CN103577875A - 一种基于fast的计算机辅助cad人数统计方法 - Google Patents

Abstract

一种基于FAST的人数统计方法，属于计算机视觉人数统计需求领域，其特征在于，在对人群监控视频图像进行滤波预处理后，利用角点检测算法得到当前图像的角点特征向量FAST,再按照当前人群图像特征点与像素点总数之比分为低、高密度的人群图像，提取出两者的前景图像后，对于低密度人群前景图像把腐蚀算法得到的连通域面积T作为FAST特征点，对于高密度人群的前景图像，利用OPTiCS算法为各像素点中的核心点建立邻居域，再以每个邻居域核心点到各个像素点的最小可达距离作为每个邻居域内的最小可达距离并以此构建高密度人群的FAST特征点向量X，再以T、X和摄像机离人群距离D构筑人群评估模型，再以设定的训练样本作测试向量进行SVM支持向量机训练，提高了统计速度和准确率。

Description

一种基于FAST的计算机辅助CAD人数统计方法

技术领域

本发明涉及计算机视觉领域的人数统计。

背景技术

当前人数计数方法可以划分为三大类：

第1类方法采用一种统计的方法来估计某个区域的人数。该类方法通常是将运动区域的像素或者其他特征和该区域具体人数关联起来，然后训练一个函数来估计运动区域的人数。如Kim等人和Lee等人利用底层特征——前景像素累计和与运动向量来进行人数统计，像素累计和与人数关联，运动向量用于区分两个方向，使用了较简单的特征来统计得到核函数。而Chan等人则进一步使用多种特征来训练回归函数。使用的特征可以分为两大类：区域相关特征和区域内部边缘相关特征。区域相关特征，如区域面积、周长、区域外沿方向直方图、周长面积比等。区域内部边缘相关特征，包括区域内部边沿像素和值，内部边缘直方图和纹理信息等，得到了较满意的计数效果。但是核函数的方法和具体场景关联性太大。

第2类方法采用检测加跟踪相结合的方法。该类方法通常都有一个预处理过程，在预处理过程中，提取出运动区域，然后在运动区域上检测行人。常用的检测方法有基于投影直方图的分割方法。基于模板匹配的方法和基于统计分类(训练一个分类器)的方法。基于投影直方图的方法，如Zhang等人首先采用高斯背景建模提取出前景区域，进一步阈值化得到前景二值图像，然后对此图像进行竖直方向投影，得到一个关于图像宽度和像素累积值的直方图，然后根据直方图的极值点来分割行人。Ma等人进一步地对图像在两个方向上均进行投影，解决同一竖直方向多人重合的情况。这种分割方法的优点是简单快速，但缺点也很明显，在人群较为密集的情况下，得到的结果可信度不高；基于模板匹配的方法，如由Gavrila等人基于轮廓的分层匹配算法，为了解决行人姿态问题，构造了接近2500个轮廓模板对行人进行匹配，采用由粗到细的匹配策略来提高速度；基于统计分类的方法通过对训练数据的学习，得到一个分类器，检测就转化为一个分类问题。当前的行人检测热门方法几乎都属于此类。

第3类方法采用特征点跟踪，得到点的路径信息，然后对特征点路径信息进行聚类分析实现人数计数，这种处理方法是针对密集人群下的实时计数需求提出的。Vincent等人采用KLT(Kanade-Lucas-Tomasi)跟踪器获取特征点的轨迹信息。然后对这些轨迹信息使用一些基本规则，如轨迹之间运动相似度，轨迹之间距离等，将点归属于不同的目标，后采用RANSAC算法合并得到最终目标数目。Sugimura在使用特征点聚类的基础之上，增加了单个个体的步态信息和局部时域一致性特征来更好地将不同的行人之间的特征点划分开。这类方法是当前一种较为新颖的方法，其优点是能够在人群拥挤的情况下实现计数。

