基于粒计算和SLIC的多粒度融合密集人群分割方法技术

本发明专利技术公开了一种基于粒计算和SLIC的多粒度融合密集人群分割方法。密集人群图像的人群片段往往是连通的一大片区域，可以通过超像素(SLIC)算法对人群图像预处理，将图像分割成性质相似的“粒”，可以根据粒级别特征对整块粒进行推断。这种方法的理想情况是人群和背景区域的边界刚好也是不同粒的边界。对同一幅图像来说，粒数多、尺度小的细粒度图像在人群和背景区域的边界处的处理效果对最终分割结果更有利；而粒数少、尺度大的“粒”更有利于人群提取特征和分类。我们对不同粒度水平的粒结构图像进行融合，从而利用两者的优势。最后，对每个粒进行特征提取、分类，将所有粒的分类结果整合到原图像上，从而实现人群和背景的分割。从而实现人群和背景的分割。从而实现人群和背景的分割。

【技术实现步骤摘要】
基于粒计算和SLIC的多粒度融合密集人群分割方法


[0001]本专利技术涉及图像分析与理解领域，尤其涉及一种基于粒计算和超像素(SLIC)图像预处理方法的多粒度融合密集人群分割算法。
技术背景
[0002]音乐会、游行和集会等大型公共活动在世界各地的城市中很常见，而监控系统是一种维护公共场合下安全与秩序的有效方法。随着世界各地城市化的快速发展，大规模人群的形成正在成为一种常态，例如，高峰时段的火车站的人群。因此，人群分析已成为视频监控领域的一个焦点，为人群管理提供灾难预测并及时提供支持。
[0003]在人群分析中，人群分割通常是人群密度估计、人群行为分析和行人跟踪等更高级分析的基本步骤之一。在跟踪或行为理解等视觉任务之前，首先需要进行人群片段的定位。
[0004]密集人群分割是一项有挑战性的技术任务，主要原因有以下几点：
[0005](1)由于人群拥挤程度、光照条件、相互遮挡、服装和姿势不同，场景中人群变化很大；
[0006](2)密集人群场景中的背景区域的建筑、草地、树木等杂乱不堪，与人群区域很相似；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于粒计算和SLIC的多粒度融合密集人群分割方法，包括如下步骤：步骤1.利用SLIC算法生成图像在不同粒度水平下粒结构图像；步骤2.提取不同粒度水平下粒结构图像的粒级别LRI分布熵；步骤3.不同粒度水平的粒结构图像融合；步骤4.对融合后的粒结构图像提取粒级别人群图像特征；步骤5.利用svm分类算法对图像粒进行二分类；步骤6.对人群图像进行分割。2.如权利要求1所述的基于粒计算和SLIC的多粒度融合密集人群分割方法，其特征在于：所述步骤1具体如下：步骤1.1，利用SLIC算法分别生成粗粒度的粒结构图像和细粒度粒结构图像，粗粒度图像为K＝100的生成的粒结构图像，细粒度图像为K＝200生成的粒结构图像，粒度水平由以下公式计算：其中，G为粒度水平，N为图像总像素点数，K为一幅图像生成的粒子总数，K是SLIC算法的参数。3.如权利要求2所述的基于粒计算和SLIC的多粒度融合密集人群分割方法，其特征在于：所述步骤2具体如下：步骤2.1.选择5
×
5的窗口作为像素点的邻域来计算图像像素级的LRI特征值，得到图像的LRI特征图；步骤2.2.LRI的取值范围是0
‑
255，将其均分为8个区间，统计图像每个粒中所有像素点的LRI值在8个区间的分布，得到每个区间的像素点频数，每个区间的像素点频数除以该粒的总像素点数，得到每个区间像素点出现的频率，再利用香农信息熵的公式计算得到LRI分布熵；LRI分布熵的公式描述如下：其中，H(X)表示一个粒的LRI分布熵的值，i＝1,2,...,8；P
i
表示LRI值每个区间像素点出现的频率；对步骤1.1中的K＝100和K＝200两种粒度水平下的粒结构图像分别提取LRI分布熵特征。4.如权利要求3所述的基于粒计算和SLIC的多粒度融合密集人群分割方法，其特征在于：所述步骤3的具体如下：利用LRI分布熵特征再加上粒尺寸和距离限制，对K＝100和K＝200生成的粒结构图像进行融合；K是SLIC算法的参数，表示一幅图像生成的粒的目标数目；K＝100和K＝200的粒结构图像分别记为img1，img2；融合算法的具体步骤如下：(1)加载步骤1提取的img1和img2的LRI分布熵特征，并设置一个阈值为img1中所有粒熵值的均值，记为Th，img1和img2中粒的熵值同时大于或小于阈值记为“特征相同”，否则记为“特征不同”；
(2)加载img1和img2的标签矩阵,并将两幅图像每个粒标签对应的位置坐标集合找到，分别保存，并记img1中最大的标签为ml；(3)用上一步得到的img2的单个粒的位置坐标集合与img1中的每一个...

【专利技术属性】
技术研发人员：张旭光，郭江涛，周生运，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：