視頻監(jiān)控中的人群密度檢測.pdf

1、隨著社會經(jīng)濟的發(fā)展，大規(guī)模的人群活動日益增加，大型公共場所的人群安全已經(jīng)成為了一個至關重要的問題。為了及時了解重點區(qū)域人群密度等級，避免高密度人群的安全隱患，如何進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)計的分析方法和基于紋理特征的分類方法。基于像素統(tǒng)計的方法在人群數(shù)量較多、人群之間遮擋嚴重的情況下，存在很大的誤差?；诩y理特征的方法在低密度人群檢測時，存在計算復雜度較大，紋理特征不明顯的問題。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，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，然后根據(jù)不同的應用場景采用不同人群密度檢測方法，并分別對兩種方法進行了相應的改進。
　　針對低密度，本文采用基于前景像素統(tǒng)計的分析方法。目前最常用的前景提取方法之一，混合高斯背景建模方法，存在耗時較多，提取的前景存在較多空洞等問題。本文引入ViBe（Visual Background Extractor）改進算法，應用到人群密度檢測

3、中，大大提高了前景提取的精確度和運行速度。在此基礎上，進一步對提取出的前景圖像進行形態(tài)學處理和透視效應矯正。本文提出了基于線性插值的透視效應矯正方法，對圖像的每一像素列進行了透視效應矯正，而不是采用一貫的分段取平均值進行透視效應，進一步提高了前景像素提取的精準度。最后將前景像素的面積、邊緣特征和人群數(shù)量進行多元線性回歸分析，實現(xiàn)密度等級分類。
　　針對中高密度，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。先對原始圖像用旋轉(zhuǎn)不變的LBP算子進行處理，得到LBP圖像，再對該圖像提取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進行密度分類。
　　本文選用了PETS2009數(shù)據(jù)庫，軟件環(huán)境為matlab2011Ra，實驗