汪立群 楊曉娜 孫慧敏 劉鍇悅 王鑠

摘 要：人群密度檢測(cè)是數(shù)字圖像處理研究的熱門(mén)領(lǐng)域，在現(xiàn)代社會(huì)的應(yīng)用越來(lái)越廣泛，可以用于人群密集場(chǎng)所，比如：超市、學(xué)校等，用來(lái)幫助和提醒管理人員及時(shí)處理突發(fā)情況。本文采用基于紋理特征的人群密度估計(jì)算法，首先提取出灰度共生矩陣的5個(gè)特征值組成訓(xùn)練樣本矩陣，然后再使用支持向量機(jī)進(jìn)行分類(lèi)。實(shí)驗(yàn)結(jié)果表明，人群密度檢測(cè)結(jié)果比較準(zhǔn)確。

關(guān)鍵詞：人群密度檢測(cè) 紋理特征 支持向量機(jī)

中圖分類(lèi)號(hào)：TP27 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2018）04（b）-0009-02

通常，人群密度檢測(cè)有基于像素特征的人群密度估計(jì)算法和基于紋理特征的人群密度估計(jì)算法。本文采用基于紋理特征的估計(jì)算法，處理方案是先采集各種人群密集程度的大量數(shù)據(jù)，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(jī)進(jìn)行分類(lèi)[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(jì)算法，他提出高密度人群在圖像紋理上體現(xiàn)出細(xì)模式，而人群密度比較低的地區(qū)在圖像紋理上體現(xiàn)出粗模式，因此，可以通過(guò)對(duì)圖像的紋理特征的分析得到相關(guān)的密度信息。本文采用灰度共生矩陣法?；叶裙采仃囀怯脙蓚€(gè)特定位置像素的聯(lián)合概率密度來(lái)定義，其實(shí)質(zhì)就是對(duì)圖像的像素信息進(jìn)行二階聯(lián)合條件概率密度函數(shù)映射[2]。本文選取了由灰度共生矩陣引申出的5個(gè)特征值：能量、相關(guān)度、對(duì)比度、逆差矩、熵[3]。

2 支持向量機(jī)分類(lèi)方法

提取出特征值后，需要使用分類(lèi)算法對(duì)特征值進(jìn)行分類(lèi)。本文對(duì)使用應(yīng)用較為廣泛的支持向量機(jī)進(jìn)行分類(lèi)。支持向量機(jī)的實(shí)質(zhì)是找到一個(gè)合適的分類(lèi)面將分屬于兩種不同類(lèi)別號(hào)的樣本分開(kāi)。本文是根據(jù)人口的密度級(jí)別進(jìn)行分類(lèi)，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(jìn)行訓(xùn)練，對(duì)4類(lèi)人群分別賦予不同的類(lèi)別號(hào)。提取出樣本圖片的特征值組成訓(xùn)練樣本矩陣，送入支持向量機(jī)進(jìn)行分類(lèi)。然后把測(cè)試圖片送入支持向量機(jī)求出類(lèi)別號(hào)，就能判斷出人群屬于哪一類(lèi)。

3 實(shí)驗(yàn)結(jié)果與分析

本文選取160張圖片作為樣本，21張圖片進(jìn)行測(cè)試，測(cè)試結(jié)果如圖2所示。

經(jīng)測(cè)試，準(zhǔn)確率達(dá)86%。但仍有不足：攝像機(jī)存在透視效應(yīng)，會(huì)導(dǎo)致人群紋理特征提取不準(zhǔn)確，若加入透視矯正，處理效果會(huì)更好[4]；支持向量機(jī)理論的計(jì)算量較大。

參考文獻(xiàn)

[1] 岳曉娟.智能監(jiān)控系統(tǒng)中的人群密度檢測(cè)算法研究[D].哈爾濱工業(yè)大學(xué)，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(jī)理論與算法研究綜述[J].電子科技大學(xué)學(xué)報(bào)，2011，40（1）：1-4.

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