（计算机应用技术专业论文）突发人群聚集事件智能视频监控.pdf

- t l ll ? ：t j 。 - 甲 p 独创性声明 蝴j j f j f i i f i i f j f i i f j i j j j j j 删洲埘朋 y 18 0 2 7 8 7 本人声明所呈交的学位论文是本人在导师指导下进行的研究工 作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地 方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含 为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均己在论文中作了明 确的说明并表示谢意。 签名： 日期：历p 年月g 日 论文使用授权 本学位论文作者完全了解电子科技大学有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁 盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文 的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或 扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后应遵守此规定) 签名：2 脚导师签名： 日期：年 月 日 山t o68 一， ， _ o _ _ 一 摘要 摘要 随着经济社会的发展，尤其是我国城市化进程的推进，城市的人口密度越来 越大，城市的公共交通、生活设施等经常会迎来短期的人流高峰，人群的高度拥 挤若不能得到及时有效疏散容易造成灾祸。除此之外，人群密度的增大也容易导 致一些突发人群聚集事件的发生，对城市的治安造成较大的威胁。因此，如何有 效的对突发人群聚集事件进行监控，是一个很有研究价值的课题。 本文提出了一种对突发人群聚集事件进行监控的方法。首先需要对被监控场 景的人群密度特征进行提取，然后计算出被监控场景的人群阻塞率，最后将获取 的特征输入到分类器中，由分类器来判断是否发生了突发人群聚集事件。 在人群密度特征提取方面，本文首先介绍了人群密度检测的国内外发展现状 以及基本理论。通过分析可知，人群密度估中最简单的方法是基于像素统计的密 度估计方法，但是它仅仅适用于低密度且没有遮挡现象的场景。对于高密度且有 遮挡的场景通常使用基于纹理的分析方法来进行密度估计。但基于纹理分析的方 法计算量较大且耗时较长。 在突发人群聚集事件发生时，通常是高密度场景，因此本文决定采用基于纹 理的分析方法来提取人群密度特征。在提取特征的过程中，需要使用灰度共生矩 阵以及其统计特征值如熵、角二阶矩以及对比度等。 但是仅仅只有密度特征并不能很好地检测出突发人群聚集事件。因为很多正 常情况下也会出现高密度的人群，如上学、上班等等。因此除了使用人群密度特 征之外，本文还提出了人群阻塞率的概念来辅助侦测突发人群聚集事件。然后对 可能影响阻塞率的参数进行了详细的分析。随后对含有突发人群聚集现象的场景 和正常高密度人群场景的人群阻塞率进行了对比，由此证实了该参数的有效性。 最后对模式识别中常见的分类方法做了的介绍。其中详细介绍了反向传播神 经网络，本文决定采用这种神经网络作为检测突发人群聚集事件的分类器，在讨 论了如何构建一个高效的反向传播神经网络之后，本文使用部分样本作为测试集， 对反向传播神经网络进行了训练，然后使用反向传播神经网络对剩下的样本进行 分类。经过实验证明，本文的方法是有效的。 关键词：突发人群聚集，密度估计，纹理分析，灰度共生矩阵，b p 神经网络 i a b s 廿- a c t a b s t r a c t w i t ht h ed e v e l o p m e n to fe c o n o m ya i l d s o c i e 吼e s p e c i a l l yt h ep r o 伊e s s o f u r b a n i z a t i o ni no l l rc 0 吼缸y t h ep 叩u l a t i o nd e n s i t yo fc i t i e si n c r e a s e sc o n t i n u o u s l y t l l e p u b l i c 仃a 伍ca l l di n 仔a s t m c t l l r ei n c i t i e so r e nm e 烈c r o w dn o ww i t h 铲e a td e n s i 够i n r u s hh o u r ，砌c hm a yr e s u l ti na c c i d e n t si fm ep o