發(fā)布時(shí)間：2017-08-20 21:30

  本文關(guān)鍵詞：視頻監(jiān)控場(chǎng)景中的人群密度估計(jì)研究

  更多相關(guān)文章： 視頻監(jiān)控 紋理特征 灰度共生矩陣 支持向量機(jī) 密度估計(jì)

【摘要】：近些年來,伴隨著全球都市化進(jìn)程的加快,城市的人口密度越來越大,人群發(fā)生聚集的情形也越來越多,大量的人群聚集易引起擁擠、踩踏傷亡等災(zāi)禍?zhǔn)录＿@樣的災(zāi)禍?zhǔn)录趪鴥?nèi)外都屢有發(fā)生。因此,對(duì)視頻監(jiān)控場(chǎng)景中的人群密度的估計(jì)有著重要的研究意義�；谙袼亟y(tǒng)計(jì)的密度估計(jì)方法較為簡(jiǎn)單,算法復(fù)雜度低,但是當(dāng)人群密度較高存在人群遮擋時(shí)誤差較大并不適用；而基于紋理特征分析的方法能夠充分利用人群圖像的紋理信息,有效克服了人群遮擋難題,但是對(duì)低密度人群的估計(jì)效果較差。針對(duì)以上問題,本文提出了一種改進(jìn)的人群密度估計(jì)算法,通過設(shè)定閾值把人群圖像劃分為低密度人群和中高密度人群,對(duì)兩類人群分別采用了兩種不同的人群密度估計(jì)方法。對(duì)于低密度人群,本文采用基于前景像素和線性回歸的方法。首先提取人群前景,本文使用加權(quán)平均法對(duì)所有人群幀圖像進(jìn)行灰度化處理,然后使用中值濾波法消除孤立點(diǎn)和噪聲,最后構(gòu)造背景圖像,利用背景差分法獲取初步的人群前景,再通過形態(tài)學(xué)處理獲得最終的人群前景。得到人群前景后獲取其像素?cái)?shù),接著用最小二乘法估計(jì)出人群前景像素?cái)?shù)和人數(shù)之間的線性關(guān)系。對(duì)于中高密度人群,本文采用基于紋理特征分析和支持向量機(jī)(SVM)的方法。通過灰度共生矩陣提取人群圖像的紋理特征進(jìn)行研究,通過實(shí)驗(yàn)研究選取了最佳的灰度共生矩陣構(gòu)造參數(shù)d和目,并選取能量、對(duì)比度、熵及相關(guān)性4個(gè)紋理特征進(jìn)行密度估計(jì)。對(duì)于模式識(shí)別的分類問題,本文采用SVM對(duì)中高密度人群進(jìn)行分類,通過本文的訓(xùn)練樣本建立SVM模型,通過實(shí)驗(yàn)研究選取了最佳的懲罰參數(shù)C以及核函數(shù)的參數(shù)σ。接著用SVM進(jìn)行分類,獲得分類結(jié)果,從而完成場(chǎng)景的人群密度估計(jì)。最后,為了驗(yàn)證本文算法的可行性和有效性,對(duì)人群視頻進(jìn)行了實(shí)驗(yàn),低密度人群得到了最小二乘線性擬合結(jié)果,中高密度人群的分類準(zhǔn)確率達(dá)到了90%。實(shí)驗(yàn)結(jié)果表明本文方法有效可行,可以為保障公共安全提供有力的幫助。
【關(guān)鍵詞】：視頻監(jiān)控 紋理特征 灰度共生矩陣 支持向量機(jī) 密度估計(jì)
【學(xué)位授予單位】：浙江工商大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41;TN948.6
【目錄】：

• 摘要2-4
• ABSTRACT4-9
• 1 緒論9-14
• 1.1 課題研究的背景9
• 1.2 課題研究的意義和應(yīng)用前景9-10
• 1.3 國內(nèi)外研究現(xiàn)狀10-11
• 1.4 本文的主要工作和創(chuàng)新點(diǎn)11-12
• 1.5 論文的結(jié)構(gòu)安排12-14
• 2 人群密度估計(jì)方法綜述14-18
• 2.1 基于像素特征的人群密度估計(jì)算法14-15
• 2.2 基于紋理分析的人群密度估計(jì)算法15-16
• 2.3 方法比較16
• 2.4 本文方法16-17
• 2.5 本章小結(jié)17-18
• 3 基于前景像素和線性回歸的低密度人群估計(jì)方法18-33
• 3.1 前景提取18-27
• 3.1.1 圖像采集18-19
• 3.1.2 圖像灰度化19
• 3.1.3 提取前景19-23
• 3.1.4 圖像二值化23-26
• 3.1.5 圖像去噪26-27
• 3.2 形態(tài)學(xué)處理27-30
• 3.3 獲取像素?cái)?shù)30
• 3.4 最小二乘線性擬合30-32
• 3.5 本章小結(jié)32-33
• 4 基于紋理特征分析和支持向量機(jī)的中高密度人群估計(jì)方法33-50
• 4.1 紋理特征分析33-35
• 4.1.1 紋理概述33
• 4.1.2 紋理描述和度量方法33-35
• 4.2 基于灰度共生矩陣的紋理特征分析35-38
• 4.2.1 灰度共生矩陣概述35-36
• 4.2.2 人群密度特征提取36-38
• 4.3 支持向量機(jī)38-49
• 4.3.1 模式分類概述38-40
• 4.3.2 支持向量機(jī)理論40-45
• 4.3.3 核函數(shù)45-46
• 4.3.4 支持向量機(jī)學(xué)習(xí)算法46-47
• 4.3.5 支持向量機(jī)分類算法47-49
• 4.4 本章小結(jié)49-50
• 5 實(shí)驗(yàn)結(jié)果及分析50-66
• 5.1 實(shí)驗(yàn)環(huán)境50
• 5.2 實(shí)驗(yàn)說明50-52
• 5.3 低密度人群估計(jì)52
• 5.4 中高密度人群估計(jì)52-65
• 5.4.1 灰度共生矩陣構(gòu)造參數(shù)的選取52-59
• 5.4.2 核函數(shù)參數(shù)的選取59-60
• 5.4.3 中高密度人群估計(jì)的實(shí)驗(yàn)結(jié)果與分析60-65
• 5.5 本章小結(jié)65-66
• 6 結(jié)論及展望66-68
• 6.1 結(jié)論66
• 6.2 展望66-68
• 參考文獻(xiàn)68-73
• 攻讀碩士學(xué)位期間發(fā)表的論文73-74
• 致謝74-75

【參考文獻(xiàn)】

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 王選賀;跨攝像機(jī)多人體目標(biāo)的跟蹤研究[D];浙江大學(xué);2011年

，

本文編號(hào)：709001