人数统计在实验室管理中的应用

2023年12月30日发(作者：自信心)

软件开发与应用信息与电脑China Computer&Communication2016年第22期人数统计在实验室管理中的应用叶 青（嘉兴学院，浙江 嘉兴 314001）摘　要：为了能自动发现实验室的无人状态，笔者提出一种基于人数统计的实验室管理方法。首先设置45°倾斜角和垂直的两个摄像头，然后使用Adaboost分别在两个摄像头中进行人数统计，当两者人数统计数目不一致时，进一步确认画面上的人数。通过实验发现，该方法在人数统计数量设置一定余量时，能达到100%的预警率，能够在一定的实验室环境下使用。关键词：人数统计；实验室管理；自动预警中图分类号：G647  文献标识码：A  文章编号：1003-9767（2016）22-144-02１　引言计算机实验室里面有大量用电设备，需要在没人的状态断水断电，才能确保安全。但是在现有的计算机实验室管理中，通常是通过人工巡查的方法。这样既浪费人力，又不能及时发现实验室的无人状态。为了能自动发现实验室的无人状态，本文使用自动人数统计的方法。自动统计进实验室和出实验室的人数，当两者人数一致时，向实验室管理员报警，说明实验室处于无人状态。目前已有较多研究者对人数统计展开研究。徐超将人数统计用于公交乘车统计，使用HOG特征提取人头特征，并使用支持向量机分类[1]。李振宇通过检测人头加肩膀的特征，然后判断这个目标是否通过一定的区域，实现双向人流量统计。高陈强使用运动目标检测的方法获得人数统计结果。但是这些方法并不能直接用于实验室的人数统计。因为在实验室环境下，可以通过更加合理地布置摄像头位置，提高人数统计的效果。所以，本文将综合利用人脸检测、运动目标检测、人头特征检测三大技术进行人数统计。[2][3]从图1可以看到，实验室人数统计系统包含5个步骤。（1）倾斜人头部检测。在天花板上，正对门口45°角的地方布置一个摄像头，实现倾斜人头检测。（2）倾斜人数统计。使用目标追踪的方法，判断检测到的人头是否越过指定区域，只有越过指定区域才统计人数。（3）垂直人头部检测。在天花板上，在出门或者进门必经的区域正上方布置一个垂直向下的摄像头，实现垂直人头检测。（4）垂直人数统计。与倾斜人头统计的步骤相同。（5）人数确定。检查倾斜人头数量与垂直人头数量是否相同。如果不相同，再进一步判断画面上到底有多少个人。３　人头部检测人数检测包含倾斜头部检测和垂直头部检测。两者均使用Adaboost完成任务，为了加快执行速度，两者均仅在有运动目标的区域执行Adaboost算法。倾斜头部检测。本文正面和背面倾斜人头部检测时分别分成0°、15°、30°三个角度，总共需要训练6个Adaboost分类器。垂直头部检测。垂直人头在正面或者侧面时，特征并不会发生非常大的变化。另外因为人的发型的因素，也没办法对垂直人头定义合适的角度。所以针对垂直人头检测，本文只训练一个分类器。因为在摄像头位置固定时，指定区域的人头大小有一定范围，所以在检测到人头后去掉大小不在一定范围内的目标，以降低噪声的影响。２　系统的设计计算机实验室人数统计系统流程图如图1所示：４　人数统计图１　计算机实验室人数统计系统流程图因为实验室有进出两个方向，并且使用Adaboost进行头部检测可能检测到非头部区域。所以使用目标追踪的方法确定作者简介：叶青（1986-），女，汉族，湖北黄冈人，硕士研究生，助理实验师。研究方向：计算应用技术、实验室管理。—　　　１４４　　　—

