CN103489012B - 一种基于支持向量机的人群密集度检测方法及系统 - Google Patents
一种基于支持向量机的人群密集度检测方法及系统 Download PDFInfo
- Publication number
- CN103489012B CN103489012B CN201310464576.9A CN201310464576A CN103489012B CN 103489012 B CN103489012 B CN 103489012B CN 201310464576 A CN201310464576 A CN 201310464576A CN 103489012 B CN103489012 B CN 103489012B
- Authority
- CN
- China
- Prior art keywords
- real
- prospect
- gray
- scale map
- closeness
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明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。
Description
技术领域
本发明涉及人群密集度及人流量处理技术领域，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。
背景技术
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。
发明内容
针对上述缺陷，本发明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。
本发明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。
本发明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，本发明实施例具有以下优点：
本发明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、HOG特征和前景矩特征进行支持向量机分类，从而得到该检测区域的密集度分类。与现有技术相比，本发明实施例不需要对运动目标或团块跟踪，能够直接对检测区域进行密集度分类，得到检测区域的密集度分类结果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的基于支持向量机的人群密集度检测方法流程图；
图2为本发明一实施例提供的基于支持向量机的人群密集度检测方法流程图；
图3为本发明一实施例提供的基于支持向量机的人群密集度检测方法流程图；
图4-a为本发明一实施例提供的基于支持向量机的人群密集度检测系统结构图；
图4-b为本发明一实施例提供的基于支持向量机的人群密集度检测系统结构图；
图4-c为本发明一实施例提供的基于支持向量机的人群密集度检测系统结构图。
具体实施方式
下面将结合本发明实施例的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明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，适用于局部区域，直接对检测区域的人群密集度进行分类，有效提高人群密集度的检测精确度。
如图1所示，本发明实施例提供一种基于支持向量机的人群密集度的检测方法，可包括：
步骤S110、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、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；
本发明实施例包括人群密集度的分类模型离线训练和实时检测两部分。与现有技术相比，本发明实施例中将人群密集度按照一定的情况进行分类，例如可以按照一平米中人均数多少来将人群密集度分成五种类型，分别为A类、B类、C类、D类和E类，其中，可以定义如下：
A类，表示一平米中人均数大于3，人群密集度情况为高；
B类，表示一平米中人均数小于等于3，且大于等于2.5，人群密集度器情况为较高；
C类，表示一平米中人均数小于等于2.4，且大于等于1.6，人群密集度情况为中；
D类，表示一平米中人均数小于等于1.5，且大于等于0.8，人群密集度情况为较低；
E类，表示一平米中人均数小于等于0.7，且大于等于0，人群密集度情况为低。
上述人群密集度分类用也可以如表1所示：
| 人群密集度分类 | 平均人数（人/平米） | 人群密集度情况 |
| A | >3 | 高 |
| B | 2.5-3 | 较高 |
| C | 1.6-2.4 | 中 |
| D | 0.8-1.5 | 较低 |
| E | 0-0.7 | 低 |
表1
按照上述对人群密集度的分类，可以从现有场景中获取和上述密集度分类相对应的视频样本图像，在分类模型离线训练中训练得到密集度分类模型。
可以理解的是，在人群密集的时候，人和人距离近，两个人的空间结构特征与人群稀疏时是不一样的，因此，可以颜色特征，还有人群边缘所在的方向梯度直方图（histogram oforiented gradient，简称HOG）特征以及空间结构的矩特征等等，进行人群密集度分类分析。
其中，颜色特征是在图像检索中应用最为广泛的视觉特征，在于颜色往往和图像中所包含的物体或场景十分相关；HOG特征表示人群边缘特征，是用于人群检测的特征描述子；前景矩特征表示所检测区域的几何特征。基于上述三种特征，可以获得视频样本图像中纹理特征，得到精确度更高的密集度分类模型。
步骤S120、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；
