CN109271864A - 一种基于小波变换和支持向量机的人群密度估计方法 - Google Patents

Abstract

本发明公开了一种基于小波变换和支持向量机的人群密度估计方法，包括：1)、计算得到样本视频图像中每个子区域的校正权值；2)、通过分段线性内插算法对样本视频图像进行透视校正；3)、采用小波分析法提取视频图像的纹理特征向量；4)、将纹理特征向量进行高斯归一化；5)、对纹理特征向量进行排序；6)、采用支持向量机对步骤5)得到的纹理特征向量进行分类训练，得到训练好的模型；7)、重复上述步骤1)～5)以提取待评估的目标视频图像的纹理特征向量，输入到训练好的模型中，从而输出人群密度。本发明人群密度估计方法实时性强、应用范围广、稳定可靠。

Description

一种基于小波变换和支持向量机的人群密度估计方法

技术领域

本发明涉及视频检测领域，具体为一种基于小波变换和支持向量机的人群密度估计方法。

背景技术

人群密度估计方法主要用于对车站、机场、学校及大型活动赛事场馆的人群密度分析，通过对人群稀疏程度的估计，及时发现人群活动异常，合理安排工作人员管理人群确保安全，防止踩踏拥堵事件发生，同时也能为市场调研，建筑规划等提供有效的参考依据。随着经济的发展和城镇化进程的不断推进，人群密集行为也不断增多，传统的基于人工的人群密度监控由于主观性强、精度低、工作量过大等原因已经无法满足实际需求，为此需要采用智能视频分析技术对人群进行有效的检测和管理。

目前国内外的人群密度估计方法主要有两种方式：基于像素统计的人群密度估计方法和基于纹理分析的人群密度统计方法。基于像素特征的估计方法如混合高斯模型、多元线性回归分析等，基于人群中的人数越多，人群密度就越大，行人在图像中所占的像素比例就越大这一原理实现，这一类算法在人群较为稠密，遮挡严重，场景扭曲较大时误差很大。基于纹理特征的算法如灰度共生矩阵，则往往通过对图像的内部边缘、周长外部方向、距离等大量的特征来实现对人群密度的估计，算法复杂度极高，且在低密度人群场景下的效果较差。

现有的方法普遍存在的复杂度较高，鲁棒性和应用广度不够的问题。因此，亟需一种有效的检测手段，实现基于小波变换和支持向量机的人群密度实时估计方法，杜绝因人群拥堵、踩踏等问题而产生的安全事故。

发明内容

本发明提供一种基于小波变换和支持向量机的人群密度估计方法，借鉴了传统人群密度估计算法，提出了一种新的人群密度估计模型。具有实时性强、应用范围广、鲁棒性强的特点。

为了实现以上目的，本发明提供一种基于小波变换和支持向量机的人群密度估计方法，包括：

1)、划分人群密度等级，然后将样本视频图像划分为多个子区域，计算得到样本视频图像中每个子区域的校正权值；

2)、根据步骤1)中计算的校正权值通过分段线性内插算法对样本视频图像进行透视校正，获取校正后的视频图像；

3)、采用小波分析法提取得到经过步骤2)透视校正得到的视频图像的纹理特征向量；

4)、将步骤3)得到的纹理特征向量进行高斯归一化；

5)、对步骤4)经过高斯归一化的纹理特征向量进行排序；

6)、采用支持向量机对步骤5)得到的纹理特征向量进行分类训练，得到训练好的模型；

7)、重复上述步骤1)～5)以提取待评估的目标视频图像的纹理特征向量，输入到训练好的模型中，从而输出人群密度。

优选的是，所述的基于小波变换和支持向量机的人群密度估计方法，上述步骤1)具体为：

1A)获取视频监控帧，假定实际场景和相应的样本视频图像为方形结构；

1B)将实际场景划分为m×n个等面积的子区域，并在实际场景中选取一参考人，其中，S₀为实际场景中每个子区域的面积，h₀为实际场景中参考人的高度；

1C)根据实际场景划分情况对应的将样本视频图像划分为m×n个子区域，对于其中的i行j列的子区域而言，S_ij为该子区域的面积，h_ij为此区域上的参考人的高度，该子区域的参数为(S_ij,h_ij),i＝1,2,...,m-1,j＝1,2,...,n-1；进而得到该子区域的校正权值为：