发明内容

本发明的目的在于提供一种在统计速度和准确率上均提高于现有技术的基于FAST的CAD人数统计方法。

本发明的特点在于，是在计算机中依次按以下步骤实现的：

步骤（1），把输入的监控视频图像数据转制为图片数据，得到离散的数字图像序列，用{Z}表示；

步骤（2），对步骤（1）得到的数字图像序列{Z}按以下步骤进行图像增强预处理：

步骤（2.1），对每帧数字图像z,z＝1,2,…z,…Z,按下式计算灰度为i的像素的出现概率P_x(i);

P_x(i)＝n_i/N,0≤i≤1,是灰度值为i的直方图，横轴是像素值i，纵轴是出现概率，其中，

n_i是灰度值为i的像素点数，

N为该帧图像的像素点总数，

步骤（2.2），按下述拉普拉斯高斯函数滤波，使所述直方图P_x(i)均衡化，保证每个灰度级的概率密度相等：

$\begin{array}{c}{L}_{0}G\stackrel{\mathrm{\Δ}}{=}\mathrm{\Δ}{G}_0(x,y)=\frac{{\∂}^2}{\∂x^2}{G}_0(x,y)+\frac{{\∂}^2}{\∂y^2}{G}_0(x,y)\\ =\frac{x^2+y^2-2{\mathrm{\σ}}^2}{{\mathrm{\σ}}^2}{e}^{-(x^2+y^2)/2{\mathrm{\σ}}^2}\end{array},$ 其中，

x,y为每帧图像的点坐标值，

σ²为均方差，

步骤（3），按以下步骤用角点检测算法进行角点检测，角点检测的英文名为Features from Accelerated Segment Test,简称FAST;

步骤（3.1），在所述每帧数字图像z上选取任何一个像素点，灰度值为i₀，以此像素点为中心，做一个半径等于三个所述像素点i的直径的离散化的Bresenham圆，

步骤（3.2），在所述的Bresenham圆周上，任选一点作为起始点，按顺时针顺序对圆周上的各像素点按1～16的次序编号，再取编号为1，5，9，13的4个像素点进行角点检测，

步骤（3.3），若步骤（3.2）中所述4个像素点中有三个满足下式，则步骤（3.1）中所任选的一个像素点i为角点：|i_x-i_o|＜t，其中：

x的取值方法为：{1，5，9，13}中的任一个，其灰度值为i_x，

t为设定的灰度阈值，t=9，

步骤（3.4），用步骤（3.1）～步骤（3.3）所述的方法对所述每帧数字图像z中的各像素点i逐一进行处理，得到全部角点n_FAST,

步骤（4），按下式把当前人群划分为低密度人群和高密度人群：

若：n_FAST/N≤2/3，为低密度人群，

若：n_FAST/N＞2/3，为高密度人群；

步骤（5），若为低密度人群，则按以下步骤计算低密度人群的特征向量R,

步骤（5.1），按下式对所述每帧数字图像去背景，得到当前人群图像的背景图像；

n₃＝|n₁-n₂|，其中：

n₁，为用像素点数表示的当前人群图像，

n₂，为用像素点数表示的当前人群背景图像，

n₃，为用像素点数表示的当前人群前景图像，

步骤（5.2），用Canny边缘检测算法对步骤（5.1）得到的所述当前人群前景图像n₃进行轮廓提取，得到人群轮廓目标，

步骤（5.3），按以下步骤对步骤（5.2）得到的所述低密度人群目标进行形态学处理：

步骤（5.3.1），在所述的低密度人群轮廓目标上，去除面积小于7个像素点的子区域，

步骤（5.3.2），利用结构元素 $\left|\begin{array}{c}010\\ 111\\ 010\end{array}\right|$ 作腐蚀算子按照逐行逐点处理的步骤对步骤（5.3.2）得到的所述人群轮廓目标的图像进行腐蚀运算，得到腐蚀的结果，构成一个目标连通域，

