视频监控场景中的人群密度估计研究

发布时间：2017-08-20 21:30

  本文关键词：视频监控场景中的人群密度估计研究

  更多相关文章： 视频监控 纹理特征 灰度共生矩阵 支持向量机 密度估计

【摘要】：近些年来,伴随着全球都市化进程的加快,城市的人口密度越来越大,人群发生聚集的情形也越来越多,大量的人群聚集易引起拥挤、踩踏伤亡等灾祸事件。这样的灾祸事件在国内外都屡有发生。因此,对视频监控场景中的人群密度的估计有着重要的研究意义。基于像素统计的密度估计方法较为简单,算法复杂度低,但是当人群密度较高存在人群遮挡时误差较大并不适用；而基于纹理特征分析的方法能够充分利用人群图像的纹理信息,有效克服了人群遮挡难题,但是对低密度人群的估计效果较差。针对以上问题,本文提出了一种改进的人群密度估计算法,通过设定阈值把人群图像划分为低密度人群和中高密度人群,对两类人群分别采用了两种不同的人群密度估计方法。对于低密度人群,本文采用基于前景像素和线性回归的方法。首先提取人群前景,本文使用加权平均法对所有人群帧图像进行灰度化处理,然后使用中值滤波法消除孤立点和噪声,最后构造背景图像,利用背景差分法获取初步的人群前景,再通过形态学处理获得最终的人群前景。得到人群前景后获取其像素数,接着用最小二乘法估计出人群前景像素数和人数之间的线性关系。对于中高密度人群,本文采用基于纹理特征分析和支持向量机(SVM)的方法。通过灰度共生矩阵提取人群图像的纹理特征进行研究,通过实验研究选取了最佳的灰度共生矩阵构造参数d和目,并选取能量、对比度、熵及相关性4个纹理特征进行密度估计。对于模式识别的分类问题,本文采用SVM对中高密度人群进行分类,通过本文的训练样本建立SVM模型,通过实验研究选取了最佳的惩罚参数C以及核函数的参数σ。接着用SVM进行分类,获得分类结果,从而完成场景的人群密度估计。最后,为了验证本文算法的可行性和有效性,对人群视频进行了实验,低密度人群得到了最小二乘线性拟合结果,中高密度人群的分类准确率达到了90%。实验结果表明本文方法有效可行,可以为保障公共安全提供有力的帮助。
【关键词】：视频监控 纹理特征 灰度共生矩阵 支持向量机 密度估计
【学位授予单位】：浙江工商大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41;TN948.6
【目录】：

• 摘要2-4
• ABSTRACT4-9
• 1 绪论9-14
• 1.1 课题研究的背景9
• 1.2 课题研究的意义和应用前景9-10
• 1.3 国内外研究现状10-11
• 1.4 本文的主要工作和创新点11-12
• 1.5 论文的结构安排12-14
• 2 人群密度估计方法综述14-18
• 2.1 基于像素特征的人群密度估计算法14-15
• 2.2 基于纹理分析的人群密度估计算法15-16
• 2.3 方法比较16
• 2.4 本文方法16-17
• 2.5 本章小结17-18
• 3 基于前景像素和线性回归的低密度人群估计方法18-33
• 3.1 前景提取18-27
• 3.1.1 图像采集18-19
• 3.1.2 图像灰度化19
• 3.1.3 提取前景19-23
• 3.1.4 图像二值化23-26
• 3.1.5 图像去噪26-27
• 3.2 形态学处理27-30
• 3.3 获取像素数30
• 3.4 最小二乘线性拟合30-32
• 3.5 本章小结32-33
• 4 基于纹理特征分析和支持向量机的中高密度人群估计方法33-50
• 4.1 纹理特征分析33-35
• 4.1.1 纹理概述33
• 4.1.2 纹理描述和度量方法33-35
• 4.2 基于灰度共生矩阵的纹理特征分析35-38
• 4.2.1 灰度共生矩阵概述35-36
• 4.2.2 人群密度特征提取36-38
• 4.3 支持向量机38-49
• 4.3.1 模式分类概述38-40
• 4.3.2 支持向量机理论40-45
• 4.3.3 核函数45-46
• 4.3.4 支持向量机学习算法46-47
• 4.3.5 支持向量机分类算法47-49
• 4.4 本章小结49-50
• 5 实验结果及分析50-66
• 5.1 实验环境50
• 5.2 实验说明50-52
• 5.3 低密度人群估计52
• 5.4 中高密度人群估计52-65
• 5.4.1 灰度共生矩阵构造参数的选取52-59
• 5.4.2 核函数参数的选取59-60
• 5.4.3 中高密度人群估计的实验结果与分析60-65
• 5.5 本章小结65-66
• 6 结论及展望66-68
• 6.1 结论66
• 6.2 展望66-68
• 参考文献68-73
• 攻读硕士学位期间发表的论文73-74
• 致谢74-75

【参考文献】

中国博士学位论文全文数据库 前1条

1 王选贺;跨摄像机多人体目标的跟踪研究[D];浙江大学;2011年

，

本文编号：709001