侯慧欣，呂學(xué)強(qiáng)，游新冬，黃 躍

(1.北京信息科技大學(xué) 網(wǎng)絡(luò)文化與數(shù)字傳播北京市重點(diǎn)實(shí)驗(yàn)室，北京 100101；2.首都醫(yī)科大學(xué) 宣武醫(yī)院，北京 100053)

0 引 言

人數(shù)統(tǒng)計(jì)是智能監(jiān)控領(lǐng)域一個(gè)重要的研究分支，在電影院場景下，這一技術(shù)的應(yīng)用可以幫助實(shí)時(shí)統(tǒng)計(jì)電影票房，有效防止“偷票房”、“幽靈場”等現(xiàn)象的發(fā)生。目前主流的人數(shù)統(tǒng)計(jì)方法主要分為基于檢測的方法和基于回歸的方法兩大類[1]?；跈z測的方法[2-4]通過檢測人體整體或局部的特征直接檢測到人體，進(jìn)而統(tǒng)計(jì)人數(shù)?；诨貧w的方法[5,6]首先提取人群的整體特征，然后根據(jù)提取的特征建立其與人數(shù)之間的映射關(guān)系，利用回歸算法獲得圖像中的人數(shù)。無論哪一種方法，其中一步很重要的工作就是前景提取。前景提取的好壞直接關(guān)系到后續(xù)人體檢測、特征提取、回歸等的效果?，F(xiàn)有的前景提取方法大多數(shù)僅僅針對(duì)固定場景下的運(yùn)動(dòng)人群，無法克服人群分割中的所有問題，且可移植性差，只能處理某一固定場景的圖像。針對(duì)這一問題，張君軍提出將全卷積網(wǎng)絡(luò)[7]應(yīng)用于人群分割的設(shè)想，目前已有學(xué)者對(duì)此進(jìn)行了研究，但針對(duì)影廳場景的研究還未深入。

針對(duì)影廳這一復(fù)雜背景，由于可利用的數(shù)據(jù)集很小，因此選用語義分割中適用于小數(shù)據(jù)集訓(xùn)練的U-net[8]網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)絡(luò)架構(gòu)，再針對(duì)其速度慢、邊緣分割效果差等問題，采用Inception[9]網(wǎng)絡(luò)中的卷積策略以及擴(kuò)張卷積[10]進(jìn)行改進(jìn)，最后利用改進(jìn)透視效應(yīng)校正方法結(jié)合線性回歸，實(shí)現(xiàn)觀影人數(shù)統(tǒng)計(jì)。

1 相關(guān)工作

近年來，隨著越來越多的深度學(xué)習(xí)方法被應(yīng)用到計(jì)算機(jī)視覺任務(wù)中，一些學(xué)者開始嘗試將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到前景提取和人群計(jì)數(shù)中。

Braham等[11]最先將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于前景提取，實(shí)驗(yàn)結(jié)果表明，使用神經(jīng)網(wǎng)絡(luò)能有效提高傳統(tǒng)前景提取方法的精度且大大降低了背景減除過程的復(fù)雜性。此后，Wang等[12]提出一種多尺度級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)用于前景分割，使用不同比例對(duì)輸入幀進(jìn)行下采樣。該網(wǎng)絡(luò)結(jié)構(gòu)相比其它網(wǎng)絡(luò)結(jié)構(gòu)取得了更高的精度，但其速度慢、計(jì)算冗余、精度低。針對(duì)以上問題，曾冬冬[13]首先嘗試將全卷積網(wǎng)絡(luò)應(yīng)用到前景提取上，提出一種多尺度全卷積網(wǎng)絡(luò)，該方法在精度上取得了較優(yōu)的效果且能滿足實(shí)時(shí)性要求。