步骤（5.3.3），计算目标连通域的面积T，把其中所有的低密度人群前景图像的FAST特征点存入特征向量序列R中，以所述面积T表示；

步骤（6），若为高密度人群，则执行如下步骤：

步骤（6.1)，按步骤（5.1）所述方法得到当前高密度人群图像的前景图像，

步骤（6.2），采用Optics密度聚类算法对步骤（6.1）中得到的当前高密度人群的前景图像进行基于密度的聚类分析，步骤如下：

步骤（6.2.1），建立一个所述当前高密度人群的前景图像的像素点矩阵，

把其中相邻两个像素点在水平方向的最小间距作为列与列之间的单元列距，

把其中相邻两个像素点在垂直方向的最小间距作为行与行之间的单元行距，

把水平方向的最大的像素点个数作为列数，

把垂直方向的最大的像素点个数作为行数，

把行与列交点上的有像素点时标记为1，否则为0，

把左下角作为计算像素点位置的原点，

步骤（6.2.2），定义以下Optics算法的参数：

核心点，当一个像素点的以ε为半径的邻居域内的邻居像素点数开始超过输入的估计阈值MinPts时，则称该所述的一个像素点为处于某一个簇内的核心点，所述邻居域内所包含的所述核心点的邻居点数等于MinPts值时，则此时邻居域的半径ε称为所述核心点的最小半径，ε_min也简称为该核心点的核心距离，用MinPts-distance(O),O表示核心点，MinPts在3-20之间取值，MinPts-distance(O)，在10-20之间取值，

步骤（6.2.3），根据所述的MinPts值从步骤（6.2.1）的像素点矩阵中找出核心点O，再以所述核心点O为圆心，用任意一个半径作邻居域，判断：

所述邻居域内的邻居点数若：

小于初始估计的MinPts值，则沿该核心点的半径方向，以设定的单位步长向外扩展一个距离，再以该核心点为圆心作一个邻居域，判断该邻居内的邻居点数，一直到开始等于或大于设置的MinPts值为止，得到接近或等于该核心点的核心距离的一个距离值，

大于初始估计的MinPts值，则沿该核心点半径的反方向减少一个单位步长一直到开始等于或小于设定的MinPts值为止，得到接近或等于核心距离的一个距离值，

若改变半径值还不能满足要求，则再任意找一个像素点作为核心点O，直到满足要求为止，

步骤（6.2.4），以步骤（6.2.3）得到的距离值为半径，作一个邻居域，求出从该核心点到域内各邻居点的可达距离，再按升序排列，得到了所述高密度当前前景图像的FAST特征点向量，

步骤（7），依次按以下步骤进行人数统计预测：

步骤（7.1），支持向量机SVM初始化：

设置：版本为LIB-SVM3.1的SVM软件包，

SVM的惩罚因子C=10，

在摄像机与人群的距离为10米条件下：

采用1～10个人样本，10～20个人样本，20～30个人样本，30～40个人样本，40～50个人样本，50～60个人样本，60～70个人样本，70～80个人样本，80～90个人样本和90～100个人样本，共计十类人群的训练样本，每类200张训练样本，共计2000张训练样本，分别标记LABEL为1～10类，作为SVM的测试标记，也称测试向量，