步骤S130、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。
上述步骤S120和S130在实时检测中实现，其中，导入检测区域的实时视频，提取实时视频中每一帧图像的颜色特征、HOG和前景矩特征，之后对该颜色特征、HOG和前景矩特征进行归一化合并后，根据在分类模型离线训练中获得的密集度分类模型，对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，最后得到该检测区域的密集度分类，即该检测区域属于密集度分类中的哪一类。
本发明实施例通过在分类模型离线训练中分析视频样本图像中提取的颜色特征、HOG特征和前景矩特征，进而得到密集度分类模型；之后在实时检测中分析实时视频中每一帧图像的颜色特征、HOG特征和前景矩特征，之后结合密集度分类模型，进行支持向量机分类训练后得到检测区域的密集度分类，能够有效地进行检测区域的密集度分类分析，效率高。
下面将对本发明实施例作更详细的说明，首先对于分类模型离线训练具体如图2所示，上述步骤S110具体可以包括：
步骤S210、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N块样本图像块，所述N为大于或等于2的正整数；
可以理解的是，在摄像机监控区域内，拍摄在不同时间段和/或不同天气情况下的视频，可以针对上述表1中的每一种密集度分类从中挑选出一定数量的视频样本图像，对每一类视频样本图像作单独训练获得相应密集度分类的密集度分类模型。
其中，先将视频样本图像分成N块样本图像块。举例来说，可以将视频样本图像分成4x4=16块样本图像块。
步骤S220、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；
可以理解的是，颜色直方图是被广泛采用的颜色特征，表示的是不同颜色在整张图像中所占的比例。本发明实施例中采用颜色直方图表示颜色特征。RGB（red，green，blue）是红绿蓝表示法，是一种颜色标。HSV（Hue，Saturation，Value）中的H表示色度、S表示饱和度和V表示亮度，在视觉上是均匀的，与人的颜色视觉有很好的一致性。
其中，RGB颜色空间到HSV颜色空间的转换为现有技术，在此不再详细介绍。
在HSV颜色空间中，假设将HSV颜色空间中的H分量的真彩色均匀压缩分成16类，例如第一类从349°到11°，第二类从12°到34°，以此类推。其中，黑色、白色和灰色的H分量都为0，通过H分量无法判断出黑色、白色和灰色，但是可以通过结合S分量的办法来区分。黑色的H分量和S分量均为0；白色的H分量为0，但是S分量为1；灰色的H分量为0，S分量介乎于0到1之间。为了更好区分灰色分量，把H分量的第一类按照S分量细分为5类，即当S分量为0-0.1时为一类；S分量为0.9-1为一类；再S分量在0.1-0.9之间平均划分成三类，那么将得到20种颜色分类。
根据得到的20种颜色分类，计算每种分类的颜色在样本图像块中对应的像素点个数，计算该颜色像素点个数在整个样本图像块所有像素点中所占的比例，进而获得颜色直方图，即获得20种颜色特征。
步骤S230、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；
步骤S240、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；
可以理解的是，将样本图像块转换成样本灰度图，对样本灰度图进行高斯滤波和直方图均衡处理。
举例来说，上述步骤S230包括如下步骤：
A1、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；
A2、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。
上述步骤S220和S230之间不分先后，在此不作限定。
其中，高斯滤波处理就是将样本灰度图中坐标点上的像素点与其领域内的像素点经过加权后求取平均值，根据平均值能够处理样本灰度图中的像素点后得到平滑样本灰度图，同时能够去除图像中的噪声。
其中，加权计算平均值的计算公式如下：
（公式1）
然后对平滑样本灰度图间接按照一定对比度放大，对图像进行非线性拉伸，可以减少视频样本图像中的局部阴影和因阳光照射而造成的阴影等，提高图像的对比度。
HOG可以将图像局部出现的方向梯度次数进行计数，基于一致空间的密度矩阵来提高准确率。在本发明实施例中，HOG特征即样本灰度图的梯度统计信息，而梯度存在与图像边缘的地方。
其中，假设样本灰度图中某像素点的坐标为（x，y），那么用R（x，y）表示一阶梯度大小，R（x，y）计算公式如下：
（公式2）
其中，I表示像素灰度值。
进而梯度方向可以采用如下公式计算：
Ang(x,y)=arccos(I(x+1,y)-I(x-1,y)/R)（公式3）
其中，R为上述公式2计算得到的一阶梯度大小，直方图方向有9个，将每个样本图像块中所有像素点的一维梯度直方图累加，最后得到HOG特征。
步骤S250、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；
上述步骤S240和S250不分先后，在此不作限定。
具体地，使用上述步骤S240连续三帧样本灰度图的帧差，根据该帧差获取样本灰度图的前景图，然后从前景图中提取前景矩特征。
举例来说，上述步骤S250包括步骤：
A3、获得相邻三帧的样本灰度图的帧差；
A4、根据所述帧差获得所述样本灰度图的前景图；
A5、从所述前景图中提取前景矩特征。
就是对连续三帧的样本灰度图进行绝对差运算得到两个帧差值，然后将得到的两个帧差值进行逻辑或运算，最后进行形态学处理。
其中，样本灰度图的矩可以定义为：
（公式4）
