應用技術、實驗室管理。—　　　１４４　　　—

2016年第22期信息與電腦China Computer&Communication軟件開發與應用人是進入實驗室還是走出實驗室來去掉檢測到的非頭部區域。因為學生進出實驗室可能幾個人一起，造成運動區域連接在一起，所以，為了避免因為學生并排在一起而造成人頭的漏檢，本文并不使用Camshift等運動目標追蹤算法。而是首先一直使用人頭檢測的方法檢測人頭，獲得每次檢測到的窗口的中心點，然后使用卡爾曼濾波算法預測目標的下一個位置，當且僅當兩者誤差在一定范圍內時才能判斷為目標的下一個位置。（4）分類。第2節使用的Adaboost是一個集成分類器，每個分類器都是使用一個Haar特征訓練的一個弱分類器，分類能力并不是很強，為了解決這個問題，本文考慮使用支持向量機訓練強分類器。核函數使用多項式核。為了避免兩個相連的人頭被判斷為一個人頭，本文將兩個相連的人頭區域作為負面樣本。（5）人頭數量統計。經過分類之后，畫面上人頭區域的值為1，非人頭區域為0。因為使用的是強分類器，所以幾乎不會出現將兩個人頭區域連在一起的情況，所以使用區域統計的方法統計連通區域的個數，將大于5×5的連通區域作為一個人的頭部區域。（6）人的數量。人頭部數量統計結果中較大的作為最終人的數量。５　人的數量確定在理想情況下，傾斜人頭部統計獲得的人數與垂直人頭部統計獲得的人數應一致。但是因為學生進出實驗室時姿勢可能多種多樣，或者高個的學生對矮個的學生產生遮擋，這時可能會出現兩者統計的數目不一致的情況。此時，需要重新確認畫面，以獲得更為準確的人數統計結果。本文采用如圖2所示的方法完成該目標。６　實驗實驗將在實驗室真實的環境下進行。實驗條件是，上機人數為50～70人，查看100節課的人數統計報警結果。一般來說，人數統計會產生一定誤差，所以并不僅僅測試實驗室剩余人數為零的實驗結果，而是測試實驗室分別剩余0、2、4、6人時的報警概率。實驗結果如表1所示：表１　人臉驗證結果驗證次數報警率053%289%496%6100%從表1可以看到，實驗室還剩余0人時才報警的報警概率是53%。而設置成剩余6人時報警的報警概率是100%。這說明人數統計技術還不成熟，但是一般情況下整個計算機實驗室還剩余少數幾個人時也應屬于一種不安全的狀態，此圖２　人頭數量確定流程圖時也應提醒管理員。所以一般實驗室在用本系統時，應將人數設置為6人左右開始報警，此時才能確保實驗室基本沒人時，系統予以提示。從圖2可以看到人頭數量確定包含兩大塊：傾斜人數統計和垂直人數統計。兩者均包含以下幾步。（1）滑動窗口。為了從畫面中獲得人的數量，必須要判斷所有候選區域是否是頭部。對于計算機，沒辦法一眼判斷畫面上是否有人，只能每個區域均判斷一次。這些區域采用滑動窗口的方法生成。窗口大小與攝像頭與頭部檢測區域的距離相關，窗口偏移量與分類器的判斷能力相關。（2）窗口特征提取。在第2小節人頭檢測時，每個窗口的特征使用Haar小波提取，該特征運算速度較快，但是提取的信息量不足。所以本小節使用局部二值紋理（Local Binary

Pattern，LBP）和梯度方向直方圖（Histogram of Oriented

Gradient，HOG）提取特征。為了使窗口特征長度一致，本文將窗口大小縮放到128×128大小，HOG的參數分為兩組：第一組設為16×16大小的區域，區域之間不重疊；第二組設為8×8大小的區域，區域之間不重疊。直方圖的容器大小設為16。上述兩個特征提取到了之后，對所有樣本，將每個特征的均值歸一化成0，方差歸一化為1。然后將兩特征連接在一起，組成窗口的特征。（3）維數約簡。特征提取之后，獲得的維度太高，本文擬使用維數約簡算法解決該問題。該方法擬使用文獻[4]中采用的方法。７　結　語本文提出一種新的基于人數統計的實驗室管理方法。該方法利用兩個攝像頭，當兩個攝像頭的人數統計結果不一致時，使用復雜度更高的算法對人數統計進行確認，能在一定程度上提高人數統計的準確性。但是目前人數統計技術還受到非常多因素的影響，所以本文還針對實驗室剩余不同人數時的報警率進行測試，為實驗室管理提供了一個安全可行的方案。參考文獻[1]徐超,高夢珠,查宇鋒,等.基于HOG和SVM的公交乘客人流量統計算法[J].儀器儀表學報,2015:446-452.[2]朱秀娟,盧琳,鐘洪發.基于運動目標分類的雙向人流量統計算法[J].激光雜志,2016:90-93, .[3]黎海清.視頻圖像中基于特征匹配的人流量統計[Z].2016.[4]T Luo,C Hou,D Yi,et minative orthogonal

elastic prerving projectionsfor classification[J].Neurocomputing,2016:54-68.—　　　１４５　　　—