并且，同理可得其他m×n-1个子区域的参数。

优选的是，所述的基于小波变换和支持向量机的人群密度估计方法，所述步骤2)具体为：

将视频监控图像分成16*16的小块，根据步骤1)中计算的校正权值对视频监控图像进行分段线性内插校正。

优选的是，所述的基于小波变换和支持向量机的人群密度估计方法，上述步骤3)具体为：

3A)、选取Gabor函数：

作为小波函数，其中，小波变换的频移范围U_l＝0.02，U_h＝0.5，取尺度变换的数目i＝0,1,2...,I，方向值j＝0,1,2,...,J；

3B)、将上述小波函数变换得到一组自相似的滤波器：

选取多个不同尺寸、不同方向的滤波器；

3C)、将视频监控图像转换为灰度图像，并将其输入到不同尺度、不同方向的小波变换滤波器中，假定处理后的视频监控图像为P(x,y)，那么它的小波变换可定义为：

W_ij(x,y)＝∫∫P(x,y)g_ij ^*(x-x₁,y-y₁)dxdy

其中*表示共轭复数，将各个子带小波变换的均值μ_ij＝∫∫|W_ij(x,y)|dxdy和标准差作为图像纹理特征的各个分量，得到纹理特征向量序列

v＝[μ₀₀,σ₀₀,μ₀₁,…μ_I,Jσ_I,J]。

优选的是，所述的基于小波变换和支持向量机的人群密度估计方法，Gabor函数中，I＝5，J＝5；

选用视频监控图像6个尺度值和6个方向构建36个滤波器来进行小波变换。

优选的是，所述的基于小波变换和支持向量机的人群密度估计方法，上述步骤5)具体为：

定义各子带小波变换的能量函数为：

计算不同方向和尺度的小波变换的能量值，根据能量值大小将纹理特征向量重新排序，使其具有旋转不变性。

优选的是，所述的基于小波变换和支持向量机的人群密度估计方法，上述步骤1)划分人群密度等级具体为：

将人群密度划分为5个密度等级：VL、L、M、H、VH；其中，VL对应0-5人，L对应6-10人，M对应11-20人，H对应20-50人，VH对应>50人。

本发明至少包括以下有益效果：

1、实时性强

所提取的纹理特征冗余度低，分类速度快，能够对视频监控图像中的人群密度进行快速精准的密度估计；

2、应用范围广

针对不同角度、分辨率、场景下的视频图像，不需要根据实际场景对算法进行针对性调整，只需调整部分参数即可适用，能够广泛适用于不同人群密度、视频图像下的人群密度估计；

3、稳定可靠

小波变换算法以不同密度等级的人群在频域中所属频带不同为依据设计人群密度估计算法，受周围环境干扰(如光线、人群遮挡)或图像不稳定等问题的影响较小，人群密度估计结果较为准确。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

图1为本发明实施例1中实际场景的透视校正示意图；

图2为本发明实施例1中视频图像的透视校正示意图；

图3为本发明实施例1的流程示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

所述基于小波变换和支持向量机的人群密度估计方法，主要包括以下几步：

1.通过分段线性内插算法对视频监控图像进行透视校正。

2.采用小波分析法提取监控图像的纹理特征；

3.通过高斯归一化对纹理特征向量进行归一化；

4.通过各尺度和方向的能量大小对纹理特征向量重新排序；

5.划分人群密度等级，提取样本视频图像纹理特征采用支持向量机进行分类训练；

6.获取待检测视频图像纹理特征，输入到训练好的模型中，判断人群密度。

基于透视原理，距离摄像机越近的物体成像越大，越远的物体越小，从而导致特征提取不准确，采用分段线性内插的算法对视频监控图像进行透视校正，可以有效解决这一问题。通过小波分析实现对视频图像纹理特征的获取，从统计和尺度两个角度刻画不同密度等级人群的纹理特征，相较于传统的纹理特征提取算法，能够有效降低纹理特征的信息冗余度，高效提取人群密度特征。另外，通过步骤3的方法将提取的密度特征归一化，可以提高分类速度和分类准确性。步骤4的方法可以使得提取的密度特征具有旋转不变性，进而获取更好的特征效果。

实施例1

一种基于小波变换和支持向量机的人群密度估计方法，如图3所示，包括：

1)、划分人群密度等级(将人群密度划分为5个密度等级：VL(0-5人)，L(6-10人)，M(11-20人)，H(20-50人)，VH(>50人)；并对样本视频图像进行人工的密度等级标注)，将样本视频图像划分为多个子区域，计算得到样本视频图像中每个子区域的校正权值；

