監(jiān)控場(chǎng)景中人數(shù)統(tǒng)計(jì)算法的研究與應(yīng)用.pdf

1、隨著社會(huì)經(jīng)濟(jì)和計(jì)算機(jī)技術(shù)的不斷發(fā)展，人們對(duì)公共安全問(wèn)題關(guān)注度越來(lái)越高?，F(xiàn)如今，智能視頻監(jiān)控系統(tǒng)已大量應(yīng)用在醫(yī)院、大型商場(chǎng)、學(xué)校、火車(chē)站、汽車(chē)站、居民住宅區(qū)等公共場(chǎng)所，協(xié)助安全人員在遇到緊急情況時(shí)可以更加及時(shí)的處理，保證公民的人身和財(cái)產(chǎn)安全。同時(shí)還可以幫助管理人員及時(shí)的處理公共設(shè)施的調(diào)配問(wèn)題，使得公共資源能夠合理分配，社會(huì)生活有序快速進(jìn)行。人數(shù)統(tǒng)計(jì)是智能視頻監(jiān)控領(lǐng)域的一個(gè)具有重要現(xiàn)實(shí)意義的研究方向，也是計(jì)算機(jī)視覺(jué)與模式識(shí)別領(lǐng)域的一個(gè)研究熱

2、點(diǎn)和難點(diǎn)。準(zhǔn)確、實(shí)時(shí)的估計(jì)出監(jiān)控場(chǎng)景中的實(shí)際人數(shù)可以幫助相關(guān)人員進(jìn)行事前預(yù)警和事后決策。人數(shù)統(tǒng)計(jì)系統(tǒng)在公共安全防控和商業(yè)信息采集上均具有非常重要的研究意義。
　　本文首先介紹了有關(guān)人數(shù)統(tǒng)計(jì)算法的國(guó)內(nèi)外研究現(xiàn)狀，仔細(xì)分析了這些方法的特點(diǎn)，并對(duì)現(xiàn)有方法做了分類(lèi)總結(jié)?，F(xiàn)有基于監(jiān)控視頻的人數(shù)統(tǒng)計(jì)方法大體上可分為兩大類(lèi)方法。一類(lèi)是基于目標(biāo)檢測(cè)的人數(shù)統(tǒng)計(jì)方法，另一類(lèi)是基于特征回歸的人數(shù)統(tǒng)計(jì)方法。這兩類(lèi)方法各有利弊，且各有其適用的場(chǎng)合。基于目標(biāo)

3、檢測(cè)的人數(shù)統(tǒng)計(jì)方法優(yōu)點(diǎn)是能定位到目標(biāo)的具體位置分布，而且計(jì)數(shù)結(jié)果的可信度高。缺點(diǎn)是在監(jiān)控場(chǎng)景環(huán)境復(fù)雜、目標(biāo)嚴(yán)重遮擋的情況下檢測(cè)效果差強(qiáng)人意?；谔卣骰貧w的人數(shù)統(tǒng)計(jì)方法優(yōu)點(diǎn)是在人群密集的情況下也能大致估計(jì)出人數(shù)結(jié)果。缺點(diǎn)是在背景復(fù)雜、相機(jī)透視的情況下，很難找到一個(gè)通用的人群特征描述，使得計(jì)數(shù)效果不理想。針對(duì)以上兩類(lèi)人數(shù)統(tǒng)計(jì)方法存在的問(wèn)題，本文提出了兩種不同的監(jiān)控視頻人數(shù)統(tǒng)計(jì)方法。
　　基于目標(biāo)檢測(cè)的人數(shù)統(tǒng)計(jì)方法中考慮到人頭部分在大多

4、數(shù)監(jiān)控場(chǎng)景下，遮擋較小，多樣性也相對(duì)人體較低，所以本文選擇檢測(cè)人頭作為人數(shù)統(tǒng)計(jì)對(duì)象。提出了基于Adaboost與卡爾曼濾波結(jié)合的人數(shù)統(tǒng)計(jì)算法。首先通過(guò)機(jī)器學(xué)習(xí)Adaboost的方法得到人頭檢測(cè)分類(lèi)器，并使用多尺度滑動(dòng)窗配合非極大值抑制算法對(duì)視頻圖像進(jìn)行人頭初步檢測(cè)。然后，將第一步人頭初檢測(cè)出的結(jié)果圖像輸出，并人工挑選出這些難分的正確分類(lèi)與錯(cuò)誤分類(lèi)的圖像，再將它們作為SVM算法的訓(xùn)練樣本進(jìn)行再學(xué)習(xí)。學(xué)習(xí)得到人頭篩選的二次分類(lèi)器用以對(duì)初步檢

5、測(cè)結(jié)果進(jìn)行二次篩選，以此方式有效去除錯(cuò)誤檢測(cè)，增強(qiáng)了計(jì)數(shù)可信度。最后，使用卡爾曼濾波與檢測(cè)結(jié)果數(shù)據(jù)關(guān)聯(lián)算法彌補(bǔ)幀間漏檢，并把數(shù)據(jù)關(guān)聯(lián)處理后的結(jié)果作為最終的人數(shù)統(tǒng)計(jì)結(jié)果。實(shí)驗(yàn)證明該方法解決了有效去除誤檢測(cè)與幀間漏檢問(wèn)題，使得檢測(cè)與人數(shù)統(tǒng)計(jì)結(jié)果更加穩(wěn)定，對(duì)比初步檢測(cè)結(jié)果，計(jì)數(shù)準(zhǔn)確率提高了10％以上。
　　基于特征回歸的人數(shù)統(tǒng)計(jì)方法中特征選擇是關(guān)鍵。本文提出了在特征選擇方面有優(yōu)勢(shì)的基于卷積神經(jīng)網(wǎng)絡(luò)的監(jiān)控視頻人數(shù)統(tǒng)計(jì)算法，該方法使用深度學(xué)