基于監(jiān)控視頻動態(tài)信息分析的人流密度檢測算法的研究.pdf

1、隨著經(jīng)濟的快速發(fā)展，人員往來的日益頻繁，人口流動的速度在不斷地加快。這也導(dǎo)致城市里、景區(qū)中高密度人流的公共場所越來越多。而這些場所的人員安全問題也日益成為一個十分迫切的問題。視頻監(jiān)控技術(shù)的高速發(fā)展，特別是人流密度檢測技術(shù)的興起，為保障這些場所的安全提供了一種手段。通過實時的人流密度檢測系統(tǒng)，管理者或者組織者能夠及時方便的采取相對應(yīng)的措施，避免險情的發(fā)生，保證人民群眾的生命財產(chǎn)安全。
　　本文首先介紹了人流密度檢測的意義以及國內(nèi)外人

2、流密度檢測研究的現(xiàn)狀。然后研究了圖像預(yù)處理的知識，這也是人流密度檢測的理論基礎(chǔ)。在特征提取與跟蹤算法的研究中，重點探討了基于KLT(Kanade-Lucas-Tomasi)算法的特征提取與跟蹤，并將其與傳統(tǒng)特征提取方法進行了對比分析，最后利用KLT算法完成了視頻圖像特征點的提取。這一章的研究是為聚集度反應(yīng)人流密度奠定了基礎(chǔ)。在人流密度檢測算法的研究中，分析了目前主流的基于像素統(tǒng)計和基于紋理分析的人流密度檢測算法。通過實驗完成了兩種算法的

3、對比，其中基于紋理分析的算法采用了灰度共生矩陣。在深入分析了SDP(Self-Driven Particles)模型后闡述了聚集度的概念后，通過仿真檢驗了SDP模型。聚集度描述了個體參與群體運動的程度。通過聚集度，能夠幫助管理者迅速鎖定視頻運動中的起主導(dǎo)作用的個體。同時聚集度也能夠定性地反應(yīng)人流密度的大小，人流密度高時，聚集度也高，反之亦然。最后通過將人流密度與聚集度相結(jié)合，實現(xiàn)了聚集度實用性與準確性的驗證，并給出五種密度等級下聚集度的