隨著經(jīng)濟(jì)的發(fā)展,城市人口迅速增長,密集人群頻繁引發(fā)踩踏事件,人數(shù)統(tǒng)計(jì)信息對(duì)公共安全有著重要意義。當(dāng)前基于視頻的人群計(jì)數(shù)算法效果良好,但大多基于單一人群密度,且極少對(duì)大規(guī)模人群的運(yùn)動(dòng)方向進(jìn)行區(qū)分,無法滿足公園、廣場(chǎng)等公共場(chǎng)所對(duì)出入人數(shù)統(tǒng)計(jì)信息的需求。對(duì)此,本文根據(jù)實(shí)際需求提出不同密度下的人群雙向計(jì)數(shù)。由于高、低密度人群特征存在較大差異,為實(shí)現(xiàn)最佳的出入人數(shù)統(tǒng)計(jì)效果,對(duì)兩種密度人群采用不同的人群計(jì)數(shù)算法。對(duì)原始圖像進(jìn)行灰度化與平滑處理后,通過平均背景建模與背景差相結(jié)合的方法獲取人群前景圖像,并采用形態(tài)學(xué)處理對(duì)其去噪。通過邊緣像素?cái)?shù)、邊緣像素?cái)?shù)和前景像素?cái)?shù)比值對(duì)人群密度進(jìn)行初步的分類,為分類人群計(jì)數(shù)算法奠定基礎(chǔ)。對(duì)低密度稀疏人群,本文采用基于個(gè)體檢測(cè)的人群計(jì)數(shù)算法,為提高目標(biāo)跟蹤準(zhǔn)確性,對(duì)虛擬門區(qū)域內(nèi)的行人目標(biāo)提出改進(jìn)的基于區(qū)域匹配的跟蹤方法,最后通過雙向計(jì)數(shù)線判斷行人運(yùn)動(dòng)方向并實(shí)現(xiàn)出入人數(shù)統(tǒng)計(jì)。對(duì)高密度遮擋人群,本文采用基于多特征融合的人群計(jì)數(shù)算法。首先選用前景像素面積、灰度共生矩陣以及SURF特征點(diǎn)作為特征值,然后將透視矯正后的特征值組成特征向量送入支持向量回歸進(jìn)行訓(xùn)練,通過回歸模型預(yù)測(cè)... 

【文章來源】：西安科技大學(xué)陜西省

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

擁擠人群從以上案例中看出，人群過于密集是造成踩踏事件發(fā)生的重要因素之一

本章首先對(duì)圖像預(yù)處理的基本知識(shí)進(jìn)行介紹，然后對(duì)圖像前景提取進(jìn)行介紹最后采用提取算法簡單快速的像素特征統(tǒng)計(jì)對(duì)人群密度進(jìn)行初步分類。2.1 圖像預(yù)處理由于實(shí)際環(huán)境中存在天氣和光照等因素的影響，無法保證所采集視頻質(zhì)量，需提前對(duì)其預(yù)處理才可進(jìn)行視覺分析處理。圖像預(yù)處理就是對(duì)原始圖像進(jìn)行灰度化、平滑和形態(tài)學(xué)處理等操作，消除冗余信息、簡化所需數(shù)據(jù)、增強(qiáng)相關(guān)信息的可檢測(cè)性，有助于提高前景分割、特征提取、目標(biāo)識(shí)別匹配等處理的可靠性。灰度化處理是將彩色圖像轉(zhuǎn)化為灰度圖像的過程。在 RGB 模型下，彩色圖像中每個(gè)像素點(diǎn)的顏色變化可達(dá) 1600 多萬（256×256×256）種，而灰度圖像中 R、G、B 三個(gè)分量取值相同，每個(gè)像素點(diǎn)僅有 256 種顏色變化，因此灰度化處理可降低后續(xù)圖像運(yùn)算量。一般可通過最大值法、分量法、平均值法和加權(quán)平均法實(shí)現(xiàn)圖像的灰度化。其中加權(quán)平均法較為常用，其根據(jù)重要性及其它指標(biāo)對(duì) R、G、B 三個(gè)分量用不同的權(quán)值進(jìn)行加權(quán)平均，例如人眼對(duì)不同顏色的敏感度，綠色最為敏感，藍(lán)色最不敏感，如下式：Gray (i ,j) 0.299R(i,j) 0.587G(i,j) 0.114B(i,j)（2.1）

