Игорь Ермолаев

Готового решения для классификации клеток скорее всего нет - потому как задача достаточно специфическая.
Однако при должном опыте вполне решаемая при помощи уже существующих алгоритмов компьютерного зрения, которые имеются в открытом доступе.

Рекомендую смотреть в сторону OpenCV.

Собственно ваша конкретная задача распадается на две под задачи :
1) Обнаружение клеток.
2) Их классификация.

По первому вопросу, судя по всему можно применять или детектор кругов (у всех клеток форма приблизительно одинаково круглая в первом приближении), или натренировать на их обнаружение какой-нибудь детектор из OpenCV (HAAR, LBP или HOG).

По второму пункту - проанализировать свойства клеток, выбрать характеристики по которым их различие наибольшее и натренировать какой-нибудь классификатор (Например SVM).

Ваш алгоритм может базироваться на следующих принципах:

1) Детектирование движения на фоне неподвижного фона, сегментация движущихся объектов, их сопровождение, а в конце подсчет числа траекторий, которые пересекают вход/выход. В ваше случае этот подход, скорее всего, работать не будет, так как будут проблемы с выявлением фона и с сегментацией отдельных людей - в метро слишком много народа - все будет сливаться.

2) Детектирование на основе выявления потоков движения (или эквивалентный корреляционный метод) - выявляете над входом/выходом области характерного размера, движущиеся в заданном направлении и считаете их. Данный метод тоже скорее всего не будет работать из-за того, что в метро слишком много народа и часто они идут вплотную друг к другу.

3) Детектирование людей на основе их вида сверху при помощи HAAR, HOG или LBP каскада (смотри OpenCV). Затем трекинг (например корреляционный), а в конце подсчет числа траекторий, которые пересекают вход/выход. Каска/Каскады потребуется обучить (готовых для такого ракурса я не встречал). Минусы - люди слишком разные (шляпы прически, поворот относительно камеры), каскады хорошо работают с похожими объектами (лицами например).

4) Отказаться от видео анализа и посмотреть в стороны аппаратных датчиков (хотя я в них не специалист, ничего посоветовать не могу).

Для каждой точки каждого канала RGB:

dst  = (foreground*transparency + background*(255 - transparency))/255;

Здесь предполагается, что у нас 1 байт на канал. Прозрачность может быть как одинаковой для всего изображения, так и меняться от точки к точке.