[发明专利]一种通过模式识别与机器视觉对人群密度进行实时监控的方法

权利要求书

1.一种通过模式识别与机器视觉对人群密度进行实时监控的方法，其特征在于：

S1：划分图像子块，确定图像子块前景像素占比r的选择阈值R；

S2：图像子块人群密度等级评定，图像子块的平均前景像素占比r＜R时，采用基于前景像素统计的回归算法计算人群密度，根据标定表得到人群密度等级编号；当图像的平均前景像素占比r＞R时，采用基于纹理特征提取的学习分类算法计算人群密度，根据标定表得到人群密度等级编号，并建立SVM分类器，使用SVM分类器对待检测的图像子块进行人群密度等级评定；

S3：获得每一个图像子块的人群密度等级后，需要利用图像子块的人群密度等级估计整幅图像的人群密度等级，因此定义整幅图像的人群密度等级为：

其中，d_all表示整幅图像的人群密度等级编号，d_seg(i)为图像子块i的人群密度等级编号，#[ ]定义为四舍五入算子，N为整幅图像划分成图像子块的个数。

2.根据权利要求1所述的方法，其特征在于：确定图像子块前景像素占比的选择阈值R具体为：

S21：计算图像子块中前景像素占比r：

其中N_pro为图像子块中的前景像素点，N_seg为图像子块像素点。

S22：统计与占比r相对应的人数n_p；

S23：近似拟合曲线：

f(n_p)＝Kr+b；

当K为非常数，即呈现非线性关系时，此时对应的占比r＝R，R即为选择阈值。

3.根据权利要求2所述的方法，选择阈值R＝0.6。

4.根据权利要求1所述的方法，其特征在于：采用基于前景像素统计的回归算法计算人群密度，具体为：

S311：提取训练集中n个图像子块的前景像素占比r_seg以及前景人数n_p，构造训练数据点集合{(r_seg(i),n_p(i))},i＝1,2,3,···,n；

S312：对训练数据点集合进行最小二乘法回归拟合，从而得到：

n_p＝f(r_seg)；

S313：将测试图像划分为图像子块，分别求得前景像素的占比r_seg，得到相对应的前景人数n_p，参照标定表，分别得到相应的密度等级编号。

5.根据权利要求1所述的方法，其特征在于：采用基于纹理特征提取的学习分类算法计算人群密度，具体步骤为：

S321：对训练集中输入的每一帧图像划分为3个图像子块，从而获得3个原始灰度图像，再分别求得3个原始灰度图像的LBP图像；

S322：采用灰度级N＝16，d＝1，分别求得LBP图像与原始灰度图像上θ分别为0°,45°,90°,135°的灰度共生矩阵；

S323：对每个灰度共生矩阵GLCM分别求得逆差矩(Homogeneity)、熵(Entropy)、能量(Energy)和对比度(Contrast)这四个统计量。每个图像子块的特征向量可以描述如下：

μ_i＝{a₁,a₂,a₃,a₄,b₁,b₂,b₃,b₄}

其中i＝1,2,3，a_i与b_i为4维向量，分别表示LBP图像与原始灰度图像在4个方向上的灰度共生矩阵的4个统计量；

S324：将3个图像子块的特征向量依次进行拼接，可以获得一个96维的特征向量x，用该向量表征一帧图像的纹理特征，其中每帧图像的特征向量描述如下：

x＝{μ₁,μ₂,μ₃}

S325：参照标定表，对各个图像子块进行标定，得到图像的密度等级编号。

6.根据上述权利要求1所述的方法，建立SVM分类器的具体步骤为：构造训练样本集S：

S＝{(x_i,y_i):i＝1,2,···,l,(x_i,y_i)∈Rⁿ×{4,5}}

其中l为训练样本的个数，x_i为特征向量，标签y_i为每帧图像的等级编号；

进行基于贝叶斯估计的异常样本滤除，删选阈值ε选择0.1，将训练样本集中的“介类点”以及噪声污染点剔除后，组成新的训练样本集对支持向量机模型进行训练，采用基于改进K-means聚类的迭代训练算法，综合原有基于聚类的SVM迭代算法的基础上，对初始迭代训练使用的样本集进行筛选，进一步提高初始训练样本集中包含支持向量的概率，从而加快对SVM的训练速度，其过程如下：

步骤1：筛选出后验概率较大的样本子集S₁，设训练样本集S＝S₁+S₂，由于样本子集S₁的后验概率较大，S₁内所包含的特征向量更加典型，认为支持向量更有可能存在于样本子集S₁中；

步骤2：利用K-means聚类方法，将样本子集S₁聚为k类，样本子集S₁表示为：

S₁＝S₁₁US₁₂US₁₃···US_1k

步骤3：循环判断S_1i(i＝1,2,3...,k)中是否含有两类样本点，若S_1i中含有两类样本点，则初始训练集I＝IUS_1i,其中，I的初值为空集，只有选取含有两类不同样本点的集合作为训练集才能确定分类面；

步骤4：将初始训练集I送入SVM进行训练，获得初始SVM分类器；

步骤5：设样本子集R＝S-I，将样本子集R作为测试集送入初始SVM分类器进行测试，设未通过初始SVM分类器测试的集合为W；

步骤6：判断W所包含向量个数Num(W)是否小于阈值γ，若小于则SVM分类器即为最终分类器，否则令I＝IUW,跳入步骤4继续执行。