一种基于支持向量机的人群密集度检测方法及系统技术方案

本发明专利技术实施例公开了一种基于支持向量机的人群密集度检测方法及系统，用于直接分析检测区域的密集度，检测效率高。本发明专利技术实施例方法主要包括：在分类模型离线训练中导入密集度分类的视频样本图像，提取样本图像的颜色特征、HOG特征、前景矩特征，进行归一化处理后进行支持向量机分类训练后获得密集度分类模型；在实时检测中导入检测区域的实时视频，提取所述实时视频的每一帧图像的颜色特征、HOG特征和前景矩特征并进行归一化处理，使用所述分类模型离线训练中获得的所述密集度分类模型进行分类，从而获得检测区域的密度集分类。

【技术实现步骤摘要】
一种基于支持向量机的人群密集度检测方法及系统
本专利技术涉及人群密集度及人流量处理
，具体涉及一种基于支持向量机的人群密集度检测方法及系统。
技术介绍
随着城市化的发展，城市人口密度越来越大，特别是一些商业区在高峰时段以及假日会出现人群高峰；随着旅游观光业的发展，一些著名景区在节假日也会出现人群极度拥挤的情况。因此，监控人群密集度，以防发生严重事故已经越来越重要。传统的人群密集度检测方法是通过在出入口安装两组红外光电传感器，用来对出入人数进行统计，通过计算差值获取区域人数。但是这种方法只能获取整个区域的人数，对于局部区域的人群密集度无法检测，适应性差。现有的基于视频分析的人群密集度检测方法主要有基于团块跟踪和基于轨迹聚类统计人数，但是该方法要求对运动目标进行实时跟踪，跟踪要求精度高，运算量也较大，导致成本提高。
技术实现思路
针对上述缺陷，本专利技术实施例提供了一种基于支持向量机的人群密集度检测方法及系统，用于解决在复杂场景或人群密集较高时无法跟踪或者跟踪效果差的情况，无需对运动目标或团块进行跟踪，直接获得检测区域的密集度分类结果。本专利技术一方面提供一种基于支持向量机的人群密集度检测方法，包括：在分类模型离线训练中导入密集度分类的视频样本图像，提取所述视频样本图像的颜色特征、方向梯度直方图HOG特征和前景矩特征，并对所述视频样本图像的颜色特征、方向梯度直方图HOG特征和前景矩特征进行归一化合并，后进行支持向量机分类训练获得密集度分类模型；在实时检测中导入检测区域的实时视频，从所述实时视频的每一帧图像提取颜色特征、HOG特征和前景矩特征，并对所述实时视频的每一帧图像的颜色特征、HOG特征和前景矩特征进行归一化合并；根据在所述分类模型离线训练中获得的所述密集度分类模型，对所述实时检测中每一帧图像的归一化合并后的颜色特征、HOG特征和前景矩特征进行支持向量机分类，从而得到所述检测区域的密集度分类。一个实施例中，所述密集度分类包括A类、B类、C类、D类和E类，其中，所述A类表示一平米中人均数大于3；所述B类表示一平米中人均数小于等于3且大于等于2.5；所述C类表示一平米中人均数小于等于2.4且大于等于1.6；所述D类表示一平米中人均数小于等于1.5且大于等于0.8；所述E类表示一平米中人均数小于等于0.7且大于等于0；所述在分类模型离线训练中导入密集度分类的视频样本图像之前，包括：根据所述密集度分类，获取所述密集度分类对应的视频样本图像。一个实施例中，所述在分类模型离线训练中导入密集度分类样本图像，提取颜色特征、HOG特征和前景矩特征，并对从所述视频样本图像中提取的颜色特征、HOG特征和前景矩特征进行归一化合并，后进行支持向量机分类训练后获得密集度分类模型，包括：在分类模型离线训练中导入密集度分类的视频样本图像，将所述视频样本图像分成至少两块样本图像块；将所述样本图像块从RGB颜色空间转换成HSV颜色空间，并对所述HSV颜色空间的H分量进行分类，获得所述样本图像块的颜色直方图；将所述样本图像块转换成样本灰度图，对所述样本灰度图进行高斯滤波处理和灰度直方图均衡处理；从所述经过高斯滤波处理和直方图均衡处理后的样本灰度图中提取HOG特征；利用经过高斯滤波处理和直方图均衡处理后的相邻三帧样本灰度图的帧差获得前景图，并从所述前景图中提取前景矩特征；对从所述样本图像块中提取的所述颜色特征、HOG特征和前景矩特征进行归一化合并；对归一化合并后的颜色特征、HOG特征和前景矩特征进行支持向量机训练，获得密集度分类模型。