判断图像中人群密度的方法及系统技术方案

本发明专利技术提供了一种图像中人群密度判断方法及系统，该方法包括：步骤１，由划块分析单元在由图像采集装置采集的视频图像样本中选择目标区域，并在所述目标区域中进行图像块的划块分析；步骤２，由编码单元确定二分类器的组合形式；步骤３，由训练单元挑选置信训练样本并对各二分类器分别进行训练；步骤４，由解码单元借助信道传输模型得到最大化后验概率的人群密度等级类别。该方法可以适用于在不同场景获取可信的人群密度等级，可以为重要区域的人群监控和安全保障提供依据。

【技术实现步骤摘要】

本专利技术属于图像处理领域，涉及一种图像中人群密度判断方法。
技术介绍
传统的人群监控是靠闭路电视通过监视某一场景实现的，它需要用户自身对场景 图像做出判断。这种方法主观性很强，不能进行定量分析。现代数字图像处理技术的发展， 为解决上述问题提供了途径。将图像处理、模式识别、计算机视觉等技术应用在人群监控 中，可以达到对人群的自动、客观、实时的分析。图像中人群密度判断基于计算机视觉和模式识别技术，通过对监控图像或视频进 行分析计算，得出图像中人群密度的量化级别。人群密度信息是大范围人群监控管理的有 力依据，它可以向商场提供商场内部按不同时段分布的人群密度信息，协助管理层合理分 配服务与管理资源；它也可以广泛应用于公共汽车站、客运火车站、飞机场等公共设施的出 入通道和重要区域的人群监控，以实时得到旅客数量及分布的准确数据，预防由于顾客拥 挤引起的安全隐患，为科学调度、安全保障提供依据。目前常用的图像中人群密度判断方法主要可以分为两大类基于行人检测的方法 和基于统计学习的方法。基于行人检测的方法利用已有的行人检测以及人脸检测算子，从图像中检测单个 行人，结合运动检测和跟踪技术，分析人群密度的变化。这种方法依赖于行人检测算子的效 果，在人群密度较大、遮挡严重或者图像质量较低、单个行人不能可靠检测的情况下性能无 法保证。基于统计学习的方法通过提取图像帧中人群的相关特征并进行有监督的学习，得 到特征量与人群密度之间的关系。最早的应用是Davies等通过提取前景区域面积以及 边缘长度并与人群密度建立起线性关系，对利物浦街火车站的人群图像进行分析。这种 方法计算简单，易于实现，但是无法解决遮挡问题，随着人群密度增大，由于遮挡造成的估 计误差就会增加。Marana等在1998年出版的期刊ISIBGRAPHI，98 Proceedings of the International Symposium onComputer Graphics, Image Processing,and Vision 中的文 章 On the efficacy oftexture analysis for crowd monitoring 指出，纹理特征与人群 密度之间存在对应关系高密度的人群在纹理上表现为细模式，低密度的人群在纹理上表 现为粗模式。基于统计学习的方法不依赖于行人检测，通过统计学习直接建立起人群密度 与特征的对应关系，通过选择合适的特征和分类器模型，可以取得较好的效果。当人群密度被量化为密度等级，人群密度判断的问题就转化为多类分类的问题 其输入是与人群相关的特征量，输出是有限个数的密度等级。解决此多类分类问题的常用 方法有近邻分析法、多项式拟合法、神经网络模型等。其中，近邻分析法是将同一密度等级 的训练样本在特征空间中聚类，形成M个代表点(各个密度等级的代表点不必相同)，对于 某一未知类别的样本，利用其最近邻代表点或K个近邻代表点的类别为依据确定该样本的 类别。这种方法简单易行，但是严重依赖于聚类个数的选取，需要根据经验或实验验证选择参数。多项式拟合法和神经网络模型是最小化经验误差的方法，但容易陷入局部最小或产 生过学习现象。统计学习理论是目前针对小样本统计估计和预测学习的最佳理论，它从理论上系 统地研究了经验风险最小化原则成立的条件、有限样本下经验风险与期望风险的关系及如 何利用这些理论找到新的学习原则和方法等问题。支持向量机(SVM)作为统计学习理论 的一种实现方法已经被广泛地应用在模式识别和数据挖掘等很多领域中。