其中，p为像素点（x，y）在x坐标轴上对应的矩，q为像素点（x，y）在y坐标轴上对应的矩，阶数表示对应的部分的指数。
而中心距为:
（公式5）
其中，xavg=m10/m00，且yavg=m10/m00。
归一化上述矩，则是每个矩除以m00的某个幂，表示为：
（公式6）
而前景矩特征就是归一化中心矩的线性组合，其计算公式如下公式7所示：
h1=η20+η02
h2=(η20-η02)2+4η11 2
h3=(η30-3η12)2+(3η21-η03)2
h4=(η30+η12)2+(η21+η03)2
h5=(η30-3η12)+(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)+(η21+η03)[3(3η21+η03)2-(η21+η03)2]
h6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
h7=(3η21-3η03)+(η21+η03)[3(η30+η22)2-(η21+η03)2]+(η30-η12)+(η21+η03)[3(3η30+η12)2-(η21+η03)2]
其中，从上述公式7可以得到7个前景矩特征。
步骤S260、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；
其中，经过上述步骤，可以获得20个颜色特征，9个HOG特征和7个前景矩特征，一共36个特征。对该36个特征归一化合并，形成36维特征，而结合16块样本图像块，那么将形成36x16=576维特征。
步骤S270、将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。
其中，把上述得到的特征进行支持向量机的训练，可以得到密集度分类模型。
其中，支持向量机训练的样本集可以表示为：(x1,y1),(x2,y2)，---，(xn,yn)。假如xi∈Rd，Rd是训练样本集。yi∈{-1,1}，yi=1时表示xi∈w1，w1和w2是两种不同的分类。
那么对于线性分类，决策函数为g(x)=wtx+b，w是分类梯度，而b是偏置。wtx+b=1和wtx+b=-1的分类间隔为，支持向量机训练为了最大化分类间隔，需要求解经过推导那么g(x)可以表示为：其中ai是训练得到的支持向量机系数。
如图3所示，下面将介绍实时检测的过程，该过程结合分类模型离线训练得到的结果密集度分类模型，具体包括如下步骤：
步骤S310、在实时检测中导入检测区域的实时视频，将所述实时视频中的每一帧图像分成N块实时图像块，所述N为大于或等于2的正整数；
其中，导入所检测的区域的实时视频，将实时视频中每一帧图像分成N块实时图像块。举例来说，可以将每一帧图像分成4x4=16块实时图像块。
步骤S320、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；
采用颜色直方图表示颜色特征，相似地，按照上述步骤S220中获得颜色直方图的方法，在实时检测中获得每个实时图像块的颜色直方图，获得20种颜色特征。
步骤S330、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；
步骤S340、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；
可以理解的是，将实时图像块转换成实时灰度图，对实时灰度图进行高斯滤波和直方图均衡处理。
具体地，上述步骤S330可以包括如下步骤：
B1、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；
B2、根据所述平滑实时灰度图获得实时灰度直方图，重新分配像素值。
上述步骤S320和S330之间不分先后，在此不作限定。
其中，其中，高斯滤波处理就是将实时灰度图中坐标点上的像素点与其领域内的像素点经过加权后求取平均值，根据平均值能够处理实时灰度图中的像素点后得到平滑实时灰度图，并去除图像中的噪声。其加权计算平均值如上述公式1所示。
步骤S350、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；
上述步骤S340和S350不分先后，在此不作限定。
具体地，使用上述步骤S340连续三帧实时灰度图的帧差，根据该帧差获取实时灰度图的前景图，然后从前景图中提取前景矩特征。
具体地，上述步骤S350可以包括如下步骤：
B3、获得相邻三帧的实时灰度图的帧差；
B4、根据所述帧差获得所述实时灰度图的前景图；
B5、从所述前景图中提取前景矩特征。
就是对连续三帧的实时灰度图进行绝对差运算得到两个帧差值，然后将得到的两个帧差值进行逻辑或运算，最后进行形态学处理。
前景矩特征的计算过程采用上述步骤S250中的计算公式4、5、6和7，在此不再赘述。
步骤S360、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；
其中，实时检测中前景矩特征获取采用如上述公式2和3，获得HOG特征。
其中，经过上述步骤，可以获得实时图像块的20个颜色特征，9个HOG特征和7个前景矩特征，一共36个特征。对该36个特征归一化合并，形成36维特征，而结合16块实时图像块，那么将形成36x16=576维特征。
步骤S370、根据分类模型离线训练的密集度分类模型，对所述颜色特征、HOG特征和前景矩特征进行支持向量机分类；
其中，利用分类模型离线训练的密集度分类模型，对实时检测中提取到的颜色特征、HOG特征和前景矩特征进行支持向量机分类，直接得到该检测区域的密集度分类。
步骤S380、获得所检测区域的密集度分类。
根据上述支持向量机训练得到的向量机系数，对实时视频中的每一帧图像获得的颜色特征、HOG特征和前景矩特征进行支持向量机分类，可以直接找到该检测区域属于上述所列举的五种密集度分类中的哪一种，能够直观地分析检测区域的密集度，无需对运动目标进行跟踪，提高效率。