步骤（7.2），向所述支持向量机SVM输入人数评估模型，S=(X,T,D)，其中：

X为所述高密度人群FAST的特征点数，

T表示低密度人群所占的对应的图像面积序列，在0～120范围内取值，

D为摄像机与人群的距离，在5～30m内取值，取D=10米，

S为人数估计值，在0～500人内取值，

步骤（7.3），根据步骤（7.2）的训练样本来标定所述人数估计模型S=(X,T,D)，

步骤（7.4），运行步骤（7.1）中所述SVM软件包，输出对应测试标记LABEL下各点人群样本的预测准确率及其对应的人数评估值，准确率在50%～100%之间，

步骤（7.5），程序运行结束。

本发明的优点在于：根据人数统计的实时性和不同密度的准确性，利用角点特征先快速区分高密度和低密度人群，再进行人数统计，有效解决现有方法的速度和准确率。

附图说明

图1、本发明的程序流程框图；

图2、本发明程序结构的层次图；

图3、本发明的应用场景实例；

图4a、当前人群图像；图4b、4a的FAST特征点；图4c、各像素出现概率的直方图；

图5、本发明程序流程框图。

具体实施方式：

本发明依次按以下步骤实现：

（1）将监控的视频流图像数据转制为图片数据

（2）对图像进行图像增强预处理：预处理是直方图均衡化，借助直方图变换实现灰度映射从而达到图像增强的目的，在角点检测中，进行直方图均衡化的目的是保证每个灰度级的概率密度相等。对那些对比度比较大的图像，先对其进行直方图均衡化，再进行特征点检测，使得特征点分布的更加均匀。对离散数字图像{z}，灰度为i的像素的出现概率为：

$p_x\left(i\right)=\frac{n_i}{n},0\≤i\≤1$

式中，n_i表示灰度i出现的次数，L是图像中所有的灰度数，n是图像中所有的像素数，p_x(i)实际上是像素为i的图像直方图，归一化到0～1。

（3）FAST角点检测：首先选择图像中任意一个像素点和以它为中心的一个区域，通常选择圆形区域，该圆形区域为一个半径等于3的离散化的Bresenham圆，最外围的像素点按顺时针顺序依次编号为1-16。中心点P是否为角点取决于其周围编号为1-16的像索值。假设16个像索值中有连续的n个像素值满足式(1)，则P点被认为是角点。其中L表示连续的n个像素点的灰度值。b表示P点的灰度值。t为一个设定的阈值常数。为实现快速计算，一般选择n=12。角点检测可简化为检测像索编号为1，9，5，13的4个像素点，因为在该4个像素点中。有3个均满足式(1)，才可能被确认为角点。如此就可以快速排除整幅图像中的很多像素点，提高角点检测的时间效率。

|I_x-I_p|＞t   （1）

（4）根据第三步的结果判断当前是低密度还是高密度人群。对于低密度的判定标准：当人群所占图像比例没有超过图像的三分之二。对于高密度的判断标准：当人群所占图像比例超过图像的三分之二。

（5）如果第四步是低密度人群，为了获取人群前景图像，对图像进行背景去除的操作。

当前人群图像p1，当前背景图像p2，当前人群前景图像如式（2）

p3=|p1-p2|   （2）

（6）将第五步的图像p3进行操作：1、Canny边缘检测处理，获取人群轮廓目标；2、对目标进行形态学处理，将面积小于7个像素的轮廓目标删除；3、计算每个目标连通域的面积，存入特征向量X中。

（7）将第六步中的特征向量X输入支持向量机的中，进行第十一步中人数评估训练。

（8）如果第四步是高密度人群，则计算人群前景图像的FAST特征点：当前人群图像FAST特征点q1，当前背景图像FAST特征点q2，当前人群前景图像FAST特征点如式（3）

q3=|q1-q2|   （3）

（9）对第八步人群前景图像FAST特征点进行密度聚类分析，采用基于改进的Optics密度聚类算法。改进的Optics算法在对特征点在组织策略在处理稀疏点时的局限性做了改进，其中，MinPts在3～20范围，取MinPts=5，最小邻域半径在20～10范围，取值为3，核心点的邻居域取在3～10范围，取半径ε=7，

Optics（data，MinPts，ε），其中，ε为给定半径，MinPts是每个聚类中的对象p的邻域中至少包含MinPts个对象。，假定点p包含MinPts个邻居的最小半径为MinPts-distance(p),那么p的核心距离定义为式（4）

$\mathrm{core}\_\mathrm{dis}\tan {\mathrm{ce}}_{\mathrm{\&epsiv;},\mathrm{MinPts}}\left(p\right)=\left\{\begin{array}{cc}\mathrm{undefined},& \mathrm{if}\left|N_{\mathrm{\&epsiv;}}\left(p\right)\right|<\mathrm{MinPts}\\ \mathrm{MinPts}-\mathrm{dis}\tan \mathrm{ce}\left(p\right),& \mathrm{otherwise}\end{array}\right.---\left(4\right)$

