返回主站|会员中心|保存桌面|手机浏览

《科技资讯》杂志

杂志等级
    期刊级别:国家级期刊 收录期刊:知网收录(中) 维普收录(中) 万方收录(中) 国家图书馆馆藏 上海图书馆馆藏
本刊往期
站内搜索
 
友情链接
  • 暂无链接
首页 > 杂志论文 > 智能监控系统中的人群密度检测
杂志文章正文
智能监控系统中的人群密度检测
发布时间:2018-12-03        浏览次数:21        返回列表

汪立群 杨晓娜 孙慧敏 刘锴悦 王铄

摘 要:人群密度检测是数字图像处理研究的热门领域,在现代社会的应用越来越广泛,可以用于人群密集场所,比如:超市、学校等,用来帮助和提醒管理人员及时处理突发情况。本文采用基于纹理特征的人群密度估计算法,首先提取出灰度共生矩阵的5个特征值组成训练样本矩阵,然后再使用支持向量机进行分类。实验结果表明,人群密度检测结果比较准确。

关键词:人群密度检测 纹理特征 支持向量机

中图分类号:TP27 文献标识码:A 文章编号:1672-3791(2018)04(b)-0009-02

通常,人群密度检测有基于像素特征的人群密度估计算法和基于纹理特征的人群密度估计算法。本文采用基于纹理特征的估计算法,处理方案是先采集各种人群密集程度的大量数据,使用灰度共生矩阵法,提取出灰度共生矩阵的特征值,然后再使用支持向量机进行分类[1]。方案流程图如图1所示。

1 纹理特征的提取

Marana[2]提出了基于纹理分析的人群密度估计算法,他提出高密度人群在图像纹理上体现出细模式,而人群密度比较低的地区在图像纹理上体现出粗模式,因此,可以通过对图像的纹理特征的分析得到相关的密度信息。本文采用灰度共生矩阵法。灰度共生矩阵是用两个特定位置像素的联合概率密度来定义,其实质就是对图像的像素信息进行二阶联合条件概率密度函数映射[2]。本文选取了由灰度共生矩阵引申出的5个特征值:能量、相关度、对比度、逆差矩、熵[3]。

2 支持向量机分类方法

提取出特征值后,需要使用分类算法对特征值进行分类。本文对使用应用较为广泛的支持向量机进行分类。支持向量机的实质是找到一个合适的分类面将分属于两种不同类别号的样本分开。本文是根据人口的密度级别进行分类,分别为:5人以下为稀疏人群、6~10人为较稀疏人群、11~15人为密集人群、15人以上为拥堵人群。选取大量样本进行训练,对4类人群分别赋予不同的类别号。提取出样本图片的特征值组成训练样本矩阵,送入支持向量机进行分类。然后把测试图片送入支持向量机求出类别号,就能判断出人群属于哪一类。

3 实验结果与分析

本文选取160张图片作为样本,21張图片进行测试,测试结果如图2所示。

经测试,准确率达86%。但仍有不足:摄像机存在透视效应,会导致人群纹理特征提取不准确,若加入透视矫正,处理效果会更好[4];支持向量机理论的计算量较大。

参考文献

[1] 岳晓娟.智能监控系统中的人群密度检测算法研究[D].哈尔滨工业大学,2012.

[2] Marana AN,Vclastin SA,Costa LF,ct al.Automatic Estimation of Crowd Texture[J].Safety Science,1998,28(3):165-175.

[3] 丁世飞,齐丙娟,谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报,2011,40(1):1-4.

[4] 苏航.基于高清视频的大规模群体分析技术研究[D].上海交通大学,2009.