p u l a t i o nc o n g e s t i o nc a l ln o tb e e v a c ua _ t e di nt h n e i na d d i t i o n ，i tc o u l de a s i l yl e a dt 0s o m eu n e x p e c t c dc r o w di i l c i d e n t s b e c a u s eo f 也ei n c r e a s i n go fp o p u l a t i o nd e n s i t ) ，讹c ha l s ot h r e a t e n s 证b a i ls e c 面够 t h e r e f o r e ，i t sv e 巧u r g e i l tt or e s e a r c hh o w t om o n i t o rt l l e s ei n c i d e n t se 日e c t i v e l y am e m o do fm o n i t o r i n gl l n e x p e c t e dc r o w di i l c i d e n t si sa p p l i e db yt h i sd i s s e r t a t i o n f i r s t ，i t sn e c e s s a 巧t og e tt h ef e a t u r co fd e n s i t yo f c r o w di nm o n i t o r i n gs c e n e a n dt h e n i tg e t st h eb l o c k i n gr a t eo fc r o w di nm o n i t o r i n gs c e i l e a t l a s tm e s ef e a t l l r e sa r es e n tt 0 c l a s s i f i 既a n dt h ec l a s s i f i e rw i l ld e t 锄i n ew h e t h e rt h e r eh a sb e 锄锄u 1 1 e x p e 酏甜w d i n c i d e n t t h ed e v e l o p m e i l ta i l db a s i cp r i n c i p l e so fc r o w dm o n i t o r i n gs y s t e mb o t hi no u r c o u n 仃y 锄da b r o a di si n 仃o d u c e db yt h i sd i s s e n a t i o n t l l es i m p l e s tw a yo fc r o w d d e n s i 够e s t i m a t i o ni sp i x e l - b a s e dc r 0 、砌，e s t i m a t i o n b u ti t sa p p l i e do i l l y t 0m e 1 0 w d e n s 时s c e n e f o rt h eh i 曲一d e l l s i t ys c e n e ，t l l e r ei su s u a l l yu s e da i l a l y s i sm e m o d b a s e do nt e x t l l r ee s t i m a t i o n h o w e v e r t e x t u r ee s t i i r l a t i o ni sm o r ec o m p l e xt h a n p i x e l _ b a s e dc r o w de s t i m a t i o n t h ed e i l s i 够o fc r o w e di so r e nh i 曲i nt h eu i l e x p e c t e dc r o w di n c i d e n t s s om i s p 印e rd e c i d e dt oa d o p tt e x t u 】陀e s t i m a t i o nt 0 e x t r 2 l c t 也ec h a r a c t 甜s t i c so fp o p u l a t i o n d e i l s i 吼i i lt h ef e a t u r ee x t r a c t i o np r o c e s s ，w ew i l lu s eg 1 a yl e v e ld 印e n d e n c em a t r i x a n di t ss t a t i s t i c