深度學(xué)習(xí)方法在人群計(jì)數(shù)方面的研究也越來越深入。劉思琦等[14]利用擴(kuò)張卷積網(wǎng)絡(luò)進(jìn)行人群特征提取，再通過對(duì)抗式損失函數(shù)將網(wǎng)絡(luò)中提取的不同尺度的特征信息融合，得到密度估計(jì)結(jié)果。Boominathan等[15]使用深層和淺層結(jié)合的全卷積網(wǎng)絡(luò)來預(yù)測給定人群圖像的密度圖，在UCF_CC_50數(shù)據(jù)集上進(jìn)行測試，取得了較好的結(jié)果。J. Wang等[16]提出一種新的全卷積網(wǎng)絡(luò)，通過對(duì)人群密度分布進(jìn)行回歸，實(shí)現(xiàn)對(duì)圖像的人群計(jì)數(shù)。J. Fu等[17]設(shè)計(jì)了一種引入長短時(shí)記憶結(jié)構(gòu)的CNN-RNN人群計(jì)數(shù)神經(jīng)網(wǎng)絡(luò)，能有效地預(yù)測高密度群體的人群密度。陳朋等[18]提出一種基于多層次特征融合網(wǎng)絡(luò)的人群密度估計(jì)方法，利用多層次特征融合網(wǎng)絡(luò)進(jìn)行人群特征的提取、融合、生成人群密度圖，最后對(duì)人群密度圖進(jìn)行積分計(jì)算求出對(duì)應(yīng)人群的數(shù)量。

這些方法均為人數(shù)統(tǒng)計(jì)技術(shù)的發(fā)展做出了重要的貢獻(xiàn)。但在本應(yīng)用場景下，首先影院背景復(fù)雜度較高，易受光線、溫度等因素的影響，傳統(tǒng)前景提取方難以適用。其次，由于影廳面積較大，拍攝時(shí)透視效應(yīng)嚴(yán)重，后排人體成像與前排差距較大。且實(shí)際可利用的圖像數(shù)據(jù)量小。

因此，針對(duì)以上問題，本文主要貢獻(xiàn)如下：

(1)提出了一種IDU-net的前景提取方法，有效解決了因影廳背景復(fù)雜導(dǎo)致的前景提取效果不好問題，提高了前景提取的準(zhǔn)確性，為后續(xù)人數(shù)統(tǒng)計(jì)工作奠定了良好的技術(shù)基礎(chǔ)。

(2)提出了一種改進(jìn)透視效應(yīng)校正方法，結(jié)合線性回歸方法實(shí)現(xiàn)影廳人群計(jì)數(shù)。

(3)整理了3個(gè)影廳共300張圖片數(shù)據(jù)，并在此數(shù)據(jù)集上進(jìn)行大量實(shí)驗(yàn)，結(jié)果表明，提出的方法在前景提取及人數(shù)統(tǒng)計(jì)上均取得了最高的準(zhǔn)確率。

2 基于IDU-net的紅外影廳圖像人數(shù)統(tǒng)計(jì)方法

本文提出的紅外影廳圖像人數(shù)統(tǒng)計(jì)算法流程主要包含以下步驟：

(1)圖像預(yù)處理，主要包括對(duì)原始紅外影廳圖像進(jìn)行預(yù)處理和制作標(biāo)簽圖像；

(2)前景提取，利用IDU-net網(wǎng)絡(luò)進(jìn)行端到端訓(xùn)練，提取前景圖像。常用前景提取方法包括ViBe算法、高斯混合模型等；

(3)透視效應(yīng)校正，首先根據(jù)隨機(jī)采樣的數(shù)據(jù)進(jìn)行擬合，明確縱坐標(biāo)對(duì)成像大小的影響，再根據(jù)擬合結(jié)果進(jìn)行校正，計(jì)算前景面積；

(4)建立前景面積與人數(shù)的回歸關(guān)系，計(jì)算人數(shù)統(tǒng)計(jì)結(jié)果。

算法流程框架如圖1所示。

圖1 算法流程框架

2.1 IDU-net：改進(jìn)的U-net前景提取方法

圖2 IDU-net網(wǎng)絡(luò)架構(gòu)