如图4-a所示，本发明实施例还提供一种基于支持向量机的人群密集度检测系统，可包括：
分类模型离线训练模块410，用于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、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420，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。
示例性地，人群密集度检测系统置于局域网内，具体包括有摄像机、服务器（server）和客户端（client），其中，每台摄像机可以同时连接一个或多个服务器，也可以同时连接一个或多个客户端，一个客户端可以连接一个或多个服务器，反之，一个服务器可以连接一个或多个客户端。
具体地，由于该人群密集度检测系统一般应用于面积较大的场景，往往需要在不同区域内安装一个或多个摄像机进行监控，摄像机的安装高度一般位于5-10米，且可以优选广角镜头，尽可能监控更大范围，提高检测精度。
由于人群密集度检测系统运算量低，可以采用普通PC作为实时检测的服务器，实时检测的服务器主要用于对人群密集度进行实时分类，因此，在实时检测的服务器中设置有实时检测模块，该实时检测模块可以同时从连接的一个或多个摄像机中采集实时视频，导入支持向量机训练的服务器的分类模型离线训练模块训练得到的密集度分类模型，对实时视频进行密集度分类。之后密集度分类结果发送给客户端，由客户端通过设定的方式，如短信、蜂鸣等通知操作人员进行相应操作。另外，客户端还可以设置实时检测的服务器的规则，并提供人机交互或视频巡更等功能。
进一步地，人群密集度检测系统的实时检测服务器还可以提供一个SDK接口，以便用户设备可以从该实时检测服务器直接获取到密集度分类结果，例如，通过SDK接收密集度分类结果，公园出入口或者园内某游戏项目的通道闸口可以根据该密集度分类结果进行游人进入控制，当密集度分类结果指示园内或园内某游戏项目场内游人密集度较高或高时，关闭通道闸。
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。
一个实施例中，如图4-b所示，上述分类模型离线训练模块410可包括：
第一分块单元4110，用于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；
第一颜色特征提取单元4120，用于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；
第一灰度图转换单元4130，用于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；
第一HOG特征提取单元4140，用于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；
第一矩特征提取单元4150，用于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；
第一归一化单元4160，用于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；
第一训练单元4170，用于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。
在本发明实施例中，第一分块单元4110将导入的视频样本图像分成至少两块样本图像块；第一颜色特征提取单元4120将该样本图像块转换成HSV颜色空间后，提取颜色特征；第一灰度图转换单元4130将样本图像块转换成样本灰度图后，对样本灰度图进行高斯滤波和直方图均衡化处理后，由第一HOG特征提取单元4140提取HOG特征；第一矩特征提取单元4150获得前景图，然后从前景图里提取前景矩特征；第一归一化单元4160将上述获得的特征归一化合并，由第一训练单元4170进行训练得到密集度分类模型，在分类模型离线训练中可以得到每种密集度分类的模型，为实时检测提供分析依据。
一个实施例中，第一灰度图转换单元4130具体用于将样本图像块转换成样本灰度图后，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，第一矩特征提取单元4150具体用于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，如图4-c所示，上述实时检测模块420包括：
第二分块单元4210，用于在实时检测中导入检测区域的实时视频，将所述实时视频中每一帧图像分成至少两块实时图像块；
第二颜色特征提取单元4220，用于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；
第二灰度图转换单元4230，用于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；
第二HOG特征提取单元4240，用于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；
第二矩特征提取单元4250，用于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；
第二归一化单元4260，用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；
第二训练单元4270，用于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，对在所述实时检测中进行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训练得到所述检测区域的密集度分类。