假定p是某点o的E邻域中的点，那么p与o相关的可达距离定义为式（5）。可见，p与o相关的可达距离即是从o直接密度可达p的最小距离。该距离与空间密度直接相关，如果该点的所在空间密度大，它从相邻点直接密度可达的距离就小，反之亦然。

$\mathrm{reachabili\; ty}\_\mathrm{dis}\tan {\mathrm{ce}}_{\mathrm{\&epsiv;},\mathrm{MinPts}}(p,o)=\left\{\begin{array}{cc}\mathrm{undefined},& \mathrm{if}\left|N_{\mathrm{\&epsiv;}}\left(o\right)\right|<\mathrm{MinPts}\\ \max (\mathrm{core}\_\mathrm{dis}\tan {\mathrm{ce}}_{\mathrm{\&epsiv;},\mathrm{MinPts}}\left(o\right),\mathrm{dis}\tan {\mathrm{ce}}_{\mathrm{\&epsiv;},\mathrm{MinPts}}(p,o)),& \mathrm{otherwise}\end{array}\right.---\left(5\right)$

（10）根据第九步的人群密度聚类特征构造向量X输入输入支持向量机的中，进行第十一步中人数评估训练，X的范围为200～2000。

（11）人数评估模型：采用支持向量机得到人数评估模型（6）

P=（X，T，D）   （6）

其中，X表示高密度人群FAST特征点数量，T表示低密度人群所占图像面积，D表示摄像机与人群的距离。

（12）根据第十一步的模型SVM训练，最终进行人数统计预测。

P_people=F（P）

结合附图对本发明进步描述。

参照图1-图3，首先对图像数据预处理，对人群使用FAST算法进行角点特征检测，形成可分析的密度点数据；然后基于特征点的分布使用改进Optics密度聚类等思想分析人群特征，再通过机器学习评估当前人群数量。

本发明涉及的相关算法如图2所示，主要有数据预处理层、核心算法层、交互层。其中预处理是将监控的视频流图像数据转制为图片数据，对图像进行图像增强，借助直方图变换实现灰度映射从而达到图像增强的目的，也为核心算法层提供高质量的图像；核心算法层首先是FAST角点检测，为实现人群运动分割，特征提取等提供准备，同时，当人群所占图像比例没有超过图像的三分之二，判断为低密度人群，当人群所占图像比例超过图像的三分之二，判断为高密度人群，并与交互层进行信息传输展示。

本发明的核心算法流程中与实际环境中相关计算相结合，如图3所示，在初级处理中判定出高低不同人群的密度状态。再次基础上进行中级处理，构建人群的特征向量，之后在高级处理中，结合实际环境的必要参数即摄像机和人群的距离，通过支持向量机的训练人数评估模型，最后是实际人数评估，将人数评估模型和实际人数拟合，得到实时的人群时间状态并反馈给交互展示层。

经过处级处理后，对于低密度人群，对图像进行背景去除的操作，获取人群前景图像。当前人群图像p1，当前背景图像p2，当前人群前景图像p3=|p1-p2|。接着对p3进行操作：1、Canny边缘检测处理，获取人群轮廓目标；2、对目标进行形态学处理，将面积小于7个像素的轮廓目标删除；3、计算每个目标连通域的面积，存入特征向量X中。

经过处级处理后，对于是高密度人群，则计算人群前景图像的FAST特征点，当前人群图像FAST特征点q1，当前背景图像FAST特征点q2，当前人群前景图像FAST特征点q3=|q1-q2|，对q3进行密度聚类分析，采用基于改进的Optics密度聚类算法。改进的Optics算法在对特征点在组织策略在处理稀疏点时的局限性做了改进。

