第1章绪 论
1.1课题研究的意义
视频监控行业在互联网传输技术、高清视频技术及计算机视觉理论的不断发展下，其潜在的需求也越来越多，传统的视频监控己经逐步过渡到智能视频监控时代。在满足社会需求的同时，给人们的生活、生产以及社会的管理带来了很大的便利。智能监控中智能视频分析技术是其主要的内容。2013年9月，在上海国际展览中心，国际图像视觉技术展览使我们大开眼界。这是中国首次举办的专业的现代图像技术及系统设备领域贸易展会。来自全世界视频图像处理行业内主流的公司为我们带来了最齐全的图像处理领域主流及最新技术与产品，使我们感受到巨大的市场前景及视频监控领域发展的新趋势。智能视频（Intelligent Video)以计算机视觉（CV, Computer Vision)技术为基石,而计算机视觉技术是人工智能（AI，Artificial Intelligent)研究的热点之一，它致力于在图像及图像描述之间建立一套映射对应关系，从而能够实现通过数字图像处理和分析，来理解视频画面中的内容，进而挖掘出我们所需要的有用信息，实现机器的智能化。智能视频监控中一个很重要的研宄内容就是运动目标检测，运动目标检测的关键是背景目标的提取。智能视频分析技术在视频监控系统中具有极大的潜在需求，越来越多的功能进入了实用领域。该技术打破了传统的视频监控领域纯粹的视频记录和人机交互式的回放的不足。所以说，智能视频分析技术，给传统的视频监控业带来了新的契机，使监控业焕发出更大的市场潜力，为我们的社会管理及人们的生活带来极大的便利。
……………
1.2国内外研究现状
在视频分析技术中，客流量统计分析的实现前提就是需要检测到目标对象，比如运动行人等。实现检测的主要方法是基于视频图像的计算机视觉理论技术。计算机视觉主要包括图像处理和模式识别，此外，它还包括空间形状的描述，几何建模以及认识过程。模式识别使用各种方法从信号中提取信息，主要运用统计学方面的理论。模式识别(PatternRecognition)它是在20世纪40年代伴随着计算机的发明而开始出现的，在20世纪60年代初，迅速发展成为一门很热门的学科[n。它在研究人是如何进行感知事物和如何用计算机等设备实现模式识别这两方面的理论和实现方法，受到了国际很多高校、研究生、大型企业的很大重视。经过多年的不断研究和发展，模式识别己广泛被应用于智能交通、机器人、智慧医疗、智能建筑、金融等许多重要场合。模式识别技术的快速发展和应用大大促进了国民经济建设和国防科技现代化建设。模式识别可以分为基于统计学习理论的统计模式识别和基于语法的结构模式识别关于统计模式识别的发展历程我们先进行较为详细的介绍：模式识别发展早期主要的算法有模板匹配方法。所谓的模板E配就是计算模扳图片与目标图片的匹配度，并找到最大的匹配度所对应的坐标位置。在模式识别的发展中期，出现了很多优秀的经典理论，如主成份分析法(PCA)[6]、统计学习、神经网络理论[8]，其中统计学习的基本思想就是从大量给定的正样本和反样本集合中归纳产生出接受最大范围正样本并排斥最大范围反样本的一般性规则，然后通过该准则实现对新的样本个例的检测。我们具体到人脸检测问题上，就是将样本分为人脸样本和非人脸样本进行学习并从而得到分类算法。模式识别理论的发展近期主要是多种方法的融合使用。目前的趋势根据具体应用采用不同方法，结合模板E配、统计学习、PCA、肤色信息等，达到特定环境下最优化的 .目标对象检测结果。
……………
第2章AdaBoost算法与行人头部目标的检测
2.1运动前景提取及视频动态触发
通过运动前景的提取，再设定阀值进行二值化后，通过计算设定区域的运动区域的灰度值为255的面积，我们可以判断目前设定区域是否有运动目标对象出现，进而实现视频的动态触发功能，也就是说在有目标对象出现时才启动AdaBoost算法。通过AdaBoost算法检测设定区域行人头部目标，再结合检测的运动前景阀值二值化后每个目标区域的运动区域的面积比例是否满足目标运动的条件，进而我们解决了 AdaBoost算法带来误判影响，如图2-2所示：视频运动前景提取就是将视频中相5?^于背景来说运动的区域提取出来的过程。本节我们主要研究的内容是如何能够有效地提取出运动前景，并减少噪声的影响。前景提取主要的面临困难有背景获取、背景扰动、外界光照变化、固定对象移动、背景更新、阴影影响等，其中阴影影响的消除是一个很重要的研究课题，如下图2-3所示：
…………
2.2 Haar特征与积分图
