最近有空研究了一下基於Opencv的視訊人數統計。總結了一下，視訊人數統計系統的工作流程主要包括以下幾個部分：

1.視訊捕獲

        從視訊源（攝像頭或視訊檔案）獲取到視訊影象資料。

2.目標提取（背景建模、前景分析）

        由視訊影象分割出視訊影象中的運動區域。

        常見的方法：高斯背景建模，幀差法，三幀差法。

3.目標識別（模式識別、特徵點分析）

        根據目標特徵分析得到具體目標。比如人臉識別、頭肩部識別等。

        OpenCV裡可以使用Haar特徵 、級聯分類器來進行目標檢測。但分類器的訓練需要從事先準備好的成百或上千張正面或反面樣本中訓練得到，整個過程會比較複雜，這種方法應該會達到很好的檢測效果 。OpenCV也自帶了一些已經訓練好的包括人眼、人臉和人體的分類器（位於OpenCV安裝目錄\data\haarcascades目錄下，分類器是XML型別的檔案），可以直接使用這些分類器來進行影象檢測，但由於使用的環境不同，這些分類器不一定是最優的，檢測效果不一定會很好，這些現成的分類器只是提供了一個基本的參考，在實際使用時，還需要根據實際環境對分類器中的配置引數做一些調整和優化才能使檢測結果比較準確。當然，此種方式的開銷也會大，而且只有OpenCV2.0版本以上才支援，因此在嵌入式領域，這並不是一個很好的方式。

4.目標跟蹤

       檢測目標在每一幀的空間位置。從而得到目標的運動估計。

       基本方法：
       直方圖特徵匹配：根據目標區域的顏色直方圖特徵進行目標匹配。分別對運動目標的前後兩幀計算顏色分佈的直方圖，如果兩者的顏色直方圖最接近，則認為目標匹配成功。
       運動目標連續性匹配：利用相鄰兩幀影象中待匹配的目標在時間和空間上的相關性。由於視訊中相鄰兩幀間時間間隔很短，可以認為在相鄰兩幀間目標是做勻速運動。這樣，可以根據當前目標的運動速度和方向來預計目標在下一幀的位置，如果下一幀的所有運動目標中存在與待匹配目標的預期位置最接近的，則認為目標匹配成功。

       OpenCV裡可以使用CamShift演算法直接對彩色影象進行跟蹤。它的基本原理也是通過直方圖特徵來進行目標匹配。測試了一下，在對我使用的視訊進行跟蹤時，效果不是很理想，會出現誤跟蹤的情況，沒有達到預期的效果，而且CamShift演算法是直接對彩色影象進行跟蹤，開銷會比較大，這裡並不是說CamShift演算法不好，其實視訊影象處理本身就跟具體的外界環境有關，每一種影象演算法一般都是針對特定的環境，並不是通用的，在某些環境下，比如目標物體的顏色跟環境差異比較明顯，CamShift演算法可能會達到比較好的效果。

5.軌跡分析

        根據目標的運動軌跡計算出目標的運動方向和位移等，判斷目標是進入還是離開指定區域，從而對目標進行數目統計。

程式設計實現

        以下是採用運動目標連續性匹配演算法實現的視訊人數統計系統截圖。開發環境是Opencv2.3.0+VS2005。

        具體演算法參考了論文《一種基於人頭特徵的人數統計方法研究》 作者：顧德軍 伍鐵軍，論文介紹的很詳細。這裡就不再鰲述了。測試視訊檔案從優酷（地址：http://v.youku.com/v_show/id_XMTY2MDY1OTk2.html）上找到，從視訊檔案可以看出拍攝視訊攝像頭的是斜向下安裝，此種方式得到的二值影象的人頭特徵不是很明顯，因而不太好利用人頭特徵來進行目標識別。這裡只是簡單利用了運動目標面積大小來做了匹配，當多人之間互相有重疊或包含其它物體時，就不能很好的區分開來。

        一種改進的方法是攝像頭採用頭頂式的安裝，這樣經過二值化處理的人頭特徵應該會比較明顯一些，而且人頭之間不會有重疊的現象，準確率會更大一些。但由於沒有該環境下的視訊資料，因次沒辦法來驗證識別率到底如何。如果有對這方面感興趣的朋友，可以一起來交流學習。

參考文獻：

1.《一種基於人頭特徵的人數統計方法研究》 作者：顧德軍 伍鐵軍

2.《基於視訊的客流技術系統的研究》 作者：田京雷 畢勝

3.《智慧視訊中基於機器學習的自動人數統計》 作者：賈彗星 章毓晉
--------------------- 
作者：firehood 
來源：CSDN 
原文：https://blog.csdn.net/firehood_/article/details/8279014 
版權宣告：本文為博主原創文章，轉載請附上博文連結！