[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

说明书

本发明公开了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，划分图像子块；确定图像子块前景像素占比的选择阈值R；对图像子块的标定，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；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；获得整幅图像的人群密度等级。本发明结合了两种人群密度估计算法的混合算法在各个人群密度等级都有较好的分类效果，较好的融合了两种算法的优点，不仅有效的解决了两种人群密度估计算法的缺点，而且还从整体上简化了算法的训练过程，同时还提高了平均分类准确率。

技术领域

本发明涉及算机数字图像处理领域，具体涉及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。

背景技术

伴随着经济社会的发展，人群聚集现象越来越普遍，人群管理与决策也愈加复杂，因此基于视频实时人群密度检测有着十分重大的应用价值，也逐渐成为数字图像处理领域的研究重点。

目前人群密度分类方法主要分为两大类，分别为基于局部像素的追踪与统计方法以及基于整体的纹理分析学习分类法。对于前者比较有代表性的主要有Davies，Cho，Ma等人的方法，他们认为人群密度与前景像素有线性关系，可以通过线性回归拟合的方法来预测人群密度的等级；Marana，Wu，Rahmalan和Chan则认为人群密度如图像的纹理有关，低密度人群拥有较为粗糙的纹理图像，反之则有拥有较为细腻的纹理图像。因此根据假设，可以通过获取人群图像的纹理特征，训练支持向量机来获得人群密度等级信息。

上述两种方法都有着自己的局限性，仅基于局部像素追踪与统计的方法估计在监测人群较为密集的场景时，由于人群遮挡较为严重，因为当人群密度逐渐增加，前景像素占比与人群密度不再具有线性关系，而采用整个训练样本集进行回归拟合反而影响了模型对低密度等级的分类，从而导致估计拟合效果变差甚至出现错误；而仅基于整体纹理特征分析的人群密度分类算法在较低的人群密度下容易受到背景噪声的影响，从而影响分类效果，并且在上述传统的人群密度估计算法直接使用整个训练样本集对支持向量机(SupportVector Machine， SVM)分类器进行训练，不仅训练效率较低而且非常容易受到训练集中两类样本间的“介类点”以及噪声污染点的影响，从而导致分类准确率低，结构风险大。具体参加以下文献：

[1]A.N.Marana，L.F.Costa，R.A.Lotufo，S.A.Velastin.On the efficacy oftexture analysis for crowd monitoring[C].//Computer Graphics，ImageProcessing，and Vision (SIBGRAPI)，Proceedings，International Symposium on.Riode Janeiro：IEEE press，1998： 354-361.

[2]X.Wu，G.Liang，K.K.Lee，Y.Xu.Crowd Density Estimation Using TextureAnalysis and Learning[C].//In Robotics and Biomimetics，IEEE InternationalConference on. Kunming，China：IEEE Press，2006：214-219.

[3]H.Rahmalan，M.S.Nixon，J.N.Carter.On Crowd Density Estimation forSurveillance[C].//In Crime and Security，The Institution of Engineering andTechnology Conference on.London，Britain：IET press，2006：540-545.