面向智能監(jiān)控的人流量計(jì)數(shù)及人群密度檢測(cè)研究與實(shí)現(xiàn).pdf

1、隨著計(jì)算機(jī)視覺技術(shù)的快速發(fā)展，視頻內(nèi)容分析技術(shù)在監(jiān)控領(lǐng)域迅速興起，學(xué)術(shù)界和工業(yè)界紛紛投入巨大的精力和財(cái)力進(jìn)行了相關(guān)技術(shù)的研發(fā)。同時(shí)隨著城市化進(jìn)程的加快，大規(guī)模的人群聚集現(xiàn)象也越來越多，人們一方面想從人群中獲取有價(jià)值的信息來輔助管理和決策，另一方面也不得不面對(duì)人群過度擁擠而帶來的安全隱患。因此人流量統(tǒng)計(jì)技術(shù)和人群密度檢測(cè)技術(shù)成了視頻監(jiān)控領(lǐng)域的一個(gè)研究熱點(diǎn)，同時(shí)也是一個(gè)研究難點(diǎn)。本文的研究主要針對(duì)這兩方面進(jìn)行展開。
　　首先，本文查閱

2、了大量文獻(xiàn)資料，介紹了人流量統(tǒng)計(jì)和人群密度檢測(cè)技術(shù)在國(guó)內(nèi)外的研究發(fā)展現(xiàn)狀，發(fā)現(xiàn)目前絕大多數(shù)人流量統(tǒng)計(jì)算法的研究都是基于近距離、相機(jī)垂直架設(shè)的場(chǎng)景展開的，然而現(xiàn)實(shí)中很多場(chǎng)景并不滿足相機(jī)垂直架設(shè)的條件。因此在人流量統(tǒng)計(jì)方面，本文重點(diǎn)研究了中遠(yuǎn)距離、相機(jī)非垂直架設(shè)情況下的人流量統(tǒng)計(jì)方法，它的主要過程可分為三部分:運(yùn)動(dòng)目標(biāo)分割，人頭目標(biāo)檢測(cè)，多目標(biāo)跟蹤計(jì)數(shù)。
　　在運(yùn)動(dòng)目標(biāo)分割方面，本文深入研究了ViBe背景建模算法，在滿足應(yīng)用需求的前提

3、下簡(jiǎn)化了背景模型的初始化方法，改進(jìn)了背景模型的更新策略，從而解決了原算法中“鬼影”消除慢的問題，并使算法在速度上較原算法提高了兩倍多。
　　在人頭目標(biāo)檢測(cè)方面，本文研究對(duì)比了Adaboost算法分別與多種特征相結(jié)合時(shí)的人頭檢測(cè)效果。最終根據(jù)實(shí)驗(yàn)結(jié)果，采用基于局部二值特征(LBP)的Adaboost算法來進(jìn)行快速的人頭初檢，然后再用基于支持向量機(jī)(SVM)和方向梯度直方圖(HOG)的人頭檢測(cè)器來對(duì)初檢結(jié)果進(jìn)行二次判別，大大降低了人頭

4、目標(biāo)的誤檢率。
　　在多目標(biāo)跟蹤計(jì)數(shù)方面，本文首先研究了基于路徑預(yù)測(cè)的多目標(biāo)跟蹤算法。因?yàn)閮A斜視角下人群的遮擋問題相對(duì)于垂直視角更加嚴(yán)重，所以本文用檢測(cè)到的人頭目標(biāo)代替?zhèn)鹘y(tǒng)的運(yùn)動(dòng)分割目標(biāo)來進(jìn)行跟蹤。但這種方法的跟蹤效果對(duì)人頭目標(biāo)檢測(cè)的依賴性較強(qiáng)，而人頭目標(biāo)檢測(cè)又不可避免的會(huì)有漏檢和誤檢現(xiàn)象，這就導(dǎo)致最終的統(tǒng)計(jì)精度只有90％左右。因此本文又著重研究了基于核相關(guān)濾波的目標(biāo)跟蹤方法，并將這種方法與貪心算法結(jié)合，提出了基于核相關(guān)濾波和貪心

5、算法結(jié)合的多目標(biāo)跟蹤方法。經(jīng)實(shí)驗(yàn)證明最終的跟蹤計(jì)數(shù)精度達(dá)到了98.1％左右。最后本文還根據(jù)現(xiàn)實(shí)需求，設(shè)計(jì)并實(shí)現(xiàn)了人流量統(tǒng)計(jì)軟件系統(tǒng)。
　　在人群密度檢測(cè)方面，本文跟蹤了近兩年來人群計(jì)數(shù)及密度檢測(cè)的最新進(jìn)展，深入研究了基于卷積神經(jīng)網(wǎng)絡(luò)的人群計(jì)數(shù)及密度檢測(cè)方法。最后根據(jù)微分的思想簡(jiǎn)化了密度圖的制作方法，借鑒分治的算法思想提出了分塊多列卷積神經(jīng)網(wǎng)絡(luò)模型，在提升模型訓(xùn)練速度的同時(shí)達(dá)到了較好的效果。采用本文提出的方法，對(duì)場(chǎng)景中不同區(qū)域的人群