基于视频的不同人群密度下的人数统计
发布时间：2021-08-10 05:12
随着经济的发展,城市人口迅速增长,密集人群频繁引发踩踏事件,人数统计信息对公共安全有着重要意义。当前基于视频的人群计数算法效果良好,但大多基于单一人群密度,且极少对大规模人群的运动方向进行区分,无法满足公园、广场等公共场所对出入人数统计信息的需求。对此,本文根据实际需求提出不同密度下的人群双向计数。由于高、低密度人群特征存在较大差异,为实现最佳的出入人数统计效果,对两种密度人群采用不同的人群计数算法。对原始图像进行灰度化与平滑处理后,通过平均背景建模与背景差相结合的方法获取人群前景图像,并采用形态学处理对其去噪。通过边缘像素数、边缘像素数和前景像素数比值对人群密度进行初步的分类,为分类人群计数算法奠定基础。对低密度稀疏人群,本文采用基于个体检测的人群计数算法,为提高目标跟踪准确性,对虚拟门区域内的行人目标提出改进的基于区域匹配的跟踪方法,最后通过双向计数线判断行人运动方向并实现出入人数统计。对高密度遮挡人群,本文采用基于多特征融合的人群计数算法。首先选用前景像素面积、灰度共生矩阵以及SURF特征点作为特征值,然后将透视矫正后的特征值组成特征向量送入支持向量回归进行训练,通过回归模型预测...
【文章来源】：西安科技大学陕西省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
拥挤人群从以上案例中看出，人群过于密集是造成踩踏事件发生的重要因素之一
本章首先对图像预处理的基本知识进行介绍，然后对图像前景提取进行介绍最后采用提取算法简单快速的像素特征统计对人群密度进行初步分类。2.1 图像预处理由于实际环境中存在天气和光照等因素的影响，无法保证所采集视频质量，需提前对其预处理才可进行视觉分析处理。图像预处理就是对原始图像进行灰度化、平滑和形态学处理等操作，消除冗余信息、简化所需数据、增强相关信息的可检测性，有助于提高前景分割、特征提取、目标识别匹配等处理的可靠性。灰度化处理是将彩色图像转化为灰度图像的过程。在 RGB 模型下，彩色图像中每个像素点的颜色变化可达 1600 多万（256×256×256）种，而灰度图像中 R、G、B 三个分量取值相同，每个像素点仅有 256 种颜色变化，因此灰度化处理可降低后续图像运算量。一般可通过最大值法、分量法、平均值法和加权平均法实现图像的灰度化。其中加权平均法较为常用，其根据重要性及其它指标对 R、G、B 三个分量用不同的权值进行加权平均，例如人眼对不同颜色的敏感度，绿色最为敏感，蓝色最不敏感，如下式：Gray (i ,j) 0.299R(i,j) 0.587G(i,j) 0.114B(i,j)（2.1）
西安科技大学硕士学位论文从图 2.1（b）中可看出，灰度图像仍然可以反映出图像整体和局部的色度分布与亮度等级特征。图像平滑也称为模糊或滤波，是一种直接对源图像数据做空间变化以达到平滑目的的图像处理方法，其输出图像中任何像素值可由输入图像中对应像素周围一定邻域内像素的值重新计算得到。常用方法有高斯滤波、中值滤波和均值滤波等[18]，其基本要求是减少图像噪点的同时不能损坏图像的轮廓及边缘等重要信息。由于基于像素统计的人群密度分类需要提取边缘像素特征，本文选择具有保存边缘特性的中值滤波进行图像平滑处理。作为一种典型的非线性滤波技术，中值滤波将每个像素点灰度值用该点邻域内所有灰度值的中值进行代替，邻域过大时，会存在一定的边界模糊，但画面的清晰度基本保持。中值滤波在一定条件下可以克服线性滤波器带来的图像细节模糊，保存边缘的特性使其在边缘提取等场合下十分有用，在去除脉冲噪声、椒盐噪声时也有着良好效果。
【参考文献】：
期刊论文
[1]基于多特征融合的背景建模方法[J]. 郭治成,党建武,王阳萍,金静. 光电工程. 2018(12)
[2]基于边缘对比差分算法的运动目标检测[J]. 刘小静,薛峰. 计算机工程. 2018(10)
[3]基于局部熵的边缘检测算子选择算法[J]. 凌军,宋启祥,房爱东,李现伟. 南京理工大学学报. 2018(04)
[4]视觉目标跟踪方法研究综述[J]. 葛宝义,左宪章,胡永江. 中国图象图形学报. 2018(08)
[5]可伸缩模块化CNN人群计数方法[J]. 李云波,唐斯琪,周星宇,潘志松. 计算机科学. 2018(08)
[6]基于线性内插权值人群密度估计的方法研究[J]. 张朋,温宏愿. 现代电子技术. 2018(14)
[7]融合图像显著性与特征点匹配的形变目标跟踪[J]. 杨勇,闫钧华,井庆丰. 中国图象图形学报. 2018(03)
[8]一种多列特征图融合的深度人群计数算法[J]. 唐斯琪,陶蔚,张梁梁,潘志松. 郑州大学学报(理学版). 2018(02)
[9]基于密度分类及组合特征的人数估计算法[J]. 李海丰,姜子政,范龙飞,陈新伟. 计算机应用研究. 2018(06)
[10]基于改进混合高斯模型的人群密度估计研究[J]. 安曦宁. 电子科技. 2017(05)
硕士论文
[1]智能视频监控中的运动目标检测与分类算法研究[D]. 郭佳佳.西安电子科技大学 2018
[2]安防视频监控下的人群数目估计方法研究[D]. 王菲.大连理工大学 2016
[3]智能视频监控中人群密度分析及突发异常行为检测[D]. 张兵.北京交通大学 2016