西安科技大學(xué)碩士學(xué)位論文從圖 2.1（b）中可看出，灰度圖像仍然可以反映出圖像整體和局部的色度分布與亮度等級(jí)特征。圖像平滑也稱為模糊或?yàn)V波，是一種直接對(duì)源圖像數(shù)據(jù)做空間變化以達(dá)到平滑目的的圖像處理方法，其輸出圖像中任何像素值可由輸入圖像中對(duì)應(yīng)像素周圍一定鄰域內(nèi)像素的值重新計(jì)算得到。常用方法有高斯濾波、中值濾波和均值濾波等[18]，其基本要求是減少圖像噪點(diǎn)的同時(shí)不能損壞圖像的輪廓及邊緣等重要信息。由于基于像素統(tǒng)計(jì)的人群密度分類需要提取邊緣像素特征，本文選擇具有保存邊緣特性的中值濾波進(jìn)行圖像平滑處理。作為一種典型的非線性濾波技術(shù)，中值濾波將每個(gè)像素點(diǎn)灰度值用該點(diǎn)鄰域內(nèi)所有灰度值的中值進(jìn)行代替，鄰域過大時(shí)，會(huì)存在一定的邊界模糊，但畫面的清晰度基本保持。中值濾波在一定條件下可以克服線性濾波器帶來的圖像細(xì)節(jié)模糊，保存邊緣的特性使其在邊緣提取等場(chǎng)合下十分有用，在去除脈沖噪聲、椒鹽噪聲時(shí)也有著良好效果。

【參考文獻(xiàn)】：
期刊論文
[1]基于多特征融合的背景建模方法[J]. 郭治成,黨建武,王陽萍,金靜.  光電工程. 2018(12)
[2]基于邊緣對(duì)比差分算法的運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 劉小靜,薛峰.  計(jì)算機(jī)工程. 2018(10)
[3]基于局部熵的邊緣檢測(cè)算子選擇算法[J]. 凌軍,宋啟祥,房愛東,李現(xiàn)偉.  南京理工大學(xué)學(xué)報(bào). 2018(04)
[4]視覺目標(biāo)跟蹤方法研究綜述[J]. 葛寶義,左憲章,胡永江.  中國圖象圖形學(xué)報(bào). 2018(08)
[5]可伸縮模塊化CNN人群計(jì)數(shù)方法[J]. 李云波,唐斯琪,周星宇,潘志松.  計(jì)算機(jī)科學(xué). 2018(08)
[6]基于線性內(nèi)插權(quán)值人群密度估計(jì)的方法研究[J]. 張朋,溫宏愿.  現(xiàn)代電子技術(shù). 2018(14)
[7]融合圖像顯著性與特征點(diǎn)匹配的形變目標(biāo)跟蹤[J]. 楊勇,閆鈞華,井慶豐.  中國圖象圖形學(xué)報(bào). 2018(03)
[8]一種多列特征圖融合的深度人群計(jì)數(shù)算法[J]. 唐斯琪,陶蔚,張梁梁,潘志松.  鄭州大學(xué)學(xué)報(bào)(理學(xué)版). 2018(02)
[9]基于密度分類及組合特征的人數(shù)估計(jì)算法[J]. 李海豐,姜子政,范龍飛,陳新偉.  計(jì)算機(jī)應(yīng)用研究. 2018(06)
[10]基于改進(jìn)混合高斯模型的人群密度估計(jì)研究[J]. 安曦寧.  電子科技. 2017(05)

碩士論文
[1]智能視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo)檢測(cè)與分類算法研究[D]. 郭佳佳.西安電子科技大學(xué) 2018
[2]安防視頻監(jiān)控下的人群數(shù)目估計(jì)方法研究[D]. 王菲.大連理工大學(xué) 2016
[3]智能視頻監(jiān)控中人群密度分析及突發(fā)異常行為檢測(cè)[D]. 張兵.北京交通大學(xué) 2016
[4]支持向量機(jī)核函數(shù)及關(guān)鍵參數(shù)選擇研究[D]. 尹嘉鵬.哈爾濱工業(yè)大學(xué) 2016
[5]基于SURF特征的人群數(shù)量檢測(cè)算法研究[D]. 丁博.西安科技大學(xué) 2015
[6]智能視頻監(jiān)控中人流量問題的研究[D]. 王道明.合肥工業(yè)大學(xué) 2015
[7]基于視頻圖像的人群密度估計(jì)研究[D]. 陶茂輝.電子科技大學(xué) 2014
[8]高密度人群計(jì)數(shù)方法的研究與應(yīng)用[D]. 劉向東.浙江工業(yè)大學(xué) 2012
[9]視頻監(jiān)控中的人數(shù)統(tǒng)計(jì)和人群密度分析[D]. 柴進(jìn).西安電子科技大學(xué) 2011



本文編號(hào)：3333532