發(fā)布時(shí)間：2017-07-05 15:09

  本文關(guān)鍵詞：基于人群密度估計(jì)的視頻監(jiān)控技術(shù)

  更多相關(guān)文章： 人群密度 視頻監(jiān)控 像素統(tǒng)計(jì) 紋理分析

【摘要】：隨著中國(guó)城市化進(jìn)程的加快,城市的規(guī)模不斷增大,在一些大型集會(huì)、交通樞紐等人流密集場(chǎng)所發(fā)生大規(guī)模踩踏事件的風(fēng)險(xiǎn)增加,我們可以將人群密度作為一個(gè)衡量人群環(huán)境風(fēng)險(xiǎn)的指標(biāo),而傳統(tǒng)的人工監(jiān)控的方法的不足之處在于主觀性強(qiáng)、可靠性低、有效時(shí)長(zhǎng)短,這是由人的生理特性(注意力難以長(zhǎng)時(shí)間集中,易疲勞)決定的,智能視頻監(jiān)控技術(shù)的發(fā)展可以對(duì)人群進(jìn)行實(shí)時(shí)的監(jiān)控,并對(duì)人群密度進(jìn)行分級(jí),對(duì)可能出現(xiàn)的事故風(fēng)險(xiǎn)進(jìn)行預(yù)警。本文針對(duì)應(yīng)用于人群密度監(jiān)測(cè)的智能視頻監(jiān)控技術(shù)的核心算法做了進(jìn)一步研究,提出了以現(xiàn)有主流的兩類人群密度估計(jì)算法為基礎(chǔ)的優(yōu)化算法,一類是基于像素統(tǒng)計(jì)的算法,本文分別利用多元線性擬合和BP神經(jīng)網(wǎng)絡(luò)來(lái)描述像素特征值和人群人數(shù)之間的線性和非線性關(guān)系,并比較了它們?cè)诓煌巳好芏拳h(huán)境下統(tǒng)計(jì)人群人數(shù)的效果;而針對(duì)第二類基于紋理分析的人群密度估計(jì)算法,本文通過(guò)利用灰度共生矩陣的特點(diǎn),結(jié)合支持向量機(jī)的分類功能實(shí)現(xiàn)對(duì)高密度人群的分類,同時(shí)考慮到提取到的人群圖像的紋理維數(shù)較高,導(dǎo)致數(shù)據(jù)處理的計(jì)算量增大,不利于視頻的實(shí)時(shí)處理,本文采用主成分分析(PCA)的方法,分別提取1元、3元和12元紋理統(tǒng)計(jì)量,并比較他們?cè)谌巳好芏裙烙?jì)上的效果。
【關(guān)鍵詞】：人群密度 視頻監(jiān)控 像素統(tǒng)計(jì) 紋理分析
【學(xué)位授予單位】：東華大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41;TN948.6
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 1 緒論10-15
• 1.1 課題研究背景及意義10-12
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀12-13
• 1.3 本文研究?jī)?nèi)容13-14
• 1.4 本文結(jié)構(gòu)與章節(jié)安排14-15
• 2 視頻監(jiān)控技術(shù)15-21
• 2.1 機(jī)器視覺(jué)理論15-17
• 2.1.1 機(jī)器視覺(jué)和人類視覺(jué)的差異15-16
• 2.1.2 機(jī)器視覺(jué)模型16-17
• 2.2 視頻監(jiān)控技術(shù)發(fā)展概況17-19
• 2.2.1 模擬視頻監(jiān)控系統(tǒng)18
• 2.2.2 數(shù)字視頻監(jiān)控系統(tǒng)18
• 2.2.3 分布式視頻監(jiān)控系統(tǒng)18
• 2.2.4 智能視頻監(jiān)控系統(tǒng)18-19
• 2.3 視頻監(jiān)控技術(shù)發(fā)展趨勢(shì)19-20
• 2.4 本章小結(jié)20-21
• 3 人群密度估計(jì)的基本方法21-25
• 3.1 人群密度估計(jì)算法概述21-23
• 3.1.1 基于像素統(tǒng)計(jì)的人群密度估計(jì)方法21-23
• 3.1.2 基于紋理分析的人群密度估計(jì)方法23
• 3.2 兩類算法比較23-24
• 3.3 人群密度分級(jí)24
• 3.4 本章小結(jié)24-25
• 4 圖像預(yù)處理25-37
• 4.1 圖像預(yù)處理相關(guān)技術(shù)25-28
• 4.1.1 像素亮度變換25-26
• 4.1.2 幾何變換26-28
• 4.2 局部預(yù)處理28-30
• 4.2.1 圖像平滑28-29
• 4.2.2 邊緣檢測(cè)29-30
• 4.3 透視畸變30-32
• 4.3.1 參數(shù)校正法30
• 4.3.2 線性內(nèi)插法30-31
• 4.3.3 網(wǎng)格法31-32
• 4.4 前景提取32-37
• 4.4.1 前景分割32
• 4.4.2 前景摳圖32-33
• 4.4.3 前景提取的主要方法33-37
• 5 基于像素統(tǒng)計(jì)的人群密度估計(jì)37-52
• 5.1 基本原理37-43
• 5.1.1 前景提取38-39
• 5.1.2 形態(tài)學(xué)處理39-41
• 5.1.3 Canny邊緣檢測(cè)41-43
• 5.2 像素特征統(tǒng)計(jì)43-44
• 5.3 多元線性回歸44-49
• 5.3.1 回歸模型44-45
• 5.3.2 實(shí)驗(yàn)分析45-49
• 5.4 基于BP神經(jīng)網(wǎng)絡(luò)的非線性擬合49-51
• 5.4.1 BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介49-50
• 5.4.2 實(shí)驗(yàn)分析50-51
• 5.5 本章小結(jié)51-52
• 6 基于像素統(tǒng)計(jì)的人群密度估計(jì)52-63
• 6.1 紋理特征52-60
• 6.1.1 紋理特征選擇52-54
• 6.1.2 灰度共生矩陣54-56
• 6.1.3 紋理特征提取與分類56-60
• 6.2 實(shí)驗(yàn)結(jié)果分析60-62
• 6.3 本章小結(jié)62-63
• 7 總結(jié)與展望63-64
• 7.1 總結(jié)63
• 7.2 下一步的工作63-64
• 參考文獻(xiàn)64-68
• 作者在攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文68-69
• 致謝69

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前1條

1 胡波;李曉華;沈蘭蓀;;場(chǎng)景監(jiān)控中的人群密度估計(jì)[J];電路與系統(tǒng)學(xué)報(bào);2007年06期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 王冉;基于紋理分析的人群密度估計(jì)[D];東北大學(xué);2012年

2 李彪;基于獨(dú)立成分分析的紋理分割研究[D];四川大學(xué);2006年

，

本文編號(hào)：522460