Optics（data，MinPts，ε），其中，ε为给定半径，MinPts是每个聚类中的对象p的邻域中至少包含MinPts个对象。将人群密度聚类特征构造向量T。

本发明核心算法中的高级算法即建立人数评估模型：依据特征向量X和特征向量T，采用支持向量机得到人数评估模型P=（X，T，D）。其中，X表示高密度人群FAST特征点数量，T表示低密度人群所占图像面积，D表示摄像机与人群的距离。根据人数模型训练，最终进行人数统计预测。Ppeople=F（P）

为了验证本发明提出的方法对实际环境下的人群计数的准确性，采用PETS2009的专业人群数据集进行实验分析。PETS2009数据集，数据集为单一相机、固定斜向下拍摄的视频，而且PETS会议主题即为针对人群的密度与数量估计、人群中的目标跟踪、人群行为分析等具体内容，说明数据的权威性。

其中，P表示训练得到的人数，X表示高密度人群FAST特征点数量，T表示低密度人群所占图像面积，D表示摄像机与人群的距离。

根据SVM训练标定人数估计模型，根据XTD不同的数值情况，训练P的人数估计值，P的范围是0～500

D的范围是5～30m，实施是10米

T的范围是0～120

其中，SVM训练的步骤为：

1、样本选择：摄像机与人群的距离为10米时，训练样本采用2000张样本，其中每200张为1～10个人样本，10～20个人样本，20～30个人样本，30～40个人样本，40～50个人样本，50～60个人样本，60～70个人样本，70～80个人样本，80～90个人样本，90～100个人样本，分别标记标签LABEL为1～10，作为SVM的测试标签。

2、读取训练样本，提取样本的FAST特征，作为SVM的测试向量Vector；

3、线性SVM参数设置：SVM软件包的版本为LIB-SVM3.1，采用十折交叉验证的方法，确定SVM的惩罚因子c，本实施例中c=10。

4、SVM输出结果：输出参数为：预测准确Accuracy，预测标签predilect，其中Accuracy的范围为50%～100%之间，预测标签范围1～10。

人数范围

标签LABEL

0～10	1
		11～20	2
21～30	3
		31～40	4
41～50	5
		51～60	6
61～70	7
		71～80	8
81～90	9
		91～100	10

对于人群计数方法的优劣主要通过实验视频序列的预测人数和实际人数对比来做判断。误差分析主要考察指标采用平均绝对误差(meanabsoluteerror，MAE)、平均相对误差(meanrelativeerror，MRE)：

$\mathrm{MAE}=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}|P\left(i\right)-G\left(i\right)|$

$\mathrm{MRE}=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\frac{|P\left(i\right)-G\left(i\right)|}{G\left(i\right)}$

其中，M为使用视频帧数，P（i）为预测人数，G（i）为实际人数。

在实验过程中，训练样本占总视频序列20%左右。通过对样本训练，得到人数评估模型F（P），用实验视频预测：

视频样本	MAE	MRE
			自行拍摄数据集1	1.06	8.51%
自行拍摄数据集2	2.95	14.22%
			自行拍摄数据集3	1.12	7.21%
自行拍摄数据集4	2.27	12.63%

通过实验数据集实验分析显示，本发明的方法对不用密度场景下人数评估具有很好的准确性和鲁棒性。

对比：本发明针对传统方法的不足，将人群作为一个整体的特征进行分析来研究不同人群密度情况，通知角点特征的分析，建立人数评估模型，再根据划分的不同高低密度进行参数自动寻优评估，最终不仅可以统计整体的人群流量情况，还可以获得局部大密度突发聚集等情况，对于安防监控、资源管理等都有重要的应用意义，与传统的方法相比有很大的创新。

人数统计有重要的社会意义和市场应用前景。利用感兴趣区域的人数统计信息，管理人员可以合理地调度人力和物力，优化资源的配置；对于一些广场、通道等公共场合，人数统计的结果对一系列社会治安问题能起到很好的预警作用。

