四、基于个体模式的人群聚集检测算法

　　1．基于颜色的检测算法

　　基于颜色的检测方法一般通过检测人脸部的肤色以确定人脸；进而统计在预先设定目标区域内的人员数量。首先，需要建立肤色模型，其方法主要有：基于颜色空间YCgCb或YCgCr的高斯肤色模型、适应亮度分段椭圆肤色模型以及基于HSV和RGB混合肤色模型。其次，利用颜色信息把彩色图像分割为肤色区域和非肤色区域。最后，运用数学形态学或低通滤波等对肤色区域进行去噪处理，实现脸部区域的具体定位和标记，最终统计得到人员个数。

　　此方法虽然实现算法并不复杂，但是其对视频采集质量、环境光照等影响因素较为敏感，鲁棒性差。另外，当人脸背对时几乎不能采集到肤色区域，方法失效。所以，基于肤色的人员统计方法存在环境要求较高、适用范围较小和准确度较低等缺陷。

　　2．基于移动目标的检测算法

　　目标检测算法主要是基于场景中人员移动的特点，首先通过对图像序列的分析提取出运动前景区域，然后通过处理前景区域得到人员目标。对于运动前景的提讯主要通过背景减除的方法，其包括背景建模、检测前景和背景更新三个方面。

　　背景建模即从一系列视频图像中准确找到属于背景的部分，并且存储为背景图像，目前单高斯背景建模是较为常用的一种方法。检测前景是将当前视频图像与背景建模进行比较，找到前景目标、减除背景、背景更新就是某些变化导致原来的背景建模不再适合当前视频图像时，实时地更新背景模型。

　　但是，此方法有其自身的弱点，在检测运动目标的过程中，由于光照的影响容易在运动目标周围产生阴影，阴影伴随着运动目标也是运动着的，所以其与运动目标一起以前景方式被提取出来。由于背景以当前帧作为基础进行更新，运动目标会部分融入背景；产生更新背景和实际背景存在一定的误差，从而造成“拖尾现象”。上述问题对人员检测或人员数量的统计均会产生影响，使其在处理诸如重叠等问题中略显劣势，但是亦有不少算法对其进行了不同程度的改进。本算法多与其他算法相结合进行人员检出；另外，对于存在目标区域内长时间没有运动的人员目标，本算法会将其融入背景中进而当作背景处理，后续算法将无法进行提取。

　　3.基于头肩的检测算法

　　基于头肩的检测算法是以人体特征为研究对象，通过提取图像中人体的特征来判断人员个数。在自助银行或ATM场景视频中，人员多为站立姿态或行走姿态，所以头肩部位的外部轮廓较为稳定，可以将其作为人体特征进行提取。

　　HOG（HistogramsofOrientedGradients）算法主要对人员头肩进行特征提取。HOG算法主要是对图像边界的方向进行直方图统计得到特征向量，然后利用支持向量对特征向量进行分类，进而得到头肩区域和非头肩区域，最终达到检测头肩的目的。此方法不仅避免了使用颜色作为特征的局限性，而且对于静止目标也能够检测到，所以相对于移动人员检测法鲁棒性更强、准确性更高。另外，对于聚集在一起的人群，本算法不受人群疏密程度的影响，只要能够观察到人员头肩部位，本算法就可以适用，这也符合了人眼观察的视觉特点。