人头识别与计数_目标检测之人头检测（HaarLike Adaboost）---高密度环境下行人检测和统计...

1 问题描述

高密度环境下的行人统计一直没有得到很好的解决，主要原因是对高密度人群中的行人检测和跟踪是一个很难的问题，如下图所示环境，存在的困难包括：

检测方面：

由于人群整体处于运动状态，占据了背景的60%以上的面积，导致许多目标检测的方法，如基于背景差的运动目标检测、分割方法难以奏效。另外，由于人群存在大量遮挡，导致基于行人轮廓的检测方法，如HOG也难以奏效。

跟踪方面：

高密度环境中的多目标跟踪，由于存在大量的遮挡、合并、分离，实现准确的跟踪是一个富有挑战性的研究问题。

本实验的目的是对高密度行进人群中的行人流量进行统计，并能够区分上行和下行。实验的基本思路是：

在一个行人头部大小的带状区域中进行头部检测(HaarLike Adaboost方法)，然后利用一个滑动的跟踪门对检测的头部结果进行关联，同时利用运动历史图分析的方法估计行人轮廓的运动方向，最后对序列关联特征进行分析给出上下行的统计结果。

下面分三个部分：头部检测、方向分析、关联统计，对算法进行描述。

2 头部检测

如图所示复杂环境下，能够较好的在高密度人群中区分行人的特征只有头部。当摄像机架设一定高度时，行人头部遮挡较少，对检测和跟踪较有利。

头部检测优势在于：头部具有结构化的一些特征，相对于肤色、发色而言，受光线、噪声、阴影等影响较小。不足在于：头部的特征变化多样，不同的装束、肤色、方向都会有较大的差别。

我们采用了较为成熟的基于HaarLike特征的Adaboost分类器算法，对头部进行检测。

《AdaBoost头部分类器训练实验报告》一文中对算法基本原理，分类器样本的选择、处理和分类器的训练、测试进行了详细的描述，在这里不再赘述。只对实验中分类器的具体应用方法进行描述：

Step1: 分类器设置：载入分类器，实验中使用的分类器的原始尺寸为10*10。在检测过程中通过逐级放大分类器实现不同尺寸头部检测(检测头部尺寸范围为10*10-28*28)。

Step2：图像预处理：根据实际情况缩放图像(双线性差值)至合适大小，使图像中行人头部尺寸介于检测范围内(10*10-28*28)。并在图像中设置一高度为30(可以容纳1个头部高度)，宽度为图像宽度的检测区域，将图像转换为灰度图像，此后所有操作均在此范围内进行，这样大大提高了检测算法的速度。如下图所示：