在本发明实施例中，第二分块单元4210将导入的检测区域的视频实时图像分成至少两块实时图像块；第二颜色特征提取单元4220将该实时图像块转换成HSV颜色空间后，提取颜色特征；第二灰度图转换单元4230将实时图像块转换成实时灰度图后，对实时灰度图进行高斯滤波和直方图均衡化处理后，由第一HOG特征提取单元4240提取HOG特征；第二矩特征提取单元4250提取前景图，然后从前景图里提取前景矩特征；第二归一化单元4260将上述获得的特征归一化合并，由第二训练单元4270结合在分类模型离线训练中得到的密集度分类模型，进行分类得到检测区域的密集度分类，直接分析出检测区域的密集度，效率高。
一个实施例中，第二灰度图转换单元4230具体用于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，第二矩特征提取单元4250具体用于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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上对本发明所提供的一种基于支持向量机的人群密集度检测方法及系统进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
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。
5.根据权利要求4所述的方法，其特征在于，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；
根据所述平滑实时灰度图获得实时灰度直方图，重新分配像素值。
6.根据权利要求4所述的方法，其特征在于，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。
7.一种基于支持向量机的人群密集度检测系统，其特征在于，包括：
分类模型离线训练模块，用于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、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；
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；
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310464576.9A CN103489012B (zh) | 2013-09-30 | 2013-09-30 | 一种基于支持向量机的人群密集度检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310464576.9A CN103489012B (zh) | 2013-09-30 | 2013-09-30 | 一种基于支持向量机的人群密集度检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103489012A CN103489012A (zh) | 2014-01-01 |
| CN103489012B true CN103489012B (zh) | 2017-05-24 |
Family
ID=49829218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310464576.9A Active CN103489012B (zh) | 2013-09-30 | 2013-09-30 | 一种基于支持向量机的人群密集度检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103489012B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105096406A (zh) * | 2014-04-30 | 2015-11-25 | 开利公司 | 用于建筑能耗设备的视频分析系统和智能楼宇管理系统 |
| CN104318266B (zh) * | 2014-10-19 | 2017-06-13 | 温州大学 | 一种图像智能分析处理预警方法 |
| CN105809092A (zh) * | 2014-12-30 | 2016-07-27 | 深圳中兴力维技术有限公司 | 人群目标检测方法及其装置 |
| CN104463232A (zh) * | 2014-12-30 | 2015-03-25 | 中山大学 | 一种基于hog特征和颜色直方图特征的密度人群计数的方法 |
| CN105809183A (zh) * | 2014-12-31 | 2016-07-27 | 深圳中兴力维技术有限公司 | 基于视频的人头跟踪方法及其装置 |
| CN105118229B (zh) * | 2015-07-18 | 2017-06-13 | 东北师范大学 | 一种人群密度等级估测及报警方法 |
| CN107092915B (zh) * | 2016-02-18 | 2021-03-02 | 中国移动通信集团浙江有限公司 | 一种检测人群密度的方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101431664A (zh) * | 2007-11-06 | 2009-05-13 | 同济大学 | 基于视频图像的密集客流密度自动检测方法及系统 |