Claims (1)

1.一种基于FAST的计算机辅助CAD人数统计方法，其特征在于，是在计算机中依次按以下步骤实现的：

步骤（1），把输入的监控视频图像数据转制为图片数据，得到离散的数字图像序列，用{Z}表示；

步骤（2），对步骤（1）得到的数字图像序列{Z}按以下步骤进行图像增强预处理：

步骤（2.1），对每帧数字图像z,z=1,2,…z,…Z,按下式计算灰度为i的像素的出现概率P_x(i);

P_x(i)=n_i/N,0≤i≤1,是灰度值为i的直方图，横轴是像素值i，纵轴是出现概率，其中，

n_i是灰度值为i的像素点数，

N为该帧图像的像素点总数，

步骤（2.2），按下述拉普拉斯高斯函数滤波，使所述直方图P_x(i)均衡化，保证每个灰度级的概率密度相等：

$\begin{array}{c}{L}_{0}G\stackrel{\mathrm{\&Delta;}}{=}\mathrm{\&Delta;}{G}_0(x,y)=\frac{{\&PartialD;}^2}{\&PartialD;x^2}{G}_0(x,y)+\frac{{\&PartialD;}^2}{\&PartialD;y^2}{G}_0(x,y)\\ =\frac{x^2+y^2-2{\mathrm{\&sigma;}}^2}{{\mathrm{\&sigma;}}^2}{e}^{-(x^2+y^2)/2{\mathrm{\&sigma;}}^2}\end{array},$ 其中，

x,y为每帧图像的点坐标值，

σ²为均方差，

步骤（3），按以下步骤用角点检测算法进行角点检测，角点检测的英文名为Features from Accelerated Segment Test,简称FAST;

步骤（3.1），在所述每帧数字图像z上选取任何一个像素点，灰度值为i₀，以此像素点为中心，做一个半径等于三个所述像素点i的直径的离散化的Bresenham圆，

步骤（3.2），在所述的Bresenham圆周上，任选一点作为起始点，按顺时针顺序对圆周上的各像素点按1～16的次序编号，再取编号为1，5，9，13的4个像素点进行角点检测，

步骤（3.3），若步骤（3.2）中所述4个像素点中有三个满足下式，则步骤（3.1）中所任选的一个像素点i为角点：|i_x-i_o|<t，其中：

x的取值方法为：{1，5，9，13}中的任一个，其灰度值为i_x，

t为设定的灰度阈值，t=9，

步骤（3.4），用步骤（3.1）～步骤（3.3）所述的方法对所述每帧数字图像z中的各像素点i逐一进行处理，得到全部角点n_FAST,

步骤（4），按下式把当前人群划分为低密度人群和高密度人群：

若：n_FAST/N≤2/3，为低密度人群，

若：n_FAST/N>2/3，为高密度人群；

步骤（5），若为低密度人群，则按以下步骤计算低密度人群的特征向量R,

步骤（5.1），按下式对所述每帧数字图像去背景，得到当前人群图像的背景图像；

n₃=|n₁-n₂|，其中：

n₁，为用像素点数表示的当前人群图像，

n₂，为用像素点数表示的当前人群背景图像，

n₃，为用像素点数表示的当前人群前景图像，

步骤（5.2），用Canny边缘检测算法对步骤（5.1）得到的所述当前人群前景图像n₃进行轮廓提取，得到人群轮廓目标，

步骤（5.3），按以下步骤对步骤（5.2）得到的所述低密度人群目标进行形态学处理：

步骤（5.3.1），在所述的低密度人群轮廓目标上，去除面积小于7个像素点的子区域，

步骤（5.3.2），利用结构元素 $\left|\begin{array}{c}010\\ 111\\ 010\end{array}\right|$ 作腐蚀算子按照逐行逐点处理的步骤对步骤（5.3.2）得到的所述人群轮廓目标的图像进行腐蚀运算，得到腐蚀的结果，构成一个目标连通域，

