场景监控中的人群密度估计.docVIP

2007 年 12 月JOURNAL OF CIRCUITS AND SYSTEMS December, 2007 文章编号:1007-0249 (2007 06-0019-04 场景监控中的人群密度估计* 胡波, 李晓华, 沈兰荪 (北京工业大学信号与信息处理研究室,北京 100022 摘要:人群密度估计是智能化人群监控中十分重要的内容,它对于人民群众的生命安全有着重要的作用和意义。本文提出了一种基于小波变换与灰度共生矩阵的人群密度特征提取方法,进而利用支撑向量机实现人群密度级别的估计。实验结果表明本文提出的方法是可行的。 关键词:人群密度估计;小波变换;灰度共生矩阵;支撑向量机 中图分类号:TP391 文献识别码:A 1 引言 随着人们社会活动的不断增加,由于人群密度过大而造成人员伤亡的事件屡见不鲜。在日常生活中,对于人们经常出入的地铁、车站、超市等地点的人群密度估计是十分必要的。因此,人群密度估计有着广泛的应用前景和研究价值。 传统的人群密度估计通过监控场景的闭路电视人工进行监控,费时费力且缺乏客观性。随着计算机和图像处理技术的发展和广泛应用,智能化的人群密度监控系统成为人们研究的重点。 在London和Genova,有两个基于闭路电视的实时人群密度监控系统[1,2]。然而这些系统只是运用了一些较为简单的图像处理方法来提取图像中人群密度特征。一是运用背景减的方法来判断场景中被人群占据的空间的大小;二是运用边缘提取的方法,通过边缘周长检测来估计人群密度。然后通过Kalman滤波器对这两种特征进行联合判断,得到优化后的人群密度估计结果。这项技术在较低的人群密度下能得到较满意的结果,但是应用于人群密度较高的场景时会出现很高的误判率。原因在于高密度人群存在明显的人与人间的重叠现象,而上述的两个特征很难描述这种现象。 针对现有方法对中高密度人群估计的缺陷,本文引入纹理分析的方法描述人群密度特征,提出了一种基于小波分析和灰度共生矩阵的特征提取方法,并运用支撑向量机进行人群密度分类,取得了较 好的试验结果。 图1 算法框图本文方法的算法框图如图1所示。 算法主要分为两大部分:特征提取和特征分类。特征提取包括小波变换和灰度共生矩阵,支撑向 量机用于分类。 依算法框图所示,首先对图像进行三级小波分解,得到10个子带及相应的小波系数;其次对除LL子带外的所有细节子带分别计算灰度共生矩阵;然后,计算相应的统计纹理特征,生成9维特征矢量;最后,利用支撑向量机进行特征分类,得到人群密度级别。 3 小波变换与灰度共生矩阵联合的特征提取 3.1 小波变换 小波分析[3,4]在图像处理中的运用愈加广泛,它能够在时域和频域同时具有优良局部特性。 在本文中,对人群图像作3级小波分解[4],得到分解前后的图像,如图2(b所示。从小波分解后 * 收稿日期:2004-10-26 修订日期:2005-12-21 基金项目:国家自然科学基金北京市自然科学基金(4062006;4042008;教育部博士点基金(20040005015 图像中可以看出,不同分辨率的细节子图显示出了人群图像不同方向上的纹理状况,这对于下一步的特征提取有很大帮助。 本文采用9/7滤波器组进行三级小波变换,以九个高频子带作为特征提取的基础,分别从这九个子带中提取纹理特征。 3.2 灰度共生矩阵 在纹理图像中,某个方向上相隔一定距离的一对像素灰度共同出现的统计概率,能反映这个图像的纹理特征[5]。灰度共生矩阵法[5]正是建立在估计图像的这种二阶联合条件概率密度函数基础上的一种重要的纹理分析方法。灰度共生矩阵,,(?d j i p 被定义为从灰度值为i 的点离开某个固定位置(相隔距离为d 、方位为?的点上灰度值为j 的概率(或者频数。对应于变化缓慢的纹理图像,其灰度共生矩阵对角线上的数值较大;而对应纹理变化较快的图像,其灰度共生矩阵对角线上的值较小,对角线两侧的值较大。 灰度共生矩阵,,(?d j i p 反映了图像灰度分布关于方向、局部邻域和变化幅度的综合信息,但数据量太大,一般并不直接作为区分纹理的特征,而是基于它构建一些统计量作为纹理分类特征。 小波变换后的人群图像(图2(b突显了人群的纹理变化情况,且有不同的分辨率和角度的信息。灰度共生矩阵则对于不同分辨率的小波子带进行纹理分析,最后选择合适的特征统计量表征纹理状况,反映人群密度情况。本文方法利用了小波变换和灰度共生矩阵纹理分析上的各自的特点,将其结合运用,使其效果好于其中一种的单独运用。 本文采用了多次实验求取最优的方法。表1给出了多次测试中的三组不同特征下的试验结果,其中最右侧为多次实验中的最优方案。特征组合中的Energy 定义 为:∑∑?=?==101 02],,([,(L i L j d j i p d