為實(shí)現(xiàn)觀影人數(shù)統(tǒng)計(jì)，首先需要將人群與背景分割開，因此第一步重點(diǎn)工作是前景提取。本文采用U-net網(wǎng)絡(luò)作為基本架構(gòu)，如圖2所示，U-net網(wǎng)絡(luò)為一個(gè)U形結(jié)構(gòu)，左側(cè)為encoder部分，是重復(fù)卷積-卷積-最大池化的過程，用于獲取圖像的高層抽象信息；右側(cè)為decoder部分，通過上采樣操作還原分辨率信息，同時(shí)與上層提取的feature map進(jìn)行concatenate操作。

但原U-net網(wǎng)絡(luò)存在兩個(gè)問題：①架構(gòu)較大，訓(xùn)練時(shí)需耗費(fèi)大量計(jì)算資源與時(shí)間；②原網(wǎng)絡(luò)把輸入圖像下采樣到非常小的特征圖會(huì)使場景的空間結(jié)構(gòu)不那么清晰，失去部分位置信息，不僅限制了分類的準(zhǔn)確率，還影響前景提取的邊緣分割效果。針對(duì)以上兩個(gè)問題，本文對(duì)原網(wǎng)絡(luò)進(jìn)行改進(jìn)。首先為了提高訓(xùn)練速度，本文采用Inception網(wǎng)絡(luò)中的策略：將n×n的卷積核尺寸分解為1×n和n×1兩個(gè)卷積。在進(jìn)行卷積操作時(shí)，原網(wǎng)絡(luò)采用3×3的卷積核，為了減少參數(shù)，提高訓(xùn)練速度，參考Inception網(wǎng)絡(luò)中的卷積方式，采用1×3與3×1的卷積方式替代原有卷積，這種方法在成本上比單個(gè)3×3的卷積核降低33%。這種方法有效地減少了訓(xùn)練過程中的參數(shù)量，且減少了訓(xùn)練時(shí)長。其次，為了盡可能保留原圖像的位置信息，提高分類準(zhǔn)確率，本文將擴(kuò)張卷積方法應(yīng)用到U-net網(wǎng)絡(luò)中。擴(kuò)張卷積的好處就是既能保持原有網(wǎng)絡(luò)的感受野，同時(shí)又不會(huì)損失圖像空間的分辨率。這種方法使得網(wǎng)絡(luò)在對(duì)圖像進(jìn)行下采樣時(shí)能保留前景的邊緣信息及位置信息，同時(shí)提高了將模型遷移到其它場景的性能。

U-net網(wǎng)絡(luò)各層均采用ReLU非線性函數(shù)作為激活函數(shù)。由于本問題本質(zhì)是一個(gè)二分類問題，因此采用對(duì)數(shù)損失函數(shù)定義模型誤差，損失函數(shù)公式如式(1)所示

(1)

式中：n為像素總數(shù)，yi為第i個(gè)像素點(diǎn)真實(shí)類別(1或0)，si為第i個(gè)樣本點(diǎn)經(jīng)過模型預(yù)測結(jié)果。

2.2 改進(jìn)透視效應(yīng)校正及回歸模型

由于透視效應(yīng)的作用，高度相同物體的成像大小與其和攝像機(jī)鏡頭的距離成反比。因此，只有透視校正后的前景區(qū)域面積才能更為準(zhǔn)確地反映場景中的實(shí)際人數(shù)[19]。由于影廳圖像四周存在許多背景區(qū)域，而在進(jìn)行前景提取時(shí)這部分區(qū)域容易被誤判為前景，如果直接對(duì)這部分區(qū)域進(jìn)行透視效應(yīng)校正，會(huì)影響后續(xù)人數(shù)統(tǒng)計(jì)效果。針對(duì)此問題，對(duì)透視效應(yīng)校正方法進(jìn)行改進(jìn)，標(biāo)記圖像中的背景與前景區(qū)域，對(duì)兩部分區(qū)域分別進(jìn)行處理，使其更適用于影廳場景。

首先，為了明確縱坐標(biāo)對(duì)成像尺寸是如何影響的以及其影響程度，隨機(jī)選取50個(gè)點(diǎn)記錄其縱坐標(biāo)以及該點(diǎn)所在的座椅尺寸，畫出其散點(diǎn)圖，如圖3所示，然后根據(jù)散點(diǎn)圖顯示的規(guī)律分別進(jìn)行擬合,得到擬合系數(shù)α，β。