1A)获取视频监控帧，如图1、2所示，假定实际场景和相应的样本视频图像为方形结构；

1B)将实际场景划分为m×n个等面积的子区域，并在实际场景中选取一参考人，其中，S₀为实际场景中每个子区域的面积，h₀为实际场景中参考人的高度；

1C)根据实际场景划分情况对应的将样本视频图像划分为m×n个子区域，对于其中的i行j列的子区域而言，S_ij为该子区域的面积，h_ij为此区域上的参考人的高度，该子区域的参数为(S_ij,h_ij),i＝1,2,...,m-1,j＝1,2,...,n-1；进而得到该子区域的校正权值为：

并且，同理可得其他m×n-1个子区域的参数。

2)、根据步骤1)中计算的校正权值通过分段线性内插算法对视频监控图像进行透视校正，即将视频监控图像分成16*16的小块，根据步骤1)中计算的校正权值对视频监控图像进行分段线性内插校正，获取校正后的视频图像；

3)、采用小波分析法提取得到经过步骤2)透视校正得到的视频图像的纹理特征向量；

3A)、选取Gabor函数：

作为小波函数，其中，小波变换的频移范围U_l＝0.02，U_h＝0.5，取尺度变换的数目i＝0,1,2...,I，I＝5，方向值j＝0,1,2,...,J，J＝5；

3B)、将上述小波函数变换得到一组自相似的滤波器：

选取多个不同尺寸、不同方向的滤波器；此处选用视频监控图像6个尺度值和6个方向构建36个滤波器来进行小波变换；

3C)、将视频监控图像转换为灰度图像，并将其输入到不同尺度、不同方向的小波变换滤波器中，假定处理后的视频监控图像为P(x,y)，那么它的小波变换可定义为：

W_ij(x,y)＝∫∫P(x,y)g_ij ^*(x-x₁,y-y₁)dxdy

其中*表示共轭复数，将各个子带小波变换的均值μ_ij＝∫∫|W_ij(x,y)|dxdy和标准差作为图像纹理特征的各个分量，得到纹理特征向量序列

v＝[μ₀₀,σ₀₀,μ₀₁,…μ_I,Jσ_I,J]。

4)、将步骤3)得到的纹理特征向量进行高斯归一化；

5)、对步骤4)经过高斯归一化的纹理特征向量进行排序；

定义各子带小波变换的能量函数为：

计算不同方向和尺度的小波变换的能量值，根据能量值大小将纹理特征向量重新排序，使其具有旋转不变性；

6)、采用支持向量机对步骤5)得到的纹理特征向量进行分类训练，得到训练好的模型；

7)、重复上述步骤1)～5)以提取待评估的目标视频图像的纹理特征向量，输入到训练好的模型中，从而输出人群密度。

实施例2

1.获取视频监控帧，假定实际场景和相应的视频图像分别如图1、图2所示，将实际场景划分为m×n个等面积的区域，S₀为实际子区域的面积，h₀为参考人的高度。对于i行j列的子区域，S_ij为区域的面积，h_ij为此区域上的参考人的高度，同理可得其他m×n-1个的参数(S_ij,h_ij),i＝1,2,...,m-1,j＝1,2,...,n-1。可得该子区域的校正权值为：

2.将视频监控图像分成16*16的patch，根据1中计算的校正权值对视频图像进行分段线性内插校正；

3.选取与人体视觉感受相似的Gabor函数：

作为小波函数，小波变换的频移范围U_l＝0.02，U_h＝0.5，取尺度变换的数目i＝0,1,2...,I，I＝5，方向值j＝0,1,2,...,J，J＝5；

4.将小波函数经过适当的尺度变换和方向变换得到一组自相似的滤波器：

本方法选用6个尺度值和6个方向构建36个滤波器来进行小波变换；

5.将视频监控图像转换为灰度图像；

6.将处理后的图像输入到不同尺度方向的小波变换滤波器中，假定处理后的视频监控图像为P(x,y),那么它的小波变换可定义为：

W_ij(x,y)＝∫∫P(x,y)g_ij ^*(x-x₁,y-y₁)dxdy

其中*表示共轭复数，将各个子带小波变换的均值μ_ij＝∫∫|W_ij(x,y)|dxdy和标准差作为图像纹理特征的各个分量，得到纹理特征向量序列:

v＝[μ₀₀,σ₀₀,μ₀₁,…μ_I,Jσ_I,J]

