人群密度估計研究現狀及發展趨勢

武警工程大學　姜　源　劉　曼武警工程大學　西安交通大學　彭月平

人群密度估計研究現狀及發展趨勢

武警工程大學姜源劉曼
武警工程大學西安交通大學彭月平

隨著平安城市和社會安全需求的日益增長，人工甄別視頻監控的方式己經不能滿足需要，自動化的人群密度估計算法因此應運而生并迅速成為一個研究熱點。本文對人群密度估計算法的發展和研究現狀進行了綜述。從圖像預處理、人群密度估計算法、現存問題和發展難點等角度進行了總結；并對人群密度估計算法在當前大數據時代中存在的挑戰及發展趨勢展開思考。

人群密度；密度估計；大數據

1　引言

近年來，隨著暴恐事件和踩踏事件的增多，人群行為分析成為視頻監控領域的研究熱點。人群的密度作為人群的主要屬性，在公共安防、群體管理、場所規劃等領域具有重要意義。目前己有較多學者對人群密度估計和異常行為識別算法進行了總結，如Yilmaz等［1］、Wang［2］和Wu等［3］分別從單攝像機和多攝像機跟蹤方面對目標跟蹤算法進行了較為詳細的介紹，黃凱奇等［4］、Andreopoulos等［5］和Zhang等［6］對圖像中目標分類識別算法進行了介紹。本文將按照人群密度估計的總體步驟，綜述上述算法的具體實現，分析人群密度估計算法的發展前景。

2　視頻圖像預處理

人群密度估計的視頻圖像預處理主要包含圖像去噪、背景生成和前景提取等過程。在人群密度估計中，多沿用傳統的圖像復原算法進行圖像去噪，在此本文只對典型的幾種應用較多的算法進行總結。前景信息是很重要的人群特征，傳統的前景提取方法主要有幀差法、光流法、背景建模法等。然而隨著目標運動趨于無規律，圖像背景復雜度增加，傳統的前景檢測算法優越性逐漸降低，更為復雜有效的前景檢測算法應運而生。如基于視頻幀差的自適應背景建模算法［14］和基于彩色視頻圖像的背景生成算法［12］。

2.1基于視頻幀差的自適應背景建模算法

視頻幀差是假設在視頻中，人體始終是運動的，使得背景顯現出來。這種方法使用各個像素沿時間軸的變化信息，生成了沒有目標人群的背景圖像。

2.2基于彩色視頻圖像的背景生成算法

該算法的基本思路是：對時間長度為t的圖像視頻，按固定采樣頻率獲得N幀采樣圖像序列；將相鄰幀圖像進行兩兩差分，區分出圖像的前景區域和背景區域；將相鄰幀之間同一像素點的某一顏色通道分量值相減，若絕對差值小于閾值T，則認為像素點屬于背景區域，否則為前景區域像素點；重復進行N-1次幀差，將屬于背景區域的像素點分量值累加至計數器，統計每個像素點被判為背景區域的次數M，最后用計數器除以M就得到該顏色通道上的背景圖像。三個顏色通道上均采用同樣的處理方法，最后將三個顏色通道組合便可獲得較好的彩色背景圖像。

3　基于像素特征和紋理特征的融合式人群密度估計算法

人群密度估計是計算機視覺和數字圖像處理中非常重要的一個研究課題，傳統的算法主要有兩類：基于像素統計的人群密度估計方法和基于紋理分析的人群密度估計方法。

像素的統計特性是最早被采用的人群密度特征。其基本思想為：人群密度越高，人群目標所占整個圖像的比例就越大，所提取的前景圖像邊緣像素點的數量也越多。但該算法在人數較多、人群重疊時誤差較大，因此多應用于人群密度較低的場景。紋理的概念應用于圖像處理中，主要描述為圖像的灰度級或顏色的變化。但是紋理分析算法復雜，計算量大，用于低密度人群估計顯得得不償失。據此，綜合兩種算法各自的特點，將前者用于低密度人群估計，而后者則用于中高密度人群等級判定。具體算法原理如圖1所示。

圖1　融合式人群密度估計算法原理圖

在此基礎上，張英烈［9］提出了基于分塊的密度估計方法，利用攝像頭成像透視原理將人群圖像劃分為多個面積大小一致的子圖像，再對每一個子圖像分別利用基于像素特征、紋理特征的算法進行人群數量估計。該算法能夠基本滿足實時監測的需求，準確度較高，并對局部的人群密度也能有效監測。