a lc h a i a c t e r i s t i cv a l u e s ，s u c ha se n 仃d p me n e 曜ya n dc o n 打a s t h o w e v e r ，i tc a nn o td e t e c tm eu n e x p e c t e dc r o w di n c i d e n t se f | e c t i v e l yo n l yw i t ht h e d e n s i t yo fc r o w d b e c a l l s en l ed e n s i 够o fc f o w di sa l s ov e 拶h i 曲i ns o m en o 衄a l c i r c u m s t a l l c e s ，s u c ha sg o i n gs c h o o l ，w o r k i n ga n ds oo n t l l e r e f o r c ，虹l i sp a p e rd e f i n e sa f e a t u r ec a l l e db 1 0 c h n gr a t eo fc r o w d ，w h i c hi su s e dt 0d e t e c tt h eu n e x p e c t e dc r o w d i n c i d e n t s i t 锄a l y s e ss o m ep a r 锄e t e r sw h i c hm a ya 舵c tt 1 1 eb l oc _ k i n gr a t eo fc r o w d a n dm e l li t 百v e s 也eb l o c l ( i n gr a t eo fc r o w di nb o mn o 衄a 1s c e n e sa i l da b n o 彻a ls c e l l e s ， i i ，h i c hc o n f i 锄st h ev a l i d i t yo f 。m i s 哪e n t a tl a s ti ti r l 仃o d u c e sc o m m o nc l a s s i f i e ri 1 1p a t t e mr c c o g n i t i o n ，w h i c hi n c l u d e s b a c k p r o p a g a t i o nn e 咐o r k t h i sp 印e rd e c i d e dt ou s eb a c k - p r o p a g a t i o nn e t 、o r k 器 c 1 2 u s s i f i e rt 0d e t e c tu n e x p e c t e dc r o w di i l c i d e i l t s a f t e rd i s c u s s i o no fh o wt 0 b u i l da b a c k p r o p a g a t i o nn 咖o r k ，i tu s e s s o m es a m p l e st 0 仃a i l lt l l eb a c k - p r o p a g a t i o n n e 帆o r k a n dt l l e n - i tu s e st h eb a c k p r o p a g a t i o nn e m o r kt 0c l a s s i 匆t h er e m a i n i n g s 锄p l e s 1 l l i sm e m o d i sp r o v e dt ob ee “v e 缸o u 曲t h e s ee x p 舐m e i l t s k e y w o r d s ：u n e x p e c t e dc r o w d ，d e l l s 时e s t i m a t i o n ，t e x t l l l e 弛a l y s i s ，g r a y l e v e l d 印e n d e n c em a ：t r i x ，b a c k p r o p a g a t i o nn e t 、) l ，o r k 目录 目录 第一章引言。1 1 1 研究背景1 1 2 国内外研究现状和发展态势2 1 3 论文主要研究内容3 第二章人群密度估计方法5 2 1 基于像素数统计的人群密度估计5 2 1 1 基于空域信息的方法5 2 1 2 基于时空域信息的方法一9 2 2 基于纹理分析的人群密度估计1 l 2 2 1 纹理分析基本概念1 1 2 2 2 纹理分析方法1 2 2 3 基于个体特征的人群密度估计1 4 2 4 分类器1 6 2 4 1 分类器概述1 6 2 4 2 神经网络模型1 9 2 4 3b p 神经网络模型。