張朋 溫宏愿

摘要： 針對密集人群環(huán)境中行人相互遮擋造成人數(shù)難以準(zhǔn)確統(tǒng)計(jì)問題，提出了一種基于混合高斯模型和圖像紋理特征提取的人數(shù)密度統(tǒng)計(jì)方法。首先通過混合高斯建模提取前景圖像，其次通過線性內(nèi)插權(quán)重來進(jìn)行透視矯正，最后通過構(gòu)造和提取能量、對比度、熵和相關(guān)性四個(gè)特征參數(shù)進(jìn)行人數(shù)統(tǒng)計(jì)。結(jié)果表明在不同的測試環(huán)境下系統(tǒng)的準(zhǔn)確率在90%以上，達(dá)到人群密度監(jiān)控的基本要求。

Abstract： In view of the difficulty of accurately counting the number of pedestrians in dense crowd environment， this paper proposes a population density statistics method based on Gaussian mixture model and image texture feature extraction. Firstly， the foreground image is extracted by means of Gaussian mixture modeling. Secondly， the orthographic correction is performed by linear interpolation weights. Finally， the population statistics are constructed by constructing and extracting the four characteristic parameters of energy， contrast， entropy and correlation. The results show that the accuracy of the system is more than 90% in different test environment， to achieve the basic requirements of population density monitoring.

關(guān)鍵詞： 人群密度估計(jì)；特征向量；混合高斯建模；透視矯正

Key words： population density estimation；eigenvector；mixed Gaussian modeling；orthographic correction

中圖分類號：TP391.4 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-4311（2018）10-0235-02

0 引言

隨著視頻監(jiān)控技術(shù)的快速發(fā)展，采用視頻圖像處理技術(shù)可以為公共場所如：車站、商場、公園等大型提供人群密度估計(jì)，為安全管理及社會經(jīng)濟(jì)效益提供準(zhǔn)確的數(shù)據(jù)依據(jù)。人群密度估計(jì)系統(tǒng)包括視頻采集、圖像預(yù)處理、前景圖像提取、圖像透視矯正以及圖像特征參數(shù)提取，最后通過特征參數(shù)估計(jì)出人群密度及人數(shù)。

1 人群密度估計(jì)

人數(shù)密度統(tǒng)計(jì)系統(tǒng)采用混合高斯模型建模的方法提前前景像素，由于圖像從三維空間轉(zhuǎn)換到二維空間后存在圖像畸變情況，需要進(jìn)行透視矯正后才能對前景圖像進(jìn)行紋理特征提取，最后根據(jù)特征量進(jìn)行場景人數(shù)密度估計(jì)。

1.1 圖像前景提取

攝像機(jī)采集到的圖像首先需要進(jìn)行圖像預(yù)處理然后才能夠進(jìn)行圖像前景提取。圖像前景提取就是將視頻圖像中有效變化的像素提取出來。但是現(xiàn)場視頻采集過中，存在各種背景的因素的干擾，如：隨著時(shí)間的變化光照角度及強(qiáng)度不斷變化、隨風(fēng)擺動(dòng)的樹枝或波光粼粼的水面等。這些看似是靜止的背景因素在圖像前景提取過程中都會造成不同程度的影響。針對上述背景的微小變化，本文提出了采用混合高斯模型進(jìn)行圖像前景的提取。

混合高斯建模是一種密度分布模型，是在圖像采集過程中對每一幀圖像中的某一個(gè)像素按時(shí)間序列進(jìn)行概率統(tǒng)計(jì)，其分布模型由K個(gè)高斯模型組成。假設(shè)某一位置的像素在一段時(shí)間內(nèi)像素值為{X1，X2，…Xt}，則由式（1）可以計(jì)算出某一個(gè)時(shí)刻該像素值概率為：

式（5）中B表示背景圖像，T表示閾值，K個(gè)高斯分布中的K值大小由T來決定。在進(jìn)行前景提取時(shí)，若新采集的像素值Xt不能夠與系統(tǒng)中的所有高斯分布匹配，則這個(gè)像素值屬于前景像素，反之則屬于背景像素。

1.2 構(gòu)造特征向量

經(jīng)過前景圖像的提取，并對前景圖像進(jìn)行透視矯正后，就可以對前景圖像進(jìn)行特征提取了。

在紋理特征提取中通常采用灰度共生矩陣的方法。灰度共生矩陣的主要優(yōu)點(diǎn)是能夠減小人群相互遮擋對統(tǒng)計(jì)統(tǒng)計(jì)造成的影響，對高密度人群的檢測較為敏感。

