CN102136060A - 一种群体密度检测方法 - Google Patents

Abstract

本发明公开了一种群体密度检测方法，该方法是在数字摄像机作为传感器以及数字信号处理芯片的支持下实现的，其特征在于：该方法包括以下步骤：1)采用数字摄像机作为传感器，连续采集定点区域形成数字视频；2)基于梯度方法提取1)中所述数字视频的角点特征；3)基于缩放不变局部三元特征SILTP提取1)中所述数字视频的纹理特征；4)应用2)中所得到的所述角点特征及3)中所得到的所述纹理特征的特征组合与群体密度之间的回归关系估算1)所述定点区域的群体密度。本发明的群体密度检测方法有效地解决了现有基于视频分析的密度检测方法存在由于角度差异、群体过密以及光照变化等带来的密度估计误差的问题。具有精度高、鲁棒性强等优点。

Description

一种群体密度检测方法

技术领域

本发明属于群体密度检测方法，尤其是基于视频分析的群体密度检测方法。

背景技术

群体(车辆/人群)密度预警，包括车辆拥堵预警和人群聚集预警等，在公共交通畅通和公共安全防范领域有非常重要的意义。依靠人工估计的方法无法支持规模化应用，应用视频分析实现群体密度的在线智能检测成为当前的研究热点。目前基于视频智能分析检测群体密度的方法，主要包括目标特征分析法和群体密度估计法。

目标特征分析法基于个体的精确检测基础上进行统计。首先检测、跟踪视频序列图像中的目标特征，识别出存在的目标，然后进行统计。这类方法对目标较稀疏的场景检测效果较好，但是对于如道路交叉口或者地铁站点等车流密集或人群密集的场景，由于遮挡等问题难以精确分析出目标，因此无法对目标进行统计。

群体密度估计法并不对个体进行识别统计，而是对整体进行分析，着眼群体的密集程度，而不精确统计群体的个体具体数量。目前基于视频分析的群体密度估计方法有：基于“前景像素总数/密度”回归关系、“灰度共生矩阵/密度”回归关系、以及加入一些辅助手段进行扩展分析的技术，包括小波变换技术等。基于像素进行分析，由于角度等问题，像素个数与目标并不存在线性关系，近景目标像素统计数较多，远景目标像素统计数较少，因此分析结果往往由于角度不同或者群体密度不同而导致了较大误差。并且，光照不稳定对基于像素级别的密度分析影响也较大。

综上所述，现有基于视频分析的密度检测方法存在的问题是抵抗角度差异、群体密集程度以及光照变化等方面能力较差。

发明内容

本发明提供了一种解决上述问题的方案，提供一种基于视频分析的群体密度检测方法。

本发明的技术方案是提供一种群体密度检测方法，该方法是在数字摄像机作为传感器以及数字信号处理芯片的支持下实现的，其特征在于：该方法包括以下步骤：

1)采用数字摄像机作为传感器，连续采集定点区域形成数字视频；

2)提取1)中所述数字视频图像帧的角点特征；

3)提取1)中所述数字视频图像帧的纹理特征；

4)应用2)中所得到的所述角点特征及3)中所得到的所述纹理特征的特征组合与群体密度之间的回归关系估算1)所述定点区域的群体密度。

优选的，其中步骤2)中基于梯度方法提取所述数字视频图像帧的角点特征。

优选的，其中步骤3)中基于缩放不变局部三元特征SILTP提取所述数字视频图像帧的纹理特征。。

优选的，所述回归关系是通过支持向量回归算法SVR学习大量样本得到的。

优选的，步骤4)中估算所述定点区域的群体密度时，依据所述数字视频的距离的远近采用不同的回归关系响应函数。

本发明的群体密度检测方法有效地解决了现有基于视频分析的密度检测方法存在由于角度差异、群体过密以及光照变化等带来的密度估计误差的问题。具有精度高、鲁棒性强等优点。

附图说明

图1是本发明的算法原理框图。

具体实施方式

下面对本发明的具体实施方式作进一步详细的描述。

如图1所示，本发明的群体密度检测方法首先进行视频采集，采集到的视频信息依次经过角点特征提取、边缘纹理特征提取、支持向量回归SVR算法估算，最终得出检测结果。

本发明所采用的方案是在数字摄像机作为传感器的支持下实现的，依据纹理粗糙度和群体(车辆/人群)密度之间的回归关系进行估算。以下结合附图1所示的算法原理图，详细说明本方法的具体实施方式。

