基于人群密度估计的视频监控技术

发布时间：2017-07-05 15:09

  本文关键词：基于人群密度估计的视频监控技术

  更多相关文章： 人群密度 视频监控 像素统计 纹理分析

【摘要】：随着中国城市化进程的加快,城市的规模不断增大,在一些大型集会、交通枢纽等人流密集场所发生大规模踩踏事件的风险增加,我们可以将人群密度作为一个衡量人群环境风险的指标,而传统的人工监控的方法的不足之处在于主观性强、可靠性低、有效时长短,这是由人的生理特性(注意力难以长时间集中,易疲劳)决定的,智能视频监控技术的发展可以对人群进行实时的监控,并对人群密度进行分级,对可能出现的事故风险进行预警。本文针对应用于人群密度监测的智能视频监控技术的核心算法做了进一步研究,提出了以现有主流的两类人群密度估计算法为基础的优化算法,一类是基于像素统计的算法,本文分别利用多元线性拟合和BP神经网络来描述像素特征值和人群人数之间的线性和非线性关系,并比较了它们在不同人群密度环境下统计人群人数的效果;而针对第二类基于纹理分析的人群密度估计算法,本文通过利用灰度共生矩阵的特点,结合支持向量机的分类功能实现对高密度人群的分类,同时考虑到提取到的人群图像的纹理维数较高,导致数据处理的计算量增大,不利于视频的实时处理,本文采用主成分分析(PCA)的方法,分别提取1元、3元和12元纹理统计量,并比较他们在人群密度估计上的效果。
【关键词】：人群密度 视频监控 像素统计 纹理分析
【学位授予单位】：东华大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TN948.6
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 1 绪论10-15
• 1.1 课题研究背景及意义10-12
• 1.2 国内外研究现状12-13
• 1.3 本文研究内容13-14
• 1.4 本文结构与章节安排14-15
• 2 视频监控技术15-21
• 2.1 机器视觉理论15-17
• 2.1.1 机器视觉和人类视觉的差异15-16
• 2.1.2 机器视觉模型16-17
• 2.2 视频监控技术发展概况17-19
• 2.2.1 模拟视频监控系统18
• 2.2.2 数字视频监控系统18
• 2.2.3 分布式视频监控系统18
• 2.2.4 智能视频监控系统18-19
• 2.3 视频监控技术发展趋势19-20
• 2.4 本章小结20-21
• 3 人群密度估计的基本方法21-25
• 3.1 人群密度估计算法概述21-23
• 3.1.1 基于像素统计的人群密度估计方法21-23
• 3.1.2 基于纹理分析的人群密度估计方法23
• 3.2 两类算法比较23-24
• 3.3 人群密度分级24
• 3.4 本章小结24-25
• 4 图像预处理25-37
• 4.1 图像预处理相关技术25-28
• 4.1.1 像素亮度变换25-26
• 4.1.2 几何变换26-28
• 4.2 局部预处理28-30
• 4.2.1 图像平滑28-29
• 4.2.2 边缘检测29-30
• 4.3 透视畸变30-32
• 4.3.1 参数校正法30
• 4.3.2 线性内插法30-31
• 4.3.3 网格法31-32
• 4.4 前景提取32-37
• 4.4.1 前景分割32
• 4.4.2 前景抠图32-33
• 4.4.3 前景提取的主要方法33-37
• 5 基于像素统计的人群密度估计37-52
• 5.1 基本原理37-43
• 5.1.1 前景提取38-39
• 5.1.2 形态学处理39-41
• 5.1.3 Canny边缘检测41-43
• 5.2 像素特征统计43-44
• 5.3 多元线性回归44-49
• 5.3.1 回归模型44-45
• 5.3.2 实验分析45-49
• 5.4 基于BP神经网络的非线性拟合49-51
• 5.4.1 BP神经网络简介49-50
• 5.4.2 实验分析50-51
• 5.5 本章小结51-52
• 6 基于像素统计的人群密度估计52-63
• 6.1 纹理特征52-60
• 6.1.1 纹理特征选择52-54
• 6.1.2 灰度共生矩阵54-56
• 6.1.3 纹理特征提取与分类56-60
• 6.2 实验结果分析60-62
• 6.3 本章小结62-63
• 7 总结与展望63-64
• 7.1 总结63
• 7.2 下一步的工作63-64
• 参考文献64-68
• 作者在攻读硕士学位期间发表的学术论文68-69
• 致谢69

【参考文献】

中国期刊全文数据库 前1条

1 胡波;李晓华;沈兰荪;;场景监控中的人群密度估计[J];电路与系统学报;2007年06期

中国硕士学位论文全文数据库 前2条

1 王冉;基于纹理分析的人群密度估计[D];东北大学;2012年

2 李彪;基于独立成分分析的纹理分割研究[D];四川大学;2006年

，

本文编号：522460