在紋理特征提取過程中，一般不會直接采用灰度共生矩陣的數(shù)據(jù)，而是通過構(gòu)建特征向量來處理共生矩陣產(chǎn)生的數(shù)據(jù)最后通過依據(jù)特征向量的數(shù)據(jù)來估計(jì)人群密度及人數(shù)。構(gòu)建的特征向量主要是以下四個(gè)：

通過相關(guān)性的大小來反應(yīng)前景圖像中像素的變化情況，若相鄰像素的數(shù)值變化較小，則相關(guān)性值較大。

2 仿真與結(jié)果分析

通過選擇實(shí)際測量環(huán)境來驗(yàn)證系統(tǒng)的實(shí)際應(yīng)用情況，首先根據(jù)實(shí)際應(yīng)用環(huán)境的情況將人群密度設(shè)定為三個(gè)等級，低密度人群、中密度人群和高密度人群。硬件平臺為華碩I7-6700HQ，軟件平臺為MatlabR2015a。圖像選擇的是我校教學(xué)樓一側(cè)的通道處，圖像的視頻大小格式為1280*720像素，幀率為30幀/秒。在視頻圖像預(yù)處理后，通過混合高斯模型和紋理特征對前景圖像進(jìn)行特征提取。通過選擇第25幀圖像，第12198幀圖像，第55678幀圖像為例進(jìn)行人數(shù)統(tǒng)計(jì)。

表1是基于紋理分析的人群密度估計(jì)訓(xùn)練樣本估計(jì)結(jié)果，查全率均在93%以上；表2是基于紋理分析的人群密度估計(jì)測試樣本估計(jì)結(jié)果，查全率均在90%以上。由仿真結(jié)果可得，基于問題分析的人群密度估計(jì)算法的查全率在90%以上，已達(dá)到算法設(shè)計(jì)的要求。

從測試結(jié)果可以看出，基于混合高斯模型和紋理特征提取的人數(shù)統(tǒng)計(jì)方法，達(dá)到了人群密度監(jiān)控的基本要求，系統(tǒng)的整體性能良好。

3 結(jié)束語

由于通過基于混合高斯模型和紋理特征提取的人數(shù)統(tǒng)計(jì)方法，在處理過程中只是對提取的像素進(jìn)行處理，并通過測試訓(xùn)練來估算出人數(shù)。大大減少了系統(tǒng)的處理資源，提高的系統(tǒng)的處理效率。從表2的測試結(jié)果可以看出，系統(tǒng)的三種不同人群密度的環(huán)境下測試結(jié)果都在90%以上，特別在中等密度人群時(shí)系統(tǒng)的準(zhǔn)確率達(dá)到96.67%，系統(tǒng)達(dá)到了人群密度監(jiān)控的基本要求。但是在低密度人群和高密度人群時(shí)系統(tǒng)的準(zhǔn)確率出現(xiàn)下降。對于這種問題將是我們后期研究的重點(diǎn)。

參考文獻(xiàn)：

[1]黃璐，林燕.一種基于視頻的車站人群密度估計(jì)算法[J].計(jì)算機(jī)時(shí)代，2012（7）：23-25.

[2]蘇航，鄭世寶，楊華.視頻監(jiān)控中人群流量和密度估計(jì)算法分析[J].電視技術(shù)，2009（11）：100-103.

[3]任慶云.智能視頻監(jiān)控中的人群密度估計(jì)方法[D].河北師范大學(xué)，2011.

[4]覃勛輝，王修飛，周曦，等.多種人群密度場景下的人群計(jì)數(shù)[J].中國圖象圖形學(xué)報(bào)，2013，18（4）：392-398.

[5]駱云志，劉治紅.視頻監(jiān)控技術(shù)發(fā)展綜述[J].兵工自動(dòng)化，2009，28（1）：1-3.

[6]李寅，王貴錦，林行剛.結(jié)合局部和全局特征的人群密度估計(jì)算法[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，53（4）：542-545.

[7]羅維薇，王陽萍，翟鳳文.基于混合高斯背景建模的交 通視頻運(yùn)動(dòng)目標(biāo)檢測[J].蘭州交通大學(xué)學(xué)報(bào)，2014，33（4）：26-29.