圖3 座椅成像高度隨縱坐標(biāo)變化散點(diǎn)

改進(jìn)后對(duì)位于坐標(biāo) (x,y) 的點(diǎn)，其高度計(jì)算公式如下

(2)

式中：h為校正后高度，H為圖像高度。

傳統(tǒng)的前景面積S計(jì)算公式如下

(3)

校正透視效應(yīng)后，原有的前景面積計(jì)算公式需相應(yīng)的進(jìn)行修改。修改后前景面積計(jì)算公式如下

(4)

根據(jù)提取的前景面積，建立歸一化前景與人數(shù)之間的回歸模型。由于在影廳場景下，人群之間遮擋問題較小，前景面積與人群基本呈線性關(guān)系，因此使用線性回歸模型。

3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文人群統(tǒng)計(jì)方法的精度以及對(duì)不同場景的適應(yīng)性，將基于U-net的前景提取方法與背景差分法、混合高斯模型、ViBe算法進(jìn)行對(duì)比，分別比較4種方法的前景提取效果以及人數(shù)統(tǒng)計(jì)精度。

3.1 數(shù)據(jù)集及評(píng)價(jià)標(biāo)準(zhǔn)

本文使用的數(shù)據(jù)集為中國電影科學(xué)技術(shù)研究所提供的300張紅外觀影圖像，包括3個(gè)座位分布不同的影廳圖像各100張。

針對(duì)前景提取的效果評(píng)價(jià)，本文使用如下5個(gè)量化指標(biāo)：分類準(zhǔn)確率PCC(percentage correct classification)、召回率R(recall)、準(zhǔn)確率PR(precision)、假負(fù)率FNR(false negative rate)、假正率FPR(false positive rate)。分類準(zhǔn)確率表示正確檢測到的前景的像素?cái)?shù)和背景像素?cái)?shù)占所有像素的比例，作為算法的整體性能指標(biāo)。召回率表示提取的前景像素點(diǎn)與所有前景像素點(diǎn)的比例。準(zhǔn)確率表示提取的前景像素點(diǎn)中真實(shí)前景像素點(diǎn)的比例。假正率分別表示檢測到的錯(cuò)誤前景比例，假負(fù)率表示誤判為背景的前景像素占背景像素?cái)?shù)的比例。分類準(zhǔn)確率、召回率及前景準(zhǔn)確率越高，表明算法提取效果越好。假正率、假負(fù)率越低，算法性能越佳

(5)

(6)

(7)

(8)

(9)

其中，TP為正確檢測到的前景像素點(diǎn)個(gè)數(shù)，F(xiàn)P為背景中被誤判為前景的像素點(diǎn)個(gè)數(shù)，TN為正確的背景像素點(diǎn)個(gè)數(shù)，F(xiàn)N為前景中被誤判為背景的像素點(diǎn)個(gè)數(shù)。

對(duì)于3種方法的人數(shù)統(tǒng)計(jì)精度，使用平均準(zhǔn)確率MAR(mean accuracy rate)、平均相對(duì)誤差MRE(mean relative error)、平均絕對(duì)誤差MAE(mean absolute error)等評(píng)價(jià)指標(biāo)來評(píng)價(jià)估測誤差。MAE、MRE、MAR定義如下

(10)

(11)

(12)

其中，N為圖片總張數(shù)，G(i) 是第i張圖像經(jīng)過算法預(yù)測的結(jié)果人數(shù)，T(i) 是第i張圖像經(jīng)手工標(biāo)出的人數(shù)，作為參考值。

3.2 實(shí)驗(yàn)結(jié)果

本文將所提方法與混合高斯模型、ViBe算法、原 U-net 模型進(jìn)行對(duì)比，分別比較其前景提取效果、人數(shù)統(tǒng)計(jì)結(jié)果。