[4]支持向量机核函数及关键参数选择研究[D]. 尹嘉鹏.哈尔滨工业大学 2016
[5]基于SURF特征的人群数量检测算法研究[D]. 丁博.西安科技大学 2015
[6]智能视频监控中人流量问题的研究[D]. 王道明.合肥工业大学 2015
[7]基于视频图像的人群密度估计研究[D]. 陶茂辉.电子科技大学 2014
[8]高密度人群计数方法的研究与应用[D]. 刘向东.浙江工业大学 2012
[9]视频监控中的人数统计和人群密度分析[D]. 柴进.西安电子科技大学 2011
本文编号：3333532
【文章来源】：西安科技大学陕西省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
拥挤人群从以上案例中看出，人群过于密集是造成踩踏事件发生的重要因素之一
本章首先对图像预处理的基本知识进行介绍，然后对图像前景提取进行介绍最后采用提取算法简单快速的像素特征统计对人群密度进行初步分类。2.1 图像预处理由于实际环境中存在天气和光照等因素的影响，无法保证所采集视频质量，需提前对其预处理才可进行视觉分析处理。图像预处理就是对原始图像进行灰度化、平滑和形态学处理等操作，消除冗余信息、简化所需数据、增强相关信息的可检测性，有助于提高前景分割、特征提取、目标识别匹配等处理的可靠性。灰度化处理是将彩色图像转化为灰度图像的过程。在 RGB 模型下，彩色图像中每个像素点的颜色变化可达 1600 多万（256×256×256）种，而灰度图像中 R、G、B 三个分量取值相同，每个像素点仅有 256 种颜色变化，因此灰度化处理可降低后续图像运算量。一般可通过最大值法、分量法、平均值法和加权平均法实现图像的灰度化。其中加权平均法较为常用，其根据重要性及其它指标对 R、G、B 三个分量用不同的权值进行加权平均，例如人眼对不同颜色的敏感度，绿色最为敏感，蓝色最不敏感，如下式：Gray (i ,j) 0.299R(i,j) 0.587G(i,j) 0.114B(i,j)（2.1）
西安科技大学硕士学位论文从图 2.1（b）中可看出，灰度图像仍然可以反映出图像整体和局部的色度分布与亮度等级特征。图像平滑也称为模糊或滤波，是一种直接对源图像数据做空间变化以达到平滑目的的图像处理方法，其输出图像中任何像素值可由输入图像中对应像素周围一定邻域内像素的值重新计算得到。常用方法有高斯滤波、中值滤波和均值滤波等[18]，其基本要求是减少图像噪点的同时不能损坏图像的轮廓及边缘等重要信息。由于基于像素统计的人群密度分类需要提取边缘像素特征，本文选择具有保存边缘特性的中值滤波进行图像平滑处理。作为一种典型的非线性滤波技术，中值滤波将每个像素点灰度值用该点邻域内所有灰度值的中值进行代替，邻域过大时，会存在一定的边界模糊，但画面的清晰度基本保持。中值滤波在一定条件下可以克服线性滤波器带来的图像细节模糊，保存边缘的特性使其在边缘提取等场合下十分有用，在去除脉冲噪声、椒盐噪声时也有着良好效果。
【参考文献】：
期刊论文
[1]基于多特征融合的背景建模方法[J]. 郭治成,党建武,王阳萍,金静. 光电工程. 2018(12)
[2]基于边缘对比差分算法的运动目标检测[J]. 刘小静,薛峰. 计算机工程. 2018(10)
[3]基于局部熵的边缘检测算子选择算法[J]. 凌军,宋启祥,房爱东,李现伟. 南京理工大学学报. 2018(04)
[4]视觉目标跟踪方法研究综述[J]. 葛宝义,左宪章,胡永江. 中国图象图形学报. 2018(08)
[5]可伸缩模块化CNN人群计数方法[J]. 李云波,唐斯琪,周星宇,潘志松. 计算机科学. 2018(08)
[6]基于线性内插权值人群密度估计的方法研究[J]. 张朋,温宏愿. 现代电子技术. 2018(14)
[7]融合图像显著性与特征点匹配的形变目标跟踪[J]. 杨勇,闫钧华,井庆丰. 中国图象图形学报. 2018(03)
[8]一种多列特征图融合的深度人群计数算法[J]. 唐斯琪,陶蔚,张梁梁,潘志松. 郑州大学学报(理学版). 2018(02)
[9]基于密度分类及组合特征的人数估计算法[J]. 李海丰,姜子政,范龙飞,陈新伟. 计算机应用研究. 2018(06)
[10]基于改进混合高斯模型的人群密度估计研究[J]. 安曦宁. 电子科技. 2017(05)
硕士论文
[1]智能视频监控中的运动目标检测与分类算法研究[D]. 郭佳佳.西安电子科技大学 2018
[2]安防视频监控下的人群数目估计方法研究[D]. 王菲.大连理工大学 2016
[3]智能视频监控中人群密度分析及突发异常行为检测[D]. 张兵.北京交通大学 2016
[4]支持向量机核函数及关键参数选择研究[D]. 尹嘉鹏.哈尔滨工业大学 2016
[5]基于SURF特征的人群数量检测算法研究[D]. 丁博.西安科技大学 2015
[6]智能视频监控中人流量问题的研究[D]. 王道明.合肥工业大学 2015
[7]基于视频图像的人群密度估计研究[D]. 陶茂辉.电子科技大学 2014
[8]高密度人群计数方法的研究与应用[D]. 刘向东.浙江工业大学 2012
[9]视频监控中的人数统计和人群密度分析[D]. 柴进.西安电子科技大学 2011
本文编号：3333532
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3333532.html