2 3 2 4 3 1b p 神经网络基本结构2 3 2 4 3 2 学习算法及规则2 4 2 4 3 3 改进的b p 网络学习算法2 6 2 5 小结。2 8 第三章突发人群聚集事件检测算法2 9 3 1 算法框架2 9 3 2 基于灰度共生矩的人群密度估计研究。2 9 3 2 1 灰度共生矩阵定义2 9 3 2 2 灰度共生矩阵的特征3 2 3 3 人群密度特征提取3 3 3 3 1 灰度级数的选取3 3 3 3 2 灰度共生矩阵方向的选取3 5 i v r 目录 3 3 3 灰度共生矩阵距离的选取3 5 3 4 人群阻塞率的估计3 6 3 4 1 人群阻塞率概述3 6 3 4 2 模版屏蔽3 7 3 4 3 背景生成3 7 3 4 4 像素阻塞阈值的选取3 8 3 4 5 人群阻塞率的计算4 0 3 5 神经网络构建4 1 3 5 1 网络的选择4 1 3 5 2 输入层和输出层节点数目的确定4 1 3 5 3 隐含层节点数的确定4 1 3 5 4 学习速率的选择4 2 3 6 ，j 、结4 3 第四章监控系统的设计与实现4 4 4 1 系统结构4 4 4 1 1 系统硬件结构4 4 4 1 2 系统软件模块4 5 4 2 图像输入4 5 4 2 1 摄像头图像的捕捉4 5 4 2 2 图像文件读取4 6 4 3 预处理4 7 4 3 1 模版屏蔽4 7 4 3 2 背景生成5 1 4 3 - 3 背景去除5 3 4 4 人群密度特征提取5 4 4 4 1 生成16 级的灰度图5 4 4 4 2 灰度共生矩阵的计算5 4 4 4 3 熵、角二阶矩以及对比度的计算5 6 4 5 人群阻塞特征提取5 7 4 5 1 人群阻塞率的计算5 7 4 5 2 人群阻塞率的平滑5 9 4 6 神经网络的训练与使用6 0 v 目录 4 6 1 神经网络的训练6 0 4 6 2 神经网络的使用6 0 4 7 实验结果6 1 4 8 小结6 1 第五章结论与展望6 2 5 1 结j 沦6 2 5 2 展望6 2 致谢。6 4 参考文献6 5 攻硕期间取得的研究成果6 9 第一章引言 1 1 研究背景 第一章引言 我国城市化的进程越来越快，在经济较为发达的沿海地区和主要的大、中城 市里，伴随着流动人口的大量涌入。就业与容纳能力的限制，贫富差异的加剧等 各类社会矛盾不断上升，造成各地出现交通、治安、人口管理、流行病控制和重 点区域防范、处置紧急突发事件等大量新的城市管理问题【l 】。信息化的发展为犯罪 分子创造了高科技、专业化的犯罪手段，增强了犯罪行为在时间上的突发性、空 间上的不确定性。原有的城市管理办法已经落后。必须采用新的方法进行综合性 的分析和管理。因此，作为“平安城市”的基础保障，社会治安防控体系的构筑 必须以科技为支撑，通过更先进的信息化技术，实现从以人力为主体的“人防 向 以科技为主体的“技防的转变。目前，各地正在酝酿的城市治安动态监控系统 正是以视频监控报警联网系统【2 】为代表的安防科技在社会治安防控体系中的集中 体现，正在成为“平安城市 创建中的重要环节。随着经济的飞速发展，各种高 层建筑、地下建筑和大型商业娱乐设施越来越多，与此同时，人群活动也在增长， 一些易聚集高密度人群的重大活动亦频繁举行，因此如何对某些场所的人群进行 有效管理以保证人群的安全就成为一个亟待解决的问题。然而，由于一些安全事 件在发生时目标很小，很难被监控系统直接发现，如街道上的打架、抢劫、偷盗、 行人心脏病突发、预谋跳楼自杀等。因此直接对这些有危害性的事件进行检测就 显得十分困难。但这些安全事件在发生时或者发生后，往往会在极短时间内引来 大量的人群聚集围观，因此可以通过对突发人群大规模聚集的现象来间接检测判 断出这些本身不易被侦测出的事件。同时，也可以作为检测一些诸如车祸、火灾 等会引发大量围观人员的事件的辅助手段。本文据此提出对突发群聚事件进行监 控、识别，当发现类似情况时发出警告。以便使有关部门能尽快得到消息，并及 时做出相应处理，从而减轻这类安全事件的危害，保护人民生命财产安全。有利 于社会的安定。 电子科技大学硕士学位论文 1 2 国内外研究现状和发展态势 近年来，对人群的研究越来越引起人们的关注，对人群状态和行为的研究也 越来越多，而人群研究的前提是要弄清如何对人群进行适当的描述。虽然人群由 独立个体组成，而每一个个体又有他自己的行为模式，但作为总体的人群有它整 体性的特征，而且可以被描述出来。要想用精确的数学模型来描述人群的状态和 行为非常困难，但我们仍然看到了一些能够逼近人群真实行为的数学模型的出现， 比如s t i ng k 3 】的人群动力学，c r o w dd y n 锄i c sl i m i t e d 公司依据s t i l lg k 的数 学模型应用a u t o c a d 做出了一些建筑设施的设计方案。 