3.2.1 定量分析

(1)前景提取效果對(duì)比

本文將所提方法與傳統(tǒng)前景提取方法：混合高斯模型、ViBe算法、原U-net模型進(jìn)行比較，分別從召回率(R)、準(zhǔn)確率(PR)、假負(fù)率(FPR)、假正率(FNR)以及分類準(zhǔn)確率(PCC)5個(gè)指標(biāo)進(jìn)行對(duì)比。結(jié)果見表1。

從召回率上看，ViBe算法、原U-net模型、IDU-net模型均表現(xiàn)良好，這表明這3個(gè)方法均能將前景區(qū)域提取出來。但結(jié)合準(zhǔn)確率來看，ViBe算法雖然能正確提取前景區(qū)域，但同樣會(huì)將大量背景區(qū)域誤判為前景區(qū)域，因此該方法無法正確的將前景與背景區(qū)域分割開。而混合高斯模型雖然準(zhǔn)確率較高，但召回率卻很低，這表示混合高斯模型能較好的將前景與背景區(qū)分開，但是該方法提取的前景不完整，因此該方法表現(xiàn)也較差。相比之下原U-net模型、IDU-net模型的召回率、準(zhǔn)確率均較高，表明這兩種方法表現(xiàn)優(yōu)于混合高斯模型與ViBe算法。其中，IDU-net模型在這兩個(gè)指標(biāo)上均高于原U-net模型，這表明改進(jìn)后的模型前景提取效果更佳。

從假負(fù)率與假正率這兩個(gè)指標(biāo)來看，混合高斯模型假負(fù)率最低但假正率最高，這也表明其將大量背景像素點(diǎn)誤判為前景像素點(diǎn)。而ViBe算法正相反，假負(fù)率最高而假正率最低，這表明該方法易將許多前景像素點(diǎn)誤判為背景像素點(diǎn)。原U-net模型、IDU-net模型方法的假正率、假負(fù)率雖然均不是最低，但是其兩個(gè)指標(biāo)均保持在較低的范圍。這表明這兩種方法雖然都會(huì)出現(xiàn)將前景誤判為背景或者將背景誤判為前景的情況，但都處于誤差可接受范圍內(nèi)。其中原U-net模型比IDU-net模型的假負(fù)率高，假正率低。這表明原U-net模型更易將背景區(qū)域誤識(shí)別為前景，因此提取的前景區(qū)域會(huì)多于正確的前景區(qū)域。相比而言，IDU-net模型假正率與假負(fù)率幾乎保持平衡，雖然不是最低，但是針對(duì)前景區(qū)域面積提取這一情況效果最佳。

表1 前景提取效果對(duì)比

從分類準(zhǔn)確率這一綜合指標(biāo)來看，IDU-net模型分類準(zhǔn)確率達(dá)97.65%，高于其它3種方法。這直接表明，IDU-net模型在影廳這一場景下前景提取效果最佳。

(2)人群計(jì)數(shù)效果對(duì)比

本文從平均準(zhǔn)確率、平均相對(duì)誤差、平均絕對(duì)誤差3個(gè)指標(biāo)來分析4種方法的人群計(jì)數(shù)效果。分別將改進(jìn)前后的透視效應(yīng)校正方法應(yīng)用在4種前景提取算法上的結(jié)果進(jìn)行對(duì)比。結(jié)果見表2。

表2 人數(shù)統(tǒng)計(jì)結(jié)果對(duì)比

從結(jié)果可以看出，IDU-net前景提取算法能有效提高人數(shù)統(tǒng)計(jì)準(zhǔn)確率。相比原U-net模型、混合高斯模型、ViBe算法，IDU-net模型的準(zhǔn)確率較高且誤差較小。同樣，從實(shí)驗(yàn)結(jié)果來看，改進(jìn)透視效應(yīng)校正方法相比原透視效應(yīng)校正方法，在4種前景提取方法上的人數(shù)統(tǒng)計(jì)準(zhǔn)確率均獲得了有效提高，誤差也有所下降。但由于原U-net模型與IDU-net模型能有效切割出前景區(qū)域，因此改進(jìn)透視效應(yīng)校正方法在這兩個(gè)前景提取方法上改進(jìn)效果較小。在前景提取效果不佳的混合高斯模型與ViBe算法上效果提升較大。綜合來看，IDU-net前景提取方法與改進(jìn)透視效應(yīng)校正方法相結(jié)合能獲得最佳人數(shù)統(tǒng)計(jì)結(jié)果，其準(zhǔn)確率達(dá)到89.79%。