一个实施例中，所述对所述样本灰度图进行高斯滤波处理和灰度直方图均衡处理，具体包括：采用高斯函数对所述样本灰度图的像素点与所述像素点的领域像素点进行加权求取平均值，根据所述平均值处理所述样本灰度图，进而获得平滑样本灰度图；根据灰度获得所述平滑样本灰度图的样本灰度直方图，并按照预定对比度放大所述样本灰度直方图。一个实施例中，所述利用经过高斯滤波处理和直方图均衡处理后的相邻三帧样本灰度图的帧差获得前景图，并从所述前景图中提取前景矩特征包括：获得相邻三帧的样本灰度图的帧差；根据所述帧差获得所述样本灰度图的前景图；从所述前景图中提取前景矩特征。一个实施例中，所述在实时检测中导入检测区域的视频实时图像，提取颜色特征、HOG特征和前景矩特征，并对从所述视频实时图像中提取的颜色特征、HOG特征和前景矩特征进行归一化合并包括：在实时检测中导入检测区域的视频实时图像，将所述视频实时图像分成至少两块实时图像块；在实时检测中导入检测区域的视频实时图像，将所述视频实时图像分成至少两块实时图像块；将所述实时图像块从RGB颜色空间转换成HSV颜色空间，并对所述HSV颜色空间的H分量进行分类，获得所述实时图像块的颜色直方图；将所述实时图像块转转换成实时灰度图，对所述实时灰度图进行高斯滤波处理和灰度直方图均衡处理；从所述经过高斯滤波处理和直方图均衡处理后的实时灰度图中提取HOG特征；利用经过高斯滤波处理和直方图均衡处理后的相邻三帧实时灰度图的帧差获得前景图，并从所述前景图中提取前景矩特征；对从所述实时图像块中提取的所述颜色特征、HOG特征和前景矩特征进行归一化合并。一个实施例中，所述对所述实时灰度图进行高斯滤波处理和灰度直方图均衡处理，包括：采用高斯函数对所述实时灰度图的像素点与所述像素点的领域像素点进行加权求取平均值，根据所述平均值处理所述实时灰度图，进而获得平滑实时灰度图；根据灰度获得所述平滑实时灰度图的实时灰度直方图，并按照预定对比度放大所述实时灰度直方图。一个实施例中，所述采用经过高斯滤波处理和直方图均衡处理后的相邻三帧实时灰度图的帧差提取前景，获得前景矩特征，包括：获得相邻三帧的实时灰度图的帧差；根据所述帧差获得所述实时灰度图的前景图；从所述前景图中提取前景矩特征。本专利技术另一方面提供一种基于支持向量机的人群密集度检测系统，包括：分类模型离线训练模块，在分类模型离线训练中导入密集度分类的视频样本图像，提取所述视频样本图像的颜色特征、方向梯度直方图HOG特征和前景矩特征，并对所述视频样本图像的颜色特征、方向梯度直方图HOG特征和前景矩特征进行归一化合并，后进行支持向量机分类训练后获得密集度分类模型；实时检测模块，用于在实时检测中导入检测区域的实时视频，从所述实时视频的每一帧图像提取颜色特征、HOG特征和前景矩特征，并对所述实时视频的每一帧图像的颜色特征、HOG特征和前景矩特征进行归一化合并；根据在所述分类模型离线训练中获得的所述密集度分类模型，对所述实时检测中每一帧图像的归一化合并后的颜色特征、HOG特征和前景矩特征进行支持向量机分类，从而得到所述检测区域的密集度分类。从以上技术方案可以看出，本专利技术实施例具有以下优点：本专利技术实施例通过分类模型离线训练模块导入获得的密集度分类的视频样本图像，从该视频样本图像中提取颜色特征、HOG特征和前景矩特征，然后对三种特征进行归一化合并，最后进行支持向量机分类训练得到密集度分类模型；另一方面由实时检测模块导入检测区域的视频实时图像，从该视频实时图像中提取颜色特征、HOG特征和前景矩特征，然后对三种特征进行归一化合并，根据在分类模型离线训练中得到的密集度分类模型，对实时检测中归一化合并后的颜色特征、H本文档来自技高网...