Haar-like特征，即Haar特征（因其类似于Haar小波而得名），是计.算机视觉领域一种常用的特征描述算子。它最早是由Papageorigiou等人用于人脸的描述，Viola和Jones在此基础上，使用3种类型4种形式的特征。其中3种类型分别为：2矩形特征、3矩形特征、4矩形特征，4种形式分别为：边缘特征、线性特征、中心特征（点特征）和对角线特征。由图2-10、图2-11、图2-12可以看出，2矩形特征反映的是图像的边缘特征，3矩形特征反映的是图像的线性特征、4矩形特征反映的是图像的特定方向特征。图像的边缘特征主要有4种，分别为X方向，y方向，X倾斜方向，y倾斜方向；线特征主要有8种；点特征有2种；对角线特征有1种。其中每一种特征的计算都是由黑色填充区域的像素值之和与白色填充区域的像素值之和的差值来表示也就是Haar特征的特征值。AdaBoost算法的实现，采用的是输入图像的矩形特征，即Haar特征。使用Haar特征比使用图像的像素点的灰度值具有很大的优势，主要表现在计算的速度上：采用基于Haar特征的检测比采用基于图像像素灰度值的检测速度要快的多，便于实现目标对象检测的实时性。矩形特征对图像中边缘、线段这些特征比较敏感，可以很好地表示这些信息，但是单一的矩形特征只能描述其特定的走向，如水平、垂直、对角等结构特征，所以，我们必须通过组合一定的合适的矩形特征，才能反映出目标对象的共同特征，也就是将其组合成一个强分类器，最终用这个强分类器才能实现目标对象的检测。特征模板的特征值的计算主要需要解决两个问题：首先，求出每个待检测子窗口中的特征个数；其次，求出每个特征的特征值。其中，子窗口中的特征个数即为特征矩形的个数。训练时，将每一个特征在训练图像子窗口中进行滑动计算，获取各个位置的各类矩形特征值。其中，在子窗口中位于不同位置的同一类型矩形特征，属于不同的特征，因为矩形特征的位置和大小是其主要属性。
……………
第3章像素匹配的目标跟踪算法的研究及实现......... 30
3 1模板匹配与相关系数法的研究......... 30
32像素匹配实现目标跟踪的算法实现......... 32
32 1匹配方法及算法流裎.........32
322算法软件演示实验......... 39
3 3 本章小节......... 41
第4章多目标跟踪算法的改进研究及实现......... 42
4 1 Kalman滤波器与Meanshift相结合......... 42
4 11 Kalmaii 滤波器、Meanshift 算法介绍......... 42
4 1 2 Kalmaii滤波器与Meanshift相结合......... 43
4 2 OpenCV实现多目标跟踪研......... 44
4.3 本章小节.........46
第5章客流统计分析软件实现......... 48
5 1软件系统设计 ......... 48
5 1 1软件开发环境.........48
5 1 2系统方案设计 .........49
5 1 3软件实现及实现流程......... 51
5 1 4软件界面......... 56
5 2软件测试实验分析 .........57
5 3 本章小节 ......... 58
第5章客流统计分析软件实现
5.1软件系统设计
本节将要对目前己经完成的及将来需要继续研究及开发的做一个规划，明确系统方案的设计及整个系统的工作流程。如下图5-1为我们介绍了客流统计分析软件系统方案的整体架构。OpenCV是Intel开源计算机视觉库[34]。它是由一系列C语言函数和少量C++类构成的，实现了计算机视觉，其中包括图像处理方面的很多经典和通用的算法。它主要包括以下几个部分：cv——核心函数库、cvaux——辅助函数库、cxcore——数据结构与线性代数库、highgui GUI 函数库（Graphical User Interface)、ml 机器学习函数库（MachineLearing)o OpenCV拥有包括300多个C语言函数的跨平台的中、高层API接口。它不依赖于其它的外部库——当然也可以使用某些外部库，来扩展自己的功能。OpenCV对非商业应用和商业应用都是免费（FREE)的。OpenCV提供了面向Intel IPP高效多媒体函数库的接口，可针对你使用的Intel CPU优化代码，提高程序性能。
…………
结论
基于智能视频监控中目标对象的统计分析具有非常大的市场需求，它将为我们的生活及社会的管理发挥着巨大的作用，所以具有很大的研究价值。客流统计是解决人员密集场所安全隐患问题的重要辅助手段，更是商场及相关销售类企业最为关心的辅助决策的因素，为商家提供了一系列重要的市场研宄手段。本文在研宂基于Haar特征的AdaBoost级联分类器算法以及通过像素匹配实现对目标对象的跟踪，进而实现客流人数的统计工作，具有一定的独创性和实际可行性。本文在VS2010环境下，结合OpenCV开源库，使用C++和C语言作为开发语言来实现客流统计分析软件的开发，并且最终在PC机上可以演示成功，为后期的基于数据的二次开发和相关应用场合的使用打下了基础，也为算法的后期DSP平台的移植做好前期算法的验证工作。
……………
参考文献（略）