2016年第22期信息与电脑China Computer&Communication软件开发与应用人是进入实验室还是走出实验室来去掉检测到的非头部区域。因为学生进出实验室可能几个人一起，造成运动区域连接在一起，所以，为了避免因为学生并排在一起而造成人头的漏检，本文并不使用Camshift等运动目标追踪算法。而是首先一直使用人头检测的方法检测人头，获得每次检测到的窗口的中心点，然后使用卡尔曼滤波算法预测目标的下一个位置，当且仅当两者误差在一定范围内时才能判断为目标的下一个位置。（4）分类。第2节使用的Adaboost是一个集成分类器，每个分类器都是使用一个Haar特征训练的一个弱分类器，分类能力并不是很强，为了解决这个问题，本文考虑使用支持向量机训练强分类器。核函数使用多项式核。为了避免两个相连的人头被判断为一个人头，本文将两个相连的人头区域作为负面样本。（5）人头数量统计。经过分类之后，画面上人头区域的值为1，非人头区域为0。因为使用的是强分类器，所以几乎不会出现将两个人头区域连在一起的情况，所以使用区域统计的方法统计连通区域的个数，将大于5×5的连通区域作为一个人的头部区域。（6）人的数量。人头部数量统计结果中较大的作为最终人的数量。５　人的数量确定在理想情况下，倾斜人头部统计获得的人数与垂直人头部统计获得的人数应一致。但是因为学生进出实验室时姿势可能多种多样，或者高个的学生对矮个的学生产生遮挡，这时可能会出现两者统计的数目不一致的情况。此时，需要重新确认画面，以获得更为准确的人数统计结果。本文采用如图2所示的方法完成该目标。６　实验实验将在实验室真实的环境下进行。实验条件是，上机人数为50～70人，查看100节课的人数统计报警结果。一般来说，人数统计会产生一定误差，所以并不仅仅测试实验室剩余人数为零的实验结果，而是测试实验室分别剩余0、2、4、6人时的报警概率。实验结果如表1所示：表１　人脸验证结果验证次数报警率053%289%496%6100%从表1可以看到，实验室还剩余0人时才报警的报警概率是53%。而设置成剩余6人时报警的报警概率是100%。这说明人数统计技术还不成熟，但是一般情况下整个计算机实验室还剩余少数几个人时也应属于一种不安全的状态，此图２　人头数量确定流程图时也应提醒管理员。所以一般实验室在用本系统时，应将人数设置为6人左右开始报警，此时才能确保实验室基本没人时，系统予以提示。从图2可以看到人头数量确定包含两大块：倾斜人数统计和垂直人数统计。两者均包含以下几步。（1）滑动窗口。为了从画面中获得人的数量，必须要判断所有候选区域是否是头部。对于计算机，没办法一眼判断画面上是否有人，只能每个区域均判断一次。这些区域采用滑动窗口的方法生成。窗口大小与摄像头与头部检测区域的距离相关，窗口偏移量与分类器的判断能力相关。（2）窗口特征提取。在第2小节人头检测时，每个窗口的特征使用Haar小波提取，该特征运算速度较快，但是提取的信息量不足。所以本小节使用局部二值纹理（Local Binary

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

Gradient，HOG）提取特征。为了使窗口特征长度一致，本文将窗口大小缩放到128×128大小，HOG的参数分为两组：第一组设为16×16大小的区域，区域之间不重叠；第二组设为8×8大小的区域，区域之间不重叠。直方图的容器大小设为16。上述两个特征提取到了之后，对所有样本，将每个特征的均值归一化成0，方差归一化为1。然后将两特征连接在一起，组成窗口的特征。（3）维数约简。特征提取之后，获得的维度太高，本文拟使用维数约简算法解决该问题。该方法拟使用文献[4]中采用的方法。７　结　语本文提出一种新的基于人数统计的实验室管理方法。该方法利用两个摄像头，当两个摄像头的人数统计结果不一致时，使用复杂度更高的算法对人数统计进行确认，能在一定程度上提高人数统计的准确性。但是目前人数统计技术还受到非常多因素的影响，所以本文还针对实验室剩余不同人数时的报警率进行测试，为实验室管理提供了一个安全可行的方案。参考文献[1]徐超,高梦珠,查宇锋,等.基于HOG和SVM的公交乘客人流量统计算法[J].仪器仪表学报,2015:446-452.[2]朱秀娟,卢琳,钟洪发.基于运动目标分类的双向人流量统计算法[J].激光杂志,2016:90-93, .[3]黎海清.视频图像中基于特征匹配的人流量统计[Z].2016.[4]T Luo,C Hou,D Yi,et minative orthogonal

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