步骤（5.3.3），计算目标连通域的面积T，把其中所有的低密度人群前景图像的FAST特征点存入特征向量序列R中，以所述面积T表示；

步骤（6），若为高密度人群，则执行如下步骤：

步骤（6.1)，按步骤（5.1）所述方法得到当前高密度人群图像的前景图像，

步骤（6.2），采用Optics密度聚类算法对步骤（6.1）中得到的当前高密度人群的前景图像进行基于密度的聚类分析，步骤如下：

步骤（6.2.1），建立一个所述当前高密度人群的前景图像的像素点矩阵，

把其中相邻两个像素点在水平方向的最小间距作为列与列之间的单元列距，

把其中相邻两个像素点在垂直方向的最小间距作为行与行之间的单元行距，

把水平方向的最大的像素点个数作为列数，

把垂直方向的最大的像素点个数作为行数，

把行与列交点上的有像素点时标记为1，否则为0，

把左下角作为计算像素点位置的原点，

步骤（6.2.2），定义以下OPTiCS算法的参数：

核心点，当一个像素点的以ε为半径的邻居域内的邻居像素点数开始超过输入的估计阈值MinPts时，则称该所述的一个像素点为处于某一个簇内的核心点，所述邻居域内所包含的所述核心点的邻居点数等于MinPts值时，则此时邻居域的半径ε称为所述核心点的最小半径，ε_min也简称为该核心点的核心距离，用MinPts-distance(O)，O表示核心点，MinPts在3-20之间取值，MinPts-distance(O)在10-20之间取值，

步骤（6.2.3），在步骤（6.2.1）的像素点矩阵中任意找一个像素点作为核心点O，再以所述核心点O为圆心，用任意一个半径作邻居域，判断：

所述邻居域内的邻居点数若：

小于初始估计的MinPts值，则沿该核心点的半径方向，以设定的单位步长向外扩展一个距离，再以该核心点为圆心作一个邻居域，判断该邻居内的邻居点数，一直到开始等于或大于设置的MinPts值为止，得到接近或等于该核心点的核心距离的一个距离值，

大于初始估计的MinPts值，则沿该核心点半径的反方向减少一个单位步长一直到开始等于或小于设定的MinPts值为止，得到接近或等于核心距离的一个距离值，

若改变半径值还不能满足要求，则再任意找一个像素点作为核心点O，直到满足要求为止，

步骤（6.2.4），以步骤（6.2.3）得到的距离值为半径，作一个邻居域，求出从该核心点到域内各邻居点的可达距离，再按升序排列，得到了所述高密度当前前景图像的FAST特征点向量，

步骤（7），依次按以下步骤进行人数统计预测：

步骤（7.1），支持向量机SVM初始化：

设置：版本为LIB-SVM3.1的SVM软件包，

SVM的惩罚因子C=10，

在摄像机与人群的距离为10米条件下：

采用1～10个人样本，10～20个人样本，20～30个人样本，30～40个人样本，40～50个人样本，50～60个人样本，60～70个人样本，70～80个人样本，80～90个人样本和90～100个人样本，共计十类人群的训练样本，每类200张训练样本，共计2000张训练样本，分别标记LABEL为1～10类，作为SVM的测试标记，也称测试向量，

步骤（7.2），向所述支持向量机SVM输入人数评估模型，S=(X,T,D)，其中：

X为所述高密度人群FAST的特征点数，

T表示低密度人群所占的对应的图像面积序列，在0～120范围内取值，

D为摄像机与人群的距离，在5～30m内取值，取D=10米，

S为人数估计值，在0～500人内取值，

步骤（7.3），根据步骤（7.2）的训练样本来标定所述人数估计模型S=(X,T,D)，

步骤（7.4），运行步骤（7.1）中所述SVM软件包，输出对应测试标记LABEL下各点人群样本的预测准确率及其对应的人数评估值，准确率在50%～100%之间，

步骤（7.5），程序运行结束。

Images