人群行为的数学模型为我们理解人群的状态和行为提供了方便，但并不能直 接用来对人群进行监控。1 9 8 5 年，f m i n 【4 】提出当人群密度达o 1 5m 2 人时，人群将 很容易失去控制。这就给出了人群密度与人群灾难之间的量的关系，为借助于数 字图像处理 5 】方法实现对人群的自动实时监控提供了依据。数字图像处理即用计算 机对图像进行处理，其优点是处理精度高，可进行复杂的非线性处理，有灵活的 变通能力【6 】。数字图像处理的应用领域非常广泛，它在包括工程、工业、航空航天、 军事、科研、安全保卫等国民经济中发挥着重要作用【7 】。 二十世纪以来，人群密度和运动估计的自动方法逐渐发展起来。人群密度估 计方面主要有d a v i e s ，c h o w ，m a r a n a 等人的方法。d a 访e s 等对人群图像进行分析后 发现，人群密度的估计可以通过提取两种特征量来实现。第一种是前景图像( 只包 含人) 的总像素数，第二种是边缘图像的总像素数，它们都与图像中包含的人群总 数大致成线性关系。这种方法有一个明显的缺点，就是无法解决高密度下人群相 互重叠的问题，人群重叠越严重误判率也就越大。 m a r a i l a 等人针对同样的场景提出可以通过提取纹理特征来得到人群密度。其 依据是不同密度的人群图像对应的纹理模式不同。高密度的人群在纹理上表现为 细模式，低密度的人群图像在背景图像也为低频时在纹理上表现为粗模式。为了 快速、准确地得到人群密度，m a r a l l a 等人主要提出了4 种算法。它们都是基于纹 理的不同特征进行的，目前所利用的纹理特征主要有： ( 1 ) 人群区域内的灰度直方图统计特征：粗纹理的人群的直方图的主对角线上 的元素分布较之细纹理的直方图更为疏散。 ( 2 ) 人群区域分割后的一阶统计特征。 ( 3 ) 频谱特征：纹理的频谱能量主要集中在低频部分，细纹理的频谱能量主要 集中在高频部分。 2 第一章引言 ( 4 ) 分形特征：平滑图像的分形维数接近于2 ，而高度粗糙的图像的分形维数 接近于3 。 基于纹理分析技术的人群密度估计方法解决了d a v i e s 等所不能解决的高密度 人群区分割问题，但计算量较大，处理时间较长，而且这种方法没有考虑摄像机 透视效应问题。 除了密度估计方法，还有一些学者通过提取个人特征来估计人群密度。这类 方法比较有代表性的是香港的学者s h e l l g f u nl i n 。他提出了一种通过小波变换来 提取头部特征的方法来定位个体，进而估计拥挤环境下的人群密度的方法。l i n 的 工作有两个缺陷：不能实现实时处理；而且只有初步研究和试验结果而没有进行 更深入的通用性研究。 在运动估计上主要有r o u r k e 【8 1 等人的方法，1 9 9 0 年a t a l i 【9 】等人提出的方法 【1 0 】为跟踪单一步的行者提供了可能。但是他们没有考虑人群图像和拥塞问题。同 年，yj l u 等人提出了基于背景减的方法来估计步行者人数并且计算他们的运动 方向，但这种方法也没有考虑拥塞问题而且步行者被假定为只向两个方向移动。 f b 狐o l i n i 等人提出一种能够数出上下公车人数的方法。所有这些方法都是限于低 密度人群的，也没有考虑人群的拥塞问题。 1 3 论文主要研究内容 本论文研究的内容是如何对突发性人群聚集事件进行智能化的检测，其中主 要工作如下： 第一章引言。主要介绍论文的研究背景、研究内容以及论文框架。 第二章人群密度估计方法。突发人群聚集事件的发生，离不开高密度的聚集 人群。因此人群密度是判断突发人群聚集事件的一个重要指标。为此本章对一些 常用的人群密度估计方法做了详细的介绍。在低密度人群密度估计方面主要介绍 了基于像素数的估计方法；在高密度人群密度估计方面主要介绍了基于纹理分析 的人群密度估计方法；而在对人群密度进行精确估计方面主要介绍了基于个体特 征的人群密度估计方法。最后对常见的分类器进行了详细介绍。 第三章突发人群聚集事件检测算法。对于突发人群聚集事件的检测，本章提 出了一种利用人群密度特征和人群阻塞率特征进行判断的算法。算法中采用基于 纹理分析的方法来对人群密度进行估计。然后提出了人群阻塞率的概念以及计算 方法，并对人群阻塞率的特征进行了相应的研究。最后构建了一个b p 神经网络作 一 皇量型垫奎堂堡主堂垡笙茎 一一_ _ _ _ - _ _ _ _ _ _ - - _ _ _ - _ - _ - - - _ - - - _ _ _ _ _ _ _ _ _ _ - _ _ _ _ _ _ - _ _ - - _ _ _ _ _ _ _ _ _ _ _ - _ 一一 为突发人群聚集事件监控系统的分类器，用于分类特征，输出结果。 