视频监控中的人群密度检测.pdfVIP

摘 要 随着社会经济的发展，大规模的人群活动日益增加，大型公共场所的人群安全已 经成为了一个至关重要的问题。为了及时了解重点区域人群密度等级，避免高密度人 群的安全隐患，如何进行有效的人群密度监控显得日益重要。 目前的研究大致分为基于像素统计的分析方法和基于纹理特征的分类方法。基于 像素统计的方法在人群数量较多、人群之间遮挡严重的情况下，存在很大的误差。基 于纹理特征的方法在低密度人群检测时，存在计算复杂度较大，纹理特征不明显的问 题。因此，本文结合了像素分析法和纹理特征分析法的优势，先根据前景像素面积， 将其大致划分为低密度和中高密度两大类，然后根据不同的应用场景采用不同人群密 度检测方法，并分别对两种方法进行了相应的改进。 针对低密度，本文采用基于前景像素统计的分析方法。目前最常用的前景提取方 法之一，混合高斯背景建模方法，存在耗时较多，提取的前景存在较多空洞等问题。 本文引入ViBe （Visual Background Extractor ）改进算法，应用到人群密度检测中，大 大提高了前景提取的精确度和运行速度。在此基础上，进一步对提取出的前景图像进 行形态学处理和透视效应矫正。本文提出了基于线性插值的透视效应矫正方法，对图 像的每一像素列进行了透视效应矫正，而不是采用一贯的分段取平均值进行透视效应， 进一步提高了前景像素提取的精准度。最后将前景像素的面积、边缘特征和人群数量 进行多元线性回归分析，实现密度等级分类。 针对中高密度，本文采用基于纹理特征的分析方法。本文提出一种融合LBP（Local Binary Pattern ）与GLCM （Gray-level Co-occurrence Matrix ）的纹理特征提取方法。 先对原始图像用旋转不变的LBP 算子进行处理，得到LBP 图像，再对该图像提取 GLCM 特征，得到最终的纹理特征描述，既避免LBP 算子特征降维带来的损失，又 能充分利用LBP 和GLCM 纹理特征提取的有效性。最后使用支持向量机进行密度分 类。 本文选用了PETS2009 数据库，软件环境为matlab2011Ra ，实验证明了本文方法 密度检测时具有良好的效果，提高了人群密度检测的准确率。 关键词：人群密度估计，前景提取，纹理特征，多元线性回归，支持向量机 I ABSTRACT With the development of social economy，the frequency of extensive activities with a large variety of people is increasing， and the security issue in large-scale public places is coming along. In order to monitor the crowd density in the primary region and avoid potential security issue ， the crowd density detection is becoming more and more important. Recent researches are mainly focused on the pixel-based estimation and texture-based estimation. However ， error will occur in the pixel-based estimation when the crowd is too dense， and the texture features will be less apparent if the crowd density is too low. Therefore，this paper combines the advantages of the two methods. First of all ，the crowd can b