①采用数字摄像机作为传感器连续采集各种群体聚集场景形成数字视频流作为信号源，数字摄像机采用CCD或者CMOS等A/D芯片；

②人工选取步骤①所述各种群体聚集场景数字视频中具有典型意义的视频图像帧作为训练样本并相应标记该样本的群体密度值参数；

③首先是基于梯度方法提取样本的角点特征。

角点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点。角点在保留图像图形重要特征的同时，可以有效地减少信息的数据量，使其信息的含量很高，有效地提高了计算的速度，在三维场景重建、运动估计、目标跟踪、目标识别、图像配准与匹配等计算机视觉领域起着非常重要的作用。基于梯度的方法是通过计算边缘的曲率来判断角点的存在性，角点计算数值的大小不仅与边缘强度有关，而且与边缘方向的变化率有关。步骤如下：

(1)计算图像像素点在水平和垂直方向上的梯度，以及两者的乘积，得到M中4个元素的值；

$M=\left[\begin{array}{cc}{I_x}^2& I_x{I}_y\\ I_x{I}_y& {I_y}^2\end{array}\right].$

其中，I_x ²＝I_x×I_x；I² _y＝I_y×I_y。

(2)对图像进行高斯滤波，得到新的M；

离散二维零均值高斯函数为

$\mathrm{Gauss}=\exp (-\frac{(x^2+y^2)}{2{\mathrm{\σ}}^2})$

(3)计算原图像上对应的每个像素点的兴趣值，即R值；

R＝{I_x ²×I_y ²-(I_xI_y)²}-k{I_x ²+I_x ²}²

(4)选取局部极值点。特征点是局部范围内的极大兴趣值对应的像素点；

(5)设定阈值，选取一定量的角点；

④接着是基于缩放不变局部三元特征SILTP提取样本的纹理特征；

在给定任意像素位置(xc，yc)，SILTP编码如下：

${\mathrm{SILTP}}_{N,P}^{\mathrm{\τ}}(x_c,y_c)=\underset{k=0}{\overset{N-1}{\⊕}}{s}_{\mathrm{\τ}}(I_c,I_k),---\left(1\right)$

Ic是中心像素灰度值，Ik是以R为半径的圆上相等间隔的N个临域像素，

表示二进制字符串算子，τ是比较区间缩放因子，s_τ是分段函数，定义如下：

$s_{\mathrm{\&tau;}}(I_c,I_k)=\left\{\begin{array}{c}01,\mathrm{if}{I}_k>(1+\mathrm{\&tau;})I_c,\\ 10,\mathrm{if}{I}_k<(1-\mathrm{\&tau;})I_c,\\ 00,\mathrm{otherwise}.\end{array}\right.---\left(2\right)$

SILTP算子有很强的抗局部噪声的能力，特别对于阴影区域、光照突变等具有非常好的强壮性。

⑤最后应用支持向量回归SVR算法学习样本特征向量和群体(车辆/人群)密度之间的回归关系，样本特征向量由步骤③提取的角点特征和步骤④提取的纹理特征组合而成。

借助于最优化方法解决机器学习问题的新工具。支持向量机用于回归问题称为支持向量回归机SVRM，实现算法称为支持向量回归SVR算法。

支持向量回归SVR算法实现回归估计函数时，有3个特点：1)利用高维空间中定义的线性函数来估计回归；2)利用线性最小化来实现回归估计；3)采用的风险函数由经验误差和一个由结构风险最小化原则导出的正则化部分组成。