【技术保护点】
一种基于支持向量机的人群密集度检测方法，其特征在于，包括：在分类模型离线训练中导入密集度分类的视频样本图像，提取所述视频样本图像的颜色特征、方向梯度直方图HOG特征和前景矩特征，并对所述视频样本图像的颜色特征、方向梯度直方图HOG特征和前景矩特征进行归一化合并，后进行支持向量机分类训练获得密集度分类模型；在实时检测中导入检测区域的实时视频，从所述实时视频的每一帧图像提取颜色特征、HOG特征和前景矩特征，并对所述实时视频的每一帧图像的颜色特征、HOG特征和前景矩特征进行归一化合并；根据在所述分类模型离线训练中获得的所述密集度分类模型，对所述实时检测中每一帧图像的归一化合并后的颜色特征、HOG特征和前景矩特征进行支持向量机分类，从而得到所述检测区域的密集度分类。

【技术特征摘要】
1.一种基于支持向量机的人群密集度检测方法，其特征在于，包括：在分类模型离线训练中导入密集度分类的视频样本图像，提取所述视频样本图像的颜色特征、方向梯度直方图HOG特征和前景矩特征，并对所述视频样本图像的颜色特征、方向梯度直方图HOG特征和前景矩特征进行归一化合并，后进行支持向量机分类训练获得密集度分类模型；在实时检测中导入检测区域的实时视频，从所述实时视频的每一帧图像提取颜色特征、HOG特征和前景矩特征，并对所述实时视频的每一帧图像的颜色特征、HOG特征和前景矩特征进行归一化合并；根据在所述分类模型离线训练中获得的所述密集度分类模型，对所述实时检测中每一帧图像的归一化合并后的颜色特征、HOG特征和前景矩特征进行支持向量机分类，从而得到所述检测区域的密集度分类；所述密集度分类包括A类、B类、C类、D类和E类，其中，所述A类表示一平米中人均数大于3；所述B类表示一平米中人均数小于等于3且大于等于2.5；所述C类表示一平米中人均数小于等于2.4且大于等于1.6；所述D类表示一平米中人均数小于等于1.5且大于等于0.8；所述E类表示一平米中人均数小于等于0.7且大于等于0；所述在分类模型离线训练中导入密集度分类的视频样本图像之前，包括：根据所述密集度分类，获取所述密集度分类对应的视频样本图像；所述在分类模型离线训练中导入密集度分类的视频样本图像，提取所述视频样本图像的颜色特征、HOG特征和前景矩特征，并对所述视频样本图像的颜色特征、HOG特征和前景矩特征进行归一化合并，后进行支持向量机分类训练获得密集度分类模型包括：在分类模型离线训练中导入密集度分类的视频样本图像，将所述视频样本图像分成至少两块样本图像块；将所述样本图像块从RGB颜色空间转换成HSV颜色空间，并对所述HSV颜色空间的H分量进行分类，获得所述样本图像块的颜色直方图；将所述样本图像块转换成样本灰度图，对所述样本灰度图进行高斯滤波处理和灰度直方图均衡处理；从所述经过高斯滤波处理和直方图均衡处理后的样本灰度图中提取HOG特征；利用经过高斯滤波处理和直方图均衡处理后的相邻三帧样本灰度图的帧差获得前景图，并从所述前景图中提取前景矩特征；对从所述样本图像块中提取的所述颜色特征、HOG特征和前景矩特征进行归一化合并；对归一化合并后的颜色特征、HOG特征和前景矩特征进行支持向量机训练，获得密集度分类模型。2.根据权利要求1所述的方法，其特征在于，所述对所述样本灰度图进行高斯滤波处理和灰度直方图均衡处理，具体包括：采用高斯函数对所述样本灰度图的像素点与所述像素点的领域像素点进行加权求取平均值，根据所述平均值处理所述样本灰度图，进而获得平滑样本灰度图；根据所述平滑样本灰度图获得灰度直方图，重新分配像素值。3.根据权利要求1或2所述的方法，其特征在于，所述利用经过高斯滤波处理和直方图均衡处理后的相邻三帧样本灰度图的帧差获得前景图，并从所述前景图中提取前景矩特征包括：获得相邻三帧的样本灰度图的帧差；根据所述帧差获得所述样本灰度图的前景图；从所述前景图中提取前景矩特征。4.根据权利要求1所述的方法，其特征在于，所述在实时检测中导入检测区域的实时视频，从所述实时视频的每一帧图像提取颜色特征、HOG特征和前景矩特征，并对所述实时视频的每一帧图像的颜色特征、HOG特征和前景矩特征进行归一化合并包括：在实时检测中导入检测区域的实时视频，将所述实时视频的每一帧图像分成至少两块实时图像块；将所述实时图像块从RGB颜色空间转换成HSV颜色空间，并对所述HSV颜色空...

【专利技术属性】
技术研发人员：唐健，关国雄，李锐，黎明，徐文丽，杨利华，王浩，
申请(专利权)人：深圳市捷顺科技实业股份有限公司，
类型：发明
国别省市：