Christopher J. C. Burges 在 1998 年出版的 Data Mining an (!Knowledge Discovery 中发表的 A Tutorial on Support Vector Machines forPattern Recognition 43 ! , SVM二分类器，它基于结构风险最小化理论，在特征空间中建构最优分割超平面，使得学习器得 到全局最优化，并且在整个样本空间内的期望风险值以某个概率满足一定上界。当利用SVM处理多类问题时，就需要构造合适的多类分类器。目前，构造SVM多类 分类器的方法主要有两类一类是直接法，直接在目标函数上进行修改，将多个分类面的参 数求解合并到一个最优化问题中，通过求解该最优化问题“一次性”实现多类分类。这种方 法看似简单，但其计算复杂度比较高，实现起来比较困难，只适合用于小型问题中。另一类 是间接法，主要是通过组合多个二分类器来实现多分类器的构造，常用的方法包括一对一、 一对余、决策树和纠错输出码法(error correcting output codes, EC0C)等。
技术实现思路
本专利技术所要解决的技术问题是提供一种判断图像中人群密度的方法，本方法首先 对视频图像样本中的区域确定二分类器的组合形式，分析挑选置信训练样本并分别对各二 分类器进行训练，借助信道传输模型得到最大化后验概率的密度等级。本方法针对输入的 人群特征，得到相对应的密度等级，可以适用于不同场景获取可信的人群密度等级判断。本专利技术提供一种图像中人群密度判断方法，该方法包括步骤1，由划块分析单元 在由图像采集装置采集的视频图像样本中选择目标区域，并在所述目标区域中进行图像块 的划块分析；步骤2，由编码单元确定二分类器的组合形式；步骤3，由训练单元挑选置信训 练样本并对各二分类器分别进行训练；步骤4，由解码单元借助信道传输模型得到最大化 后验概率的人群密度等级类别。进一步，所述判断人群密度的方法还包括步骤1中依据透视模型在所述目标区 域中进行图像块的划块分析。进一步，所述判断人群密度的方法还包括依据所述透视模型划分的不同的图像 块中具有大致相同的最多能够容纳的人数。进一步，所述判断人群密度的方法还包括所述透视模型用于实现在不同场景、不 同摄像机角度、不同位置下的图像块的统一以及明确的密度等级标准的确定。进一步，所述判断人群密度的方法还包括步骤1之后，由计算单元对所述各图像 块计算多尺度局部二值化算子，并统计其对应的归一化的频率直方图作为人群的纹理描述 符。进一步，所述判断人群密度的方法还包括针对所述每个图像块求取多尺度纹理 特征。进一步，所述判断人群密度的方法还包括基于块平均对各图像块计算多尺度局部二值化算子。进一步，所述判断人群密度的方法还包括再由提取单元提取纹理描述符，为每个 图像块生成特征空间，得到训练样本和测试样本。进一步，所述判断人群密度的方法还包括步骤2中由编码单元设置纠错输出码 矩阵，以确定二分类器的组合形式。进一步，所述判断人群密度的方法还包括所述矩阵设计步骤如下(1)对于类别集合Q，计算每两个类别子集Si和。之间的费雪即fisher距离权利要求1.一种判断图像中人群密度的方法，该方法包括步骤1，由划块分析单元在由图像采集装置采集的视频图像样本中选择目标区域，并在 所述目标区域中进行图像块的划块分析；步骤2，由编码单元确定二分类器的组合形式；步骤3，由训练单元挑选置信训练样本并对各二分类器分别进行训练；步骤4，由解码单元借助信道传输模型得到最大化后验概率的人群密度等级类别。2.如权利要求1所述的方法，其特征在于，步骤1中依据透视模型在所述目标区域中本文档来自技高网...

【技术保护点】
一种判断图像中人群密度的方法，该方法包括：步骤１，由划块分析单元在由图像采集装置采集的视频图像样本中选择目标区域，并在所述目标区域中进行图像块的划块分析；步骤２，由编码单元确定二分类器的组合形式；步骤３，由训练单元挑选置信训练样本并对各二分类器分别进行训练；步骤４，由解码单元借助信道传输模型得到最大化后验概率的人群密度等级类别。

【技术特征摘要】

【专利技术属性】
技术研发人员：黄磊，刘昌平，麻文华，
申请(专利权)人：汉王科技股份有限公司，
类型：发明
国别省市：11[中国|北京]