7.将纹理特征向量进行高斯归一化，提高特征值的相关性，也可以防止极大和极小的特征值对支持向量机分类的过度影响；

8.定义各子带小波变换的能量函数为：

计算不同方向和尺度的小波变换的能量值，根据能量值大小将纹理特征向量重新排序，使其具有旋转不变性；

9.将人群密度划分为5个密度等级：VL(0-5人)，L(6-10人)，M(11-20人)，H(20-50人)，VH(>50人)。并对样本视频图像进行人工的密度等级标注，并通过1-8步骤获取其纹理特征向量(由于拍摄角度和拍摄距离的不同，不同场景下人群密度的规定也不同，密度等级可以进行动态的调整)；

10.将标注后的样本的纹理特征向量输入到支持向量机中进行训练；

11.获取待评估的视频图像纹理特征向量并输入到训练后的模型中，输出人群密度估计结果。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (7)

1.一种基于小波变换和支持向量机的人群密度估计方法，其特征在于，包括：

1)、划分人群密度等级，然后将样本视频图像划分为多个子区域，计算得到样本视频图像中每个子区域的校正权值；

2)、根据步骤1)中计算的校正权值通过分段线性内插算法对样本视频图像进行透视校正，获取校正后的视频图像；

3)、采用小波分析法提取得到经过步骤2)透视校正得到的视频图像的纹理特征向量；

4)、将步骤3)得到的纹理特征向量进行高斯归一化；

5)、对步骤4)经过高斯归一化的纹理特征向量进行排序；

6)、采用支持向量机对步骤5)得到的纹理特征向量进行分类训练，得到训练好的模型；

7)、重复上述步骤1)～5)以提取待评估的目标视频图像的纹理特征向量，输入到训练好的模型中，从而输出人群密度。

2.如权利要求1所述的基于小波变换和支持向量机的人群密度估计方法，其特征在于，上述步骤1)具体为：

1A)获取样本视频监控帧，假定实际场景和相应的样本视频图像为方形结构；

1B)将实际场景划分为m×n个等面积的子区域，并在实际场景中选取一参考人，其中，S₀为实际场景中每个子区域的面积，h₀为实际场景中参考人的高度；

1C)根据实际场景划分情况对应的将样本视频图像划分为m×n个子区域，对于其中的i行j列的子区域而言，S_ij为该子区域的面积，h_ij为此区域上的参考人的高度，该子区域的参数为(S_ij,h_ij),i＝1,2,...,m-1,j＝1,2,...,n-1；进而得到该子区域的校正权值为：

并且，同理可得其他m×n-1个子区域的参数。

3.如权利要求2所述的基于小波变换和支持向量机的人群密度估计方法，其特征在于，所述步骤2)具体为：

将视频监控图像分成16*16的小块，根据步骤1)中计算的校正权值对视频监控图像进行分段线性内插校正。

4.如权利要求3所述的基于小波变换和支持向量机的人群密度估计方法，其特征在于，上述步骤3)具体为：

3A)、选取Gabor函数：

作为小波函数，其中，小波变换的频移范围U_l＝0.02，U_h＝0.5，取尺度变换的数目i＝0,1,2...,I，方向值j＝0,1,2,...,J；

3B)、将上述小波函数变换得到一组自相似的滤波器：

选取多个不同尺寸、不同方向的滤波器；

3C)、将视频监控图像转换为灰度图像，并将其输入到不同尺度、不同方向的小波变换滤波器中，假定处理后的视频监控图像为P(x,y)，那么它的小波变换可定义为：

W_ij(x,y)＝∫∫P(x,y)g_ij ^*(x-x₁,y-y₁)dxdy

其中*表示共轭复数，将各个子带小波变换的均值μ_ij＝∫∫|W_ij(x,y)|dxdy和标准差作为图像纹理特征的各个分量，得到纹理特征向量序列

v＝[μ₀₀,σ₀₀,μ₀₁,…μ_I,Jσ_I,J]。

5.如权利要求4所述的基于小波变换和支持向量机的人群密度估计方法，其特征在于，Gabor函数中，I＝5，J＝5；

选用视频监控图像6个尺度值和6个方向构建36个滤波器来进行小波变换。

6.如权利要求4所述的基于小波变换和支持向量机的人群密度估计方法，其特征在于，上述步骤5)具体为：

定义各子带小波变换的能量函数为：

计算不同方向和尺度的小波变换的能量值，根据能量值大小将纹理特征向量重新排序，使其具有旋转不变性。

7.如权利要求5所述的基于小波变换和支持向量机的人群密度估计方法，其特征在于，上述步骤1)划分人群密度等级具体为：

将人群密度划分为5个密度等级：VL、L、M、H、VH；其中，VL对应0-5人，L对应6-10人，M对应11-20人，H对应20-50人，VH对应>50人。