| CN102289805A (zh) * | 2011-06-10 | 2011-12-21 | 北京云加速信息技术有限公司 | 一种基于视频的地铁人群密度检测方法 |
| CN103093203A (zh) * | 2013-01-21 | 2013-05-08 | 信帧电子技术（北京）有限公司 | 一种人体再识别方法以及人体再识别系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4318465B2 (ja) * | 2002-11-08 | 2009-08-26 | コニカミノルタホールディングス株式会社 | 人物検出装置および人物検出方法 |
| CN102044073B (zh) * | 2009-10-09 | 2013-05-29 | 汉王科技股份有限公司 | 判断图像中人群密度的方法及系统 |
-
2013
- 2013-09-30 CN CN201310464576.9A patent/CN103489012B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101431664A (zh) * | 2007-11-06 | 2009-05-13 | 同济大学 | 基于视频图像的密集客流密度自动检测方法及系统 |
| CN102289805A (zh) * | 2011-06-10 | 2011-12-21 | 北京云加速信息技术有限公司 | 一种基于视频的地铁人群密度检测方法 |
| CN103093203A (zh) * | 2013-01-21 | 2013-05-08 | 信帧电子技术（北京）有限公司 | 一种人体再识别方法以及人体再识别系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103489012A (zh) | 2014-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103489012B (zh) | 一种基于支持向量机的人群密集度检测方法及系统 | |
| US20230289979A1 (en) | A method for video moving object detection based on relative statistical characteristics of image pixels | |
| Huang et al. | An advanced single-image visibility restoration algorithm for real-world hazy scenes | |
| CN105426820B (zh) | 基于安防监控视频数据的多人异常行为检测方法 | |
| CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
| CN105160297B (zh) | 基于肤色特征的蒙面人事件自动检测方法 | |
| CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
| CN105184812B (zh) | 一种基于目标跟踪的行人徘徊检测方法 | |
| CN107659754B (zh) | 一种树叶扰动情况下监控视频的有效浓缩方法 | |
| CN105069816B (zh) | 一种进出口人流量统计的方法及系统 | |
| Karpagavalli et al. | Estimating the density of the people and counting the number of people in a crowd environment for human safety | |
| CN103605983A (zh) | 一种遗留物检测和跟踪方法 | |
| Malhi et al. | Vision based intelligent traffic management system | |
| CN108898098A (zh) | 基于监控平台的早期视频烟雾检测方法 | |
| Choeychuen | Available car parking space detection from webcam by using adaptive mixing features | |
| CN104899559B (zh) | 一种基于视频监控的快速行人检测方法 | |
| CN103065126A (zh) | 不同场景对人体图像再识别的方法 | |
| Prakoso et al. | Vehicle detection using background subtraction and clustering algorithms | |
| Yao et al. | An improved mixture‐of‐Gaussians background model with frame difference and blob tracking in video stream | |
| CN108345835A (zh) | 一种基于仿复眼感知的目标识别方法 | |
| CN103065123A (zh) | 基于图像预处理和背景差分的人头跟踪及计数方法 | |
| CN103425958A (zh) | 一种视频中不动物检测的方法 | |
| CN108009480A (zh) | 一种基于特征识别的图像人体行为检测方法 | |
| CN112258552A (zh) | 一种社区监控场景下行人多目标跟踪方法 | |
| CN103578121A (zh) | 干扰运动环境下基于共享高斯模型的运动检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |