視頻監(jiān)控中的人群密度檢測(cè).pdf

1、隨著社會(huì)經(jīng)濟(jì)的發(fā)展，大規(guī)模的人群活動(dòng)日益增加，大型公共場(chǎng)所的人群安全已經(jīng)成為了一個(gè)至關(guān)重要的問(wèn)題。為了及時(shí)了解重點(diǎn)區(qū)域人群密度等級(jí)，避免高密度人群的安全隱患，如何進(jìn)行有效的人群密度監(jiān)控顯得日益重要。
　　目前的研究大致分為基于像素統(tǒng)計(jì)的分析方法和基于紋理特征的分類(lèi)方法。基于像素統(tǒng)計(jì)的方法在人群數(shù)量較多、人群之間遮擋嚴(yán)重的情況下，存在很大的誤差。基于紋理特征的方法在低密度人群檢測(cè)時(shí)，存在計(jì)算復(fù)雜度較大，紋理特征不明顯的問(wèn)題。因此，本

2、文結(jié)合了像素分析法和紋理特征分析法的優(yōu)勢(shì)，先根據(jù)前景像素面積，將其大致劃分為低密度和中高密度兩大類(lèi)，然后根據(jù)不同的應(yīng)用場(chǎng)景采用不同人群密度檢測(cè)方法，并分別對(duì)兩種方法進(jìn)行了相應(yīng)的改進(jìn)。
　　針對(duì)低密度，本文采用基于前景像素統(tǒng)計(jì)的分析方法。目前最常用的前景提取方法之一，混合高斯背景建模方法，存在耗時(shí)較多，提取的前景存在較多空洞等問(wèn)題。本文引入ViBe（Visual Background Extractor）改進(jìn)算法，應(yīng)用到人群密度檢測(cè)

3、中，大大提高了前景提取的精確度和運(yùn)行速度。在此基礎(chǔ)上，進(jìn)一步對(duì)提取出的前景圖像進(jìn)行形態(tài)學(xué)處理和透視效應(yīng)矯正。本文提出了基于線(xiàn)性插值的透視效應(yīng)矯正方法，對(duì)圖像的每一像素列進(jìn)行了透視效應(yīng)矯正，而不是采用一貫的分段取平均值進(jìn)行透視效應(yīng)，進(jìn)一步提高了前景像素提取的精準(zhǔn)度。最后將前景像素的面積、邊緣特征和人群數(shù)量進(jìn)行多元線(xiàn)性回歸分析，實(shí)現(xiàn)密度等級(jí)分類(lèi)。
　　針對(duì)中高密度，本文采用基于紋理特征的分析方法。本文提出一種融合LBP（Local B

4、inary Pattern）與GLCM（Gray-level Co-occurrence Matrix）的紋理特征提取方法。先對(duì)原始圖像用旋轉(zhuǎn)不變的LBP算子進(jìn)行處理，得到LBP圖像，再對(duì)該圖像提取GLCM特征，得到最終的紋理特征描述，既避免LBP算子特征降維帶來(lái)的損失，又能充分利用LBP和GLCM紋理特征提取的有效性。最后使用支持向量機(jī)進(jìn)行密度分類(lèi)。
　　本文選用了PETS2009數(shù)據(jù)庫(kù)，軟件環(huán)境為matlab2011Ra，實(shí)驗(yàn)