智能監控系統中的人群密度檢測

汪立群 楊曉娜 孫慧敏 劉鍇悅 王鑠

摘 要：人群密度檢測是數字圖像處理研究的熱門領域，在現代社會的應用越來越廣泛，可以用于人群密集場所，比如：超市、學校等，用來幫助和提醒管理人員及時處理突發情況。本文采用基于紋理特征的人群密度估計算法，首先提取出灰度共生矩陣的5個特征值組成訓練樣本矩陣，然后再使用支持向量機進行分類。實驗結果表明，人群密度檢測結果比較準確。

關鍵詞：人群密度檢測 紋理特征 支持向量機

中圖分類號：TP27 文獻標識碼：A 文章編號：1672-3791（2018）04（b）-0009-02

通常，人群密度檢測有基于像素特征的人群密度估計算法和基于紋理特征的人群密度估計算法。本文采用基于紋理特征的估計算法，處理方案是先采集各種人群密集程度的大量數據，使用灰度共生矩陣法，提取出灰度共生矩陣的特征值，然后再使用支持向量機進行分類[1]。方案流程圖如圖1所示。

1 紋理特征的提取

Marana[2]提出了基于紋理分析的人群密度估計算法，他提出高密度人群在圖像紋理上體現出細模式，而人群密度比較低的地區在圖像紋理上體現出粗模式，因此，可以通過對圖像的紋理特征的分析得到相關的密度信息。本文采用灰度共生矩陣法。灰度共生矩陣是用兩個特定位置像素的聯合概率密度來定義，其實質就是對圖像的像素信息進行二階聯合條件概率密度函數映射[2]。本文選取了由灰度共生矩陣引申出的5個特征值：能量、相關度、對比度、逆差矩、熵[3]。

2 支持向量機分類方法

提取出特征值后，需要使用分類算法對特征值進行分類。本文對使用應用較為廣泛的支持向量機進行分類。支持向量機的實質是找到一個合適的分類面將分屬于兩種不同類別號的樣本分開。本文是根據人口的密度級別進行分類，分別為：5人以下為稀疏人群、6～10人為較稀疏人群、11～15人為密集人群、15人以上為擁堵人群。選取大量樣本進行訓練，對4類人群分別賦予不同的類別號。提取出樣本圖片的特征值組成訓練樣本矩陣，送入支持向量機進行分類。然后把測試圖片送入支持向量機求出類別號，就能判斷出人群屬于哪一類。

3 實驗結果與分析

本文選取160張圖片作為樣本，21張圖片進行測試，測試結果如圖2所示。

經測試，準確率達86%。但仍有不足：攝像機存在透視效應，會導致人群紋理特征提取不準確，若加入透視矯正，處理效果會更好[4]；支持向量機理論的計算量較大。

參考文獻

[1] 岳曉娟.智能監控系統中的人群密度檢測算法研究[D].哈爾濱工業大學，2012.

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

[3] 丁世飛，齊丙娟，譚紅艷.支持向量機理論與算法研究綜述[J].電子科技大學學報，2011，40（1）：1-4.

[4] 蘇航.基于高清視頻的大規模群體分析技術研究[D].上海交通大學，2009.