第四章监控系统的设计与实现。本章介绍了突发人群聚集事件监控系统的组 成结构，并使用m a t l a b 对该系统进行了模拟构建。最后给出实验结果，证明本文 提出的方法是有效的。 第五章结论与展望。本章对整个论文的工作进行了系统的总结，并对进一步 的研究提出了展望。 第二章人群密度估计方法 第二章人群密度估计方法 为了有效的检测突发人群聚集事件，对人群密度的估计是必不可少的。很多 专家学者在二十世纪末期都格外关注这个方向，并在人群密度估计领域进行了大 量的研究，且取得了很多优秀的成果。在人群密度的评估方面，p 0 1 u s 【l i j 提出了5 个服务级别，但过于严格，并不适用。人群密度估计的方法主要分为三类：基于 像素数统计的人群密度估计，基于个体特征的人群密度估计以及基于纹理分析技 术的人群密度估计。 2 1 基于像素数统计的人群密度估计 基于像素统计的方法既可以用于对单幅静态图像的人群密度进行估计，也可 以对连续图像进行密度估计。对于静态图像，仅仅利用了单幅图像的空域信息； 而对于连续图像而言，不但要用到每幅图像的空域信息，还要使用相邻图像的有 关信息。以下将详细介绍这两种方法。 2 1 1 基于空域信息的方法 基于空域信息进行密度估计的创始人是d a v i e s 和c h o w 。英国的d a v i e s 【1 2 】等 学者在1 9 9 5 年提出了这种方法。该方法是通过统计图像中人群前景的总像素数来 确定人群的人数。因为d a v i e s 和c h o w 通过实验发现，一幅图像中人群前景的总 像素数与图像中人群的人数成正比关系。具体计算方法有两种： ( 1 ) 获取一幅图像，先将该图像与背景图像相减，得到人群前景图像，随后再 统计剩下的像素数量，即为人群前景图像的像素总数。 ( 2 ) 获取图像后，使用相关算法对人群前景的边缘进行检测以获取前景人物的 轮廓，然后细化人物轮廓，统计所有人物轮廓的像素数量。 在使用以上两种方法之一统计出像素总数之后，再采用人工的方法统计出图 像前景的人群数量。然后以图像前景中人群轮廓的像素数为横坐标，以人工统计 的实际人数为纵坐标，在二维图像中描点，最后发现这些点基本上分布在一条直 线上。这里使用x 表示图像中人群轮廓的总像素数，y 表示图像中人群的实际数量， 则有y = m 】m ，m ，n 为待确定的常数。为了获得最优的结果，原文使用了卡尔曼滤 电子科技大学硕士学位论文 波器来逼近以获取合适的m 和n 。处理过程如图2 1 所示： 边缘提取 - 专 第二章人群密度估计方法 这种人群密度估计方法的理论前提是：图像中发生明显运动的图像块可以用 来估计人群的密度。这是因为图像前景是由人组成的，而在低密度下，人与人几 乎不重叠，监控场景中的人数就与图像中活动的图像块成线性关系。 相应的特征获取方法是：以一定的采样频率对录像视频进行采样，获取连续 的静态的人群影像。再用事先准备好的屏蔽模版对拍摄场景的背景图像进行与操 作，以此来去除其他无用的复杂背景，仅仅保留有人群活动的相关区域的背景。 然后再将拍摄的人群影像减去这个背景，从所得的前景图像中计算出三种特征值： 人群对象的轮廓长度，整幅图像中人群对象像素数占有的比例，以及整幅图像中 背景对象的像素数占有的比例。然后将以上三个特征作为输入元素，采用神经网 络对人群密度进行分类。 在这个神经网络中有三个输入层的神经元，隐藏层中含有1 5 个神经元，和含 有一个神经元的输出层组成。为了获得最优结果，采用了最小二乘法分别与随机 搜索( r a l l d o ms e 砌1 ) ，模拟退火( s i m u l a t e d 加m e a l i n g ) 和遗传算法( g e n e t i ca l g o r i 吐吼) 三种全局搜索策略混合的方法。 随机搜索法的分类结果如图2 3 所示。 图2 3 随机搜索的结果( 虚线) 与实际密度( 实线) 对比 模拟退火法的分类结果如图2 4 所示。 电子科技大学硕士学位论文 o1 0柏7 0 1 t 序爿 图2 4 模拟退火法( x 线) 与最小二乘混合法( 虚线) 以及实际密度( 实线) 遗传算法的分类结果如图2 5 所示。 图2 5 纯遗传算法( x 线) ，遗传算法与最小二乘混合法( 虚线) 以及实际密度( 实线) 为了使采用神经网络对人群密度进行估计的方法更好地适应真实的应用场 景，c h o w 在2 0 0 2 年对以前的方法【1 4 1 做了必要的修改，改进后的系统可以很好的 适应香港地铁车站，其系统结构如图2 6 所示【1 5 】。 第二章人群密度估计方法 图2 6 改进后的系统框图 改进后的系统加入了一个模块：旅客模板匹配( p a s s e i l g e rt c 釉p l a t em a t c h i n 曲。 