3.2.2 定性分析

本文將所提IDU-net前景提取方法與高斯混合模型、ViBe算法、原U-net模型進(jìn)行對(duì)比。在此主要選?。孩倜芗巳?清晰背景；②密集人群+模糊背景；③稀疏人群+清晰背景；④稀疏人群+模糊背景，共4組圖片進(jìn)行定性分析。結(jié)果見表3。

通過對(duì)比發(fā)現(xiàn)：

(1)IDU-net的3個(gè)模型均對(duì)影廳這一場景具有極高的魯棒性，無論是人群密集或稀疏，無論圖片清晰或模糊，均幾乎完美分割開了人群與背景，避免了復(fù)雜背景的干擾。

(2)GMM算法在密集人群場景下分割效果較好，但在稀疏人群場景下，前景提取效果較差，無法完全提取出前景區(qū)域。GMM算法對(duì)背景的光線變化魯棒性良好。但總體而言，GMM算法無法完全避免復(fù)雜背景的干擾，提取的前景區(qū)域中包含許多背景信息。

(3)ViBe算法在這4種方法中表現(xiàn)最差，雖然該方法幾乎能提取出所有前景區(qū)域，但受到復(fù)雜背景的干擾，將背景誤判為前景的情況十分嚴(yán)重，提取的前景面積中包含大量背景信息。在稀疏人群場景下表現(xiàn)尤其差。

(4)原U-net模型相比傳統(tǒng)方法表現(xiàn)較好，對(duì)這4種場景均適應(yīng)良好，且能避免復(fù)雜背景的干擾，提取出正確的前景區(qū)域。但相比IDU-net模型，其缺點(diǎn)在于提取的前景區(qū)域邊緣模糊，沒有明顯的人形輪廓。通過圖4的細(xì)節(jié)對(duì)比圖可發(fā)現(xiàn)：當(dāng)人群較為集中時(shí)，原U-net模型提取的前景區(qū)域中邊界較為模糊，人與人之間易發(fā)生粘連，存在大片模糊區(qū)域。相比之下，IDU-net模型前景提取結(jié)果具有較為清晰的邊界，相較而言具有更為清楚的人形輪廓。

在3個(gè)影廳測試圖片下，本文所提方法的效果都明顯優(yōu)于GMM算法、ViBe算法。而且本文所提方法無論是在人群稀疏還是密集場景，均能夠得到較好的前景提取效果，增強(qiáng)了算法對(duì)不同場景、不同光線的魯棒性，擴(kuò)大了算法的應(yīng)用范圍。

表3 前景提取效果對(duì)比

圖4 前景提取結(jié)果細(xì)節(jié)對(duì)比

4 結(jié)束語

針對(duì)傳統(tǒng)前景提取方法在影廳這一場景下無法避免復(fù)雜背景干擾問題，提出IDU-net模型進(jìn)行影廳圖像前景提取，然后對(duì)提取的前景區(qū)域進(jìn)行改進(jìn)透視效應(yīng)校正，統(tǒng)計(jì)校正后的前景面積后進(jìn)行線性回歸，得到最終人數(shù)統(tǒng)計(jì)結(jié)果。通過與混合高斯模型、ViBe算法、原U-net模型等前景提取方法進(jìn)行對(duì)比，驗(yàn)證了本文方法在影廳這一場景下前景提取的有效性。但是本文方法還存在一些問題，目前在影廳場景下人群統(tǒng)計(jì)技術(shù)仍舊依賴于不同影廳的座位分布情況，無法直接移植到其它影廳，后期可以在人群統(tǒng)計(jì)方法的通用性、可移植性上進(jìn)行更多研究，可以利用前景圖像的其它特征對(duì)前景面積進(jìn)行自動(dòng)校正。