張文倩［10］則針對中低密度人群采用基于特征與線性回歸方法來估計人數，而采用基于灰度共生矩陣與分形維數的人群密度估計算法對高密度人群進行密度等級分類。該算法估計精度較高，各個類別的漏報率和誤報率都比較低，實時性也較好，能夠在實際監控中實現中低密度人群和高密度人群的估計。

4　人群密度估計算法面臨的挑戰和未來發展方向

4.1人群密度估計算法待解決的問題和難點

在圖像預處理環節，基于背景建模的檢測方法只適用于攝像機固定拍攝的場景，但是該場景中干擾因素也很多，如光照環境變化、目標遮擋等，極大影響了算法的性能，給背景減除帶來很大挑戰。

而在特征統計中，目標自身的形變和其他物體的遮擋使得表觀特征產生很大變化，同時目標以外的背景也使得提取局部特征時引入較多噪聲和干擾，給特征提取和統計帶來了極大的困難。

目前目標檢測與特征提取的工作還局限于一些小規模數據庫上的簡單實驗。因此，速度快、精度高、魯棒性強的人群密度估計算法依然是努力的目標。

4.2大數據時代人群密度估計算法發展方向

根據公開數據以及調研報告分析，2010年，高清監控攝像機開始規模化應用，并且保持高增長速度。根據調查，2012年全國高清攝像機總出貨量己突破360萬臺。據不完全統計，目前全國架設攝像機數量接近1.5億臺，其中高清攝像機接近1500萬臺［11］。海量的監控數據，標志著視頻監控進入了大數據時代。

將大數據、云計算思維與人群密度估計算法相結合，即實現分布式人群密度估計，有如下優勢：（1）實現跨攝像機的準確人群密度估計。依靠云計算，可以調取各個位置的監控圖像以綜合估計出現有場景人群密度，以彌補單一視角的缺陷。（2）實現大批量特征信息提取。借助云計算分布式計算的特點，調動網絡中可用的硬件、軟件資源，使得高效處理海量數據成為可能。（3）實現各部門資源實時共享。云監控運行后，密度估計數據能及時上傳至相關部門，實現立即發現、立即處理，提高了維護群眾安全和公共安全的行動力。

5　結論

本文在一定量文獻閱讀基礎上對當前較為新穎的人群密度估計算法進行總結，尤其對文獻［9］和文獻［10］中所提出的算法進行詳細介紹，并驗證其估計準確率。在分析和總結人群密度估計算法研究現狀的同時，分析該領域目前仍待解決的問題和難點。對大數據時代下的人群密度估計算法大膽設想，提出未來可能的發展方向，為人群密度估計領域找到了一條新的發展思路。

［1］Yilmaz A，Javed O，Shah M.Object tracking：A survey. ACM Computing Surveys（CSUR），2006，38（4）：1-29.

［2］Wang X.Intelligent multi-camera video surveillance：A review. Pattern Recognition Letters，2012，34（1）：3-19.

［3］Wu Y，Lim J，Yang M H.Online object tracking;A bench-mark// Proceedings of the IEEE International Conference on Computer Vision and Pattern Recognition.Portland，USA，2013：2411-2418.

［4］黃凱奇，任偉強，譚鐵牛.圖像物體分類與檢測算法綜述［J］.計算機學報，2014，37（6）：1225-1240.

［5］Andreopoulos A，Tsotsos J K.50 years of object recognition Directions forward.Computer Vision and Image Understanding，2013，117（8）：827-891.

［6］Zhang X，Yang Y H，Han Z，et al.Object class detection A survey. Association for Computing Machinery Computing Surveys（CSUR），2013，46（1）：1311-1325.

［7］葉子.基于視覺計算的人群場景理解與行為分析［D］.中國礦業大學（北京），2013.

［8］王雅琳.基于灰度共生矩陣的人群密度估計算法研究［D］.西安科技大學，2013.

［9］張英烈.人群密度估計研究及其在醫院中的應用［D］.杭州電子科技大學，2015.

［10］張文倩.視頻監控中人群密度估計研究［D］.中北大學，2013.

［11］2013-2018 Chinese intelligent video surveillance market forecast report of supply and demand situation and development prospect（in Chinese）.