监控场景中人数统计算法的研究与应用

发布时间：2017-03-28 11:13

  本文关键词：监控场景中人数统计算法的研究与应用，，由笔耕文化传播整理发布。

【摘要】：随着社会经济和计算机技术的不断发展,人们对公共安全问题关注度越来越高。现如今,智能视频监控系统已大量应用在医院、大型商场、学校、火车站、汽车站、居民住宅区等公共场所,协助安全人员在遇到紧急情况时可以更加及时的处理,保证公民的人身和财产安全。同时还可以帮助管理人员及时的处理公共设施的调配问题,使得公共资源能够合理分配,社会生活有序快速进行。人数统计是智能视频监控领域的一个具有重要现实意义的研究方向,也是计算机视觉与模式识别领域的一个研究热点和难点。准确、实时的估计出监控场景中的实际人数可以帮助相关人员进行事前预警和事后决策。人数统计系统在公共安全防控和商业信息采集上均具有非常重要的研究意义。本文首先介绍了有关人数统计算法的国内外研究现状,仔细分析了这些方法的特点,并对现有方法做了分类总结。现有基于监控视频的人数统计方法大体上可分为两大类方法。一类是基于目标检测的人数统计方法,另一类是基于特征回归的人数统计方法。这两类方法各有利弊,且各有其适用的场合。基于目标检测的人数统计方法优点是能定位到目标的具体位置分布,而且计数结果的可信度高。缺点是在监控场景环境复杂、目标严重遮挡的情况下检测效果差强人意。基于特征回归的人数统计方法优点是在人群密集的情况下也能大致估计出人数结果。缺点是在背景复杂、相机透视的情况下,很难找到一个通用的人群特征描述,使得计数效果不理想。针对以上两类人数统计方法存在的问题,本文提出了两种不同的监控视频人数统计方法。基于目标检测的人数统计方法中考虑到人头部分在大多数监控场景下,遮挡较小,多样性也相对人体较低,所以本文选择检测人头作为人数统计对象。提出了基于Adaboost与卡尔曼滤波结合的人数统计算法。首先通过机器学习Adaboost的方法得到人头检测分类器,并使用多尺度滑动窗配合非极大值抑制算法对视频图像进行人头初步检测。然后,将第一步人头初检测出的结果图像输出,并人工挑选出这些难分的正确分类与错误分类的图像,再将它们作为SVM算法的训练样本进行再学习。学习得到人头筛选的二次分类器用以对初步检测结果进行二次筛选,以此方式有效去除错误检测,增强了计数可信度。最后,使用卡尔曼滤波与检测结果数据关联算法弥补帧间漏检,并把数据关联处理后的结果作为最终的人数统计结果。实验证明该方法解决了有效去除误检测与帧间漏检问题,使得检测与人数统计结果更加稳定,对比初步检测结果,计数准确率提高了10%以上。基于特征回归的人数统计方法中特征选择是关键。本文提出了在特征选择方面有优势的基于卷积神经网络的监控视频人数统计算法,该方法使用深度学习的方法进行学习特征,该特征更加符合仿生生物识别的过程,优于其他传统设计的特征。该方法首先,通过卷积神经网络回归图像中人头中心点获得人群密度分布特征图。然后使用岭回归模型分析人群密度分布特征图,得到每帧图像对应的人数。经实验证明该方法较传统方法计数结果的平均误差降低了至少6%,同时,此算法的耗时更低。
【关键词】：智能视频监控 人数统计 机器学习 卷积神经网络 卡尔曼滤波器
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TN948.6
【目录】：