如果出现旅客站在摄像头附近，造成监控区域被部分遮挡的问题时，旅客模板可 以对此进行有效的解决。其中一种旅客模板的结构如图2 7 所示。 图2 7 旅客模板 获取监控图像后，使用这些旅客模板对前景图像进行搜索匹配，获得的结果 与上面所述的3 个特征一起输入到神经网络来对人群密度进行分类。在使用旅客 模版后，神经网络拥有4 个输入层的神经元，隐藏层依旧是1 5 个神经元，输出层 依然是1 个神经元。而全局搜索算法则更新为最小均方误差与惩罚优化( p e n a l i z e d 0 i p t 妇i z a t i o n ) 相混合的方法，以获取神经网络的最优权值。 2 1 2 基于时空域信息的方法 d a v i e s 和c h o w 的方法虽然在低密度无遮挡情况下是简单有效的，但是由于他 们的方法仅仅考虑了人群前景图像在空间上的分布情况，而忽略了人群密度与人 群图像在时间上分布状况的关系，因此估计的结果并不十分的准确，为此有很多 9 电子科技大学硕士学位论文 学者在考虑人群在图像的空间分布以外，还对人群在时间上的分布进行了一定的 研究，即为基于时空域信息的人群密度估计方法。r e g a z z o n i 和p a r a g i o s 就是采用 基于时空域信息对人群密度进行估计的代表人物。为了对人群密度进行估计，意 大利的c s ，r e g a z z o n i 等人在进行了深入研究之后，于1 9 9 4 年提出了用分布式扩 展卡尔曼滤波( d i s t r i b u t e de x t e i l s i o nk a l m a nf i l t e r s ) 的方法 1 6 】。这种算法认为监控区 域的人群总数与时间域的信息密切相关，因此可以使用时域的信息来对人群密度 进行估计。该算法的主要步骤是：首先利用背景屏蔽模版去除监控图像的背景， 随后计算以下5 个特征：边缘点数目，边缘点直方图中极大值的个数，边缘点直 方图极大值幅度之和，边缘点数目与矩形框的长和宽之比。最后将这五个特征值 作为输入，构建分布式扩展卡尔曼滤波器，对人群密度进行估计。其系统结构原 理如图2 8 所示。 图2 8 卡尔曼滤波法系统框图 美国的p a r a 百o s 【 】等人于2 0 0 1 年提出了新的人群密度估计方法。该方法的理 论基础是马尔可夫随机场( m r f ) 。其具体步骤分为两步：第一步是利用马尔可夫随 机场来对图像的前景和背景区域进行区分。马尔可夫随机场把图像空域信息和从 背景减，强度模型等不同的信息源中获取的信息相互结合，从而获得一个平滑的 变化的检测图像。第二步是利用一个几何模块对上一步获取的变化检测图像进行 透视校正，由此来估计出监控区域的人群密度。在第一步中使用了三个模块来取 得时域的图像变化信息：全局统计约束条件使用差帧模块来计算：像素级的色彩 l o 第二章人群密度估计方法 变化使用强度模块来计算；光照偏差的校正使用色彩归一化( 光照不变量) 模块。再 用m i 讧来融合空域约束条件与这三个模块产生的g i b b s 势能函数。 为了计算出全局g i b b s 的最小势能，p a r a g i o s 等人采用了一种多尺度最小化方 法( m u l t i s c a l em i n i m i z a t i o n ) 1 s 】，并由此获得了变化检测图像。然后使用变化检测图 像来对人群密度进行估计。，他们构造了两个二次函数用来对前景的人群对象进行 透视校正，从而提高了对人群密度估计的精度。 2 2 基于纹理分析的人群密度估计 2 2 1 纹理分析基本概念 图像的纹理分析技术及其周边技术成为目前计算机智能视觉领域研究的一个 重要方向。然而到目前为止纹理仍然没有一个精确的定义，学者们对于纹理应该 具备哪些特征依旧没能达成统一的认识。在图像智能分析中，纹理仍然是一个十 分重要的特征。纹理特征与图像的色彩信息无关，它能有效反映出不同具有颜色 的图像中相同的空间组成特征。它是所有物体表面共有的内在特性，其中包含有 物体视觉结构的组织方式的相关信息以及与周围环境的联系。纹理是图像分析中 的重要特征，是模式识别中用来辨别图像区域的重要依据，常使用区域的尺寸、 可分辨灰度元素的数目以及这些灰度元素( 像素) 的相互关系来描述一幅图像中的 纹理区域。纹理是一种普遍存在的视觉现象，例如：木材表面、草坪、皮肤、织 物、水波等都有各自的纹理特征。任何物体的表面，如果一直放大下去，一定会 显现出纹理。因此，纹理特征被大量应用于图像的分类识别中。 纹理就是指在图像中反复出现的局部模式和它们的排列规则【l9 1 。纹理信息是 图像空间信息之一，在实际应用中，可以从图像中提取大量有价值的纹理信息， 并以次为基础做进一步的研究。