给定一个n组关系未知样本的数据集H＝{(x i，yi)}i＝1，...n，其中xi是输入向量，yi是期望值，n是数据点的总数。SVM可以利用一个非线性映射，将数据x映射到高维特征空间H，并在这个空间中进行线性逼近。由统计学习理论可知，该函数具有以下形式：

回归估计问题定义为对一个损失函数进行奉献最小化的问题，最优的回归函数是通过在一定的约束条件下最小化规则化风险泛函：

${\left|\right|\mathrm{\&omega;}\left|\right|}^2+C_l^1{}_2{}^1\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{L}_{\mathrm{\&epsiv;}}(y_i,f\left(x_i\right))---\left(2\right)$

其中

使得函数更为平坦，称为规则化项；第二项为经验风险泛函，可由不同的损失函数确定，常数C＞0，惩罚函数，控制对超出误差的样本的惩罚程度。本文采用的ε-不敏感损失函数，

L_ε(y_i，f(x_i))＝max(|y_i-f(x_i)-ε，0)

对于L_ε(y_i，f(x_i))，若估计输出f(xi)与期望输出yi的偏差的绝对值小于时候，它等于0；否则，它等于偏差的绝对值减去ε，通过引入非负的松弛变量ξ_i，ξ_i*则上面的等式可转换为：

$\min {\left|\right|\mathrm{\&omega;}\left|\right|}^2+C_l^1{}_2{}^1\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}({\mathrm{\&xi;}}_i+{{\mathrm{\&xi;}}_i}^{*})$

s.t.

ξ_i ^*≥0

引入拉格朗日函数，我们最终可以得到：

$\mathrm{\&omega;}-\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}(a_i-a_i^{*})x_i=0$

$f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}(a_i-a_i^{*})j\left(x_i\right)\mathrm{gj}\left(x\right)+b$

$f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}(a_i-a_i^{*})K(x_i,x)+b$

由此可得，

引入核函数K(xi，xj)，上面式子可以变为：

K(xi，xj)是向量xi，xj在特征空间(x i)和(xj)上的内积，即K(xi，xj)＝(xi)(xj)。通过核函数所有的运算都可以直接在输入空间上计算，核函数的选择对支持向量机非常重要。

通过支持向量回归SVR算法学习样本特征向量和密度之间的回归关系时，考虑到摄像机的透视效应，画面近处物体和远处物体的大小不一致，在不同区域采用了不同的回归关系响应函数，使得群体(车辆/人群)密度估计更加准确。在进行人群聚集检测器的训练时，训练集共有1000张图像，采自地铁和火车站的人群区域，测试集包含500张图像，包括地铁和广场上的人群区域。经过测试，本发明的群体密度检测方法在测试集上达到了89.63％的正确分类率。

以上实施例仅为本发明其中的一种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种群体密度检测方法，该方法是在数字摄像机作为传感器以及数字信号处理芯片的支持下实现的，其特征在于：该方法包括以下步骤：

1）采用数字摄像机作为传感器，连续采集定点区域形成数字视频； 

2）提取1）中所述数字视频图像帧的角点特征；

3）提取1）中所述数字视频图像帧的纹理特征；

4）应用2）中所得到的所述角点特征及3）中所得到的所述纹理特征的特征组合与群体密度之间的回归关系估算1）所述定点区域的群体密度。

2.根据权利要求1所述的群体密度检测方法，其特征在于：其中步骤2）中基于梯度方法提取所述数字视频图像帧的角点特征。

3.根据权利要求1所述的群体密度检测方法，其特征在于：其中步骤3）中基于缩放不变局部三元特征SILTP提取所述数字视频图像帧的纹理特征。

4.根据权利要求1所述的群体密度检测方法，其特征在于：所述回归关系是通过支持向量回归算法SVR学习大量样本得出的。

5.根据权利要求1所述的群体密度检测方法，其特征在于：步骤4）中估算所述定点区域的群体密度时，依据所述数字视频的距离的远近采用不同的回归关系响应函数。