• 摘要3-5
• Abstract5-13
• 第一章 绪论13-18
• 1.1 研究背景和意义13-14
• 1.2 国内外研究现状14-16
• 1.3 本文主要工作与组织结构16-18
• 第二章 人数统计相关技术概述18-28
• 2.1 相关概念18-21
• 2.1.1 机器学习与分类器概述18-20
• 2.1.2 目标检测概述20-21
• 2.2 基于行人检测的人数统计方法21-24
• 2.3 基于像素点特征回归的人数统计方法24-27
• 2.4 本章总结27-28
• 第三章 基于Adaboost与卡尔曼滤波结合的人数统计算法28-53
• 3.1 引言28-29
• 3.2 基于Adaboost算法的人头初步检测29-39
• 3.2.1 Adaboost算法介绍30-32
• 3.2.2 训练样本的准备32-34
• 3.2.3 梯度方向直方图特征描述34-37
• 3.2.4 多尺度滑动窗策略人头初步检测37-39
• 3.3 基于支持向量机的人头检测二次筛选39-43
• 3.3.1 支持向量机基本概念39-42
• 3.3.2 人头检测二次筛选基本流程42-43
• 3.4 基于卡尔曼滤波与检测结果数据关联的人数统计43-48
• 3.4.1 卡尔曼滤波44-46
• 3.4.2 基于欧式距离的检测跟踪数据关联算法46-48
• 3.5 实验结果与分析48-52
• 3.5.1 实验设置49-50
• 3.5.2 实验结果与分析50-52
• 3.6 本章总结52-53
• 第四章 基于卷积神经网络的监控视频人数统计算法53-65
• 4.1 深度卷积神经网络基本原理53-54
• 4.2 卷积神经网络回归人群密度分布特征图54-56
• 4.2.1 损失函数设计55
• 4.2.2 卷积神经网络模型训练55-56
• 4.3 基于岭回归模型的人数统计56-58
• 4.3.1 岭回归基本概念56-57
• 4.3.2 基于岭回归模型人数统计57-58
• 4.4 实验结果与分析58-63
• 4.4.1 实验设置58-60
• 4.4.2 对比实验结果与分析60-63
• 4.5 本章总结63-65
• 第五章 总结与展望65-67
• 5.1 总结65
• 5.2 展望65-67
• 参考文献67-70
• 致谢70-71
• 攻读硕士学位期间发表的论文71-72
• 攻读硕士学位期间参加的科研项目72

【参考文献】

中国期刊全文数据库 前7条

1 周治平;许伶俐;李文慧;;特征回归与检测结合的人数统计方法[J];计算机辅助设计与图形学学报;2015年03期

2 黄凯奇;陈晓棠;康运锋;谭铁牛;;智能视频监控技术综述[J];计算机学报;2015年06期

3 孙来兵;陈健美;宋余庆;杨刚;;改进的基于在线Boosting的目标跟踪方法[J];计算机应用;2013年02期

4 孙志军;薛磊;许阳明;王正;;深度学习研究综述[J];计算机应用研究;2012年08期

5 郑翔翔;张怡;;基于头部检测和跟踪的人数统计方法[J];计算机应用与软件;2011年02期

6 李苗;刘卫宁;孙棣华;闫川;;视频监视技术在公交车自动乘客计数中的应用[J];西华大学学报(自然科学版);2006年04期

7 张学工;关于统计学习理论与支持向量机[J];自动化学报;2000年01期

中国硕士学位论文全文数据库 前6条

1 王诗怡;基于视觉显著性和积分通道特征的室内行人检测技术研究[D];云南大学;2015年

2 张英;基于视频的实时人数统计关键技术的研究[D];杭州电子科技大学;2014年

3 高静伟;通济桥高密度人群计数方法研究与实现[D];中山大学;2013年

4 张丙坤;基于人头检测的人数统计算法研究[D];西安科技大学;2013年

5 詹小孟;人脸表情识别关键技术研究[D];西安电子科技大学;2011年

6 成伟;均值漂移算法在视频目标跟踪中的应用[D];重庆大学;2009年

  本文关键词：监控场景中人数统计算法的研究与应用，由笔耕文化传播整理发布。

本文编号：272150