空间信息是指图像数据在空间分布上所包含的纹 理、局部结构信息和形态信息。纹理信息的一个显著优势就是对图像的细节特征 和宏观特征都能很好地概括描述，而图像的其他的特征在这方面则不如纹理特征。 纹理特征就是图像局部性质( 灰度分布函数) 的统计。图像的粗糙程度和方向是 视觉上对纹理进行区别的主要特征。组成纹理特征的两个元素是： ( 1 ) 纹理基元：由具有一定大小和形状的像素集合，如斑点，纹路等，组成的 集合称之为纹理基元。 ( 2 ) 纹理：由大量纹理基元按照一定的顺序、方向组成的有规律的集合称之为 电子科技大学硕士学位论文 纹理。 2 2 2 纹理分析方法 基于纹理分析的人群密度估计算法的主要步骤是：获取监控图像，提取监控 图像的纹理特征，再将提取到的特征输入到神经网络、支持向量机等分类器中对 人群密度进行分类，从而得到人群密度的估计结果。其结构原理如图2 9 所示。 图2 9 基于纹理分析的结构框图 纹理分析是指通过一定的图像处理技术抽取出纹理特征，从而获得纹理的定 量或定性描述的处理过程。纹理分析从分析像素信息开始，统计归纳出纹理基元， 然后统计出它们排列的顺序、方向等信息，从而得到图像的纹理特征。纹理分析 主要分为两个组成部分，即纹理的模型分析和纹理的结构分析。 纹理的模型分析一般是指在无法统计出纹理基元的情况下，以像素为基本单 位来统计抽象目标图像纹理特征的分析方法。纹理的结构分析则是指在图像的纹 理基元可以被统计分析出来的情况下，以纹理基元为基本单位对目标图像的纹理 特征进行提取的分析方法。 纹理分析方法主要有两类：一类是统计的方法；另一类则是结构分析的方法。 对于类似自然界的纹理如沙滩、草坪等不规则的细纹理物体，通常采用基于统计 学的方法来分析。而对于类似人工制作的具有规则纹理的物体，如地板砖、花布 等，则经常采用基于结构的纹理分析方法。在实际应用中，人群图像的纹理大多 为随机型纹理，服从统计分布规律，因此采用基于统计的方法对人群图像的纹理 进行分析。 为了对人群密度进行估计，巴西的m 跏l a 【2 0 】等人在19 9 8 年提出了通过计算监 控图像纹理特征来估计人群密度的方法。通过研究发现人群图像的纹理特征与图 像中人群密度紧密相关。图像的纹理为细模式时，人群密度较高。而图像的纹理 为粗模式时，人群的密度较低。 对于采用基于统计的纹理分析方法，其结果可以使用特征向量来表示。一个 特征向量代表一个纹理特征。虽然直到目前还没有对纹理分析进行正式、统一的 定义，然而依照m 跏a 的论文，依然可以将纹理分析分为以下四类： ( 1 ) 灰度共生矩阵：g l d m ( g r a yl e v e ld 印e n d e i l c em a t r i x ) 即灰度共生矩阵法 1 2 第二章人群密度估计方法 是纹理分析中一种典型的基于统计的方法，该方法是由h 砌i c k 【2 l 】首先提出的。它 是基于在纹理中某一灰度级结构重复出现的情况。图像的纹理越粗，共生矩阵的 变化越慢；图像的纹理越细，共生矩阵的变化越快。 灰度共生矩阵法是纹理分析方法中比较传统的方法，该方法是基于估计二维 联合条件概率密度函数来实现的，也就是距原点距离为d ，角度为p 处的，灰度数 值分别为i ，j 的灰度出现的概率。所有的估计值组成了一个二维直方图，也可以 用一个矩阵来表示，既然一对( d ，p ) 对应一个矩阵，那么就有必要限制( d ，秒) 在一 定范围内。一般来说，常用的臼有四个，分别是o 。，4 5 。，9 0 。以及1 3 5 。，从这个 概率矩阵可以导出一些描述纹理特征的统计学参数，常用的有能量，熵，相关， 对比度，一致性等。 灰度共生矩阵法的一个主要优点是它很好的解决了人群的重叠问题，可以用 于估计高密度的人群。但它仍然存在明显的一个缺陷就是对低密度人群的区分率 比较低。 ( 2 ) 基于空间频率的方法：纹理识别方法的基础之一是空间频率的度量。纹理 基元空间的大小决定了图像的纹理特征。纹理基元越大，图像的纹理就越粗糙； 纹理基元越小，图像的纹理就越精细。在空间的频域中，粗纹理的能量集中在低 频，而细纹理的能量主要集中在高频。 其中傅立叶频谱法( f o 谢e rs p e 蛐) 【2 2 】是纹理分析中一种典型的基于频谱的 分析方法。这种方法的主要思想是：图像的频域能量与纹理的平滑度是线性关系。 对监控图像进行傅立叶变换后，低频部分反映出粗纹理的频谱能量，而高频部分 则反映出细纹理的频谱能量。傅立时频谱法的主要特征有两个，一个是s ( r ) ，即为 距原点距离为r 的所有频谱值之和，另一个是s ( ，即为角度为p 处的所有频谱值 之和。这种方法有两个缺点：需要的特征量很多而且正确率偏低。 ( 3 ) 基于结构的方法：直线分割法( s t r a i g h tl i n es e