基于图像处理方法的街道人群密度估计开题报告

1. 研究目的与意义（文献综述）

受全球都市化的影响,大量的人群聚集易造成人群拥挤、发生踩踏伤亡等不幸事件,同时人群密度的增大也将会使城市的公共交通迎来短期的人流高峰,人群的高度拥挤若得不到及时有效的疏散,对城市的治安将会造成较大的威胁。因此,自动的对人群信息进行有效地分析从而估计出人群密度,已经成为智能视频监控的研究热点。

随着平安城市的深入推进,视频监控的建设和应用越来越广泛。如何对重要场所的人群进行有效管理以保证人群的安全,成为了一个亟待解决的问题。传统的方法是人工监控视频画面,容易疲劳而大大降低效率,而且无法实时的掌握人群的拥挤状况,进而采取一定的措施预警，由于监控数量大和监控时间长，监控人员存在易疲劳、漏报和误报现象。因此迫切需要研究基于智能视频分析的人群密度统计算法,由计算机代替人工进行判断。检测监控场景内的人群并估计人群密度，不仅可以帮助有关部门及时发现公共场所的不安全因素，而且可以更好地完善视频监控系统的性能，为维护公共场所的安全秩序做出了很大的贡献。

传统的密度估计算法中,davies和chow提出了基于像素特征的图像处理方法来判断人群密度,该方法主要通过背景减的方法来提取前景人群占据的空间大小,以及运用边缘提取的方法检测人群对象的边缘长度,通过这两类特征对人群密度进行估计。这种方法较为简单,计算量小,当人群密度较低的时候效果较好,但是当人群密度较高时,由于人群遮挡严重会导致结果误差很大。1998年,marana提出了一种基于纹理分析技术的人群密度估计方法,该方法的依据是不同密度的人群图像对应的纹理模式不同。高密度的人群在纹理上表现为细模式,而低密度的人群图像在背景图像为低频的同时在纹理上表现为粗模式。基于纹理分析的密度估计方法可以解决高密度人群密度问题,但是算法计算量较大,特征量较多,并且当背景较复杂时,对中低密度人群估计的误差较大。

2. 研究的基本内容与方案

本文主要有两方面内容：人群目标检测和密度估计。

（1）人群目标检测方面，鉴于监控场景的背景复杂，光线变化等问题，需要采用混合高斯模型法检测图像中的人群目标。传统混合高斯模型初始建模速度慢且检测的运动目标包含大量阴影，因此本文提出一种基于像素过滤和背景修正的改进混合高斯模型。在摄像机固定的情况下，首先采用均值和偏差均值来描述高斯模型特征，并以恒定的更新速率更新背景模型，降低模型对阴影的敏感度，达到抑制阴影的目的；其次利用像素过滤的方法，分析短时间内各个像素点的统计特性，滤除运动目标对背景建模的干扰，提高混合高斯模型的初始建模速度；最后融合背景减除法，根据测试图像与参考背景图像在s分量上的差异对人群前景图像进行修正，保证检测目标的完整性。然后针对人群前景图像中的噪声特点，利用中值滤波的方法对人群前景图像去噪。

（2）对于高密度人群进行密度估计，纹理分析比较合适，其中统计分析法对纹理随机性和细节性的描述很好，且适应性强，对纹理细密或纹理排列不规则的图像均适用。根据特征计算时使用点的个数，统计特征量可分为一阶统计量、二阶统计量和高阶统计量。其中属于二阶统计分析法的灰度共生矩阵法是描述纹理经典且成熟的方法，灰度共生矩阵通过计算图像中特定像素在某一个空间位置出现的次数来描述纹理特征，由其产生的参数可描述纹理多方面统计特征，选取其中5种特征统计量来反映图像纹理信息，为了简化计算，对各个方向的纹理特征量进行相关性分析，统计四个方向特征量之间的相关系数，判断不同方向纹理特征的关联程度，以此作为灰度共生矩阵生成方向的选择依据，最后利用分类器对纹理特征进行分类就可以得到人群图像的密度等级。对于中低密度人群，采用最小二乘法训练获得人数和人群前景像素数之间的拟合直线，实现人群密度的快速估计。

3. 研究计划与安排

开学，

1-3周：查阅文献，完成开题报告4-6周：总体设计，完成论文综述7-10周：设计算法，功能模块设计11-13周：编码和测试14-15周：写论文，提交初稿，给老师检查，修改定稿，答辩。

4. 参考文献（12篇以上）

1.冈萨雷斯.数字图像处理（第二版）．北京：电子工业出版社，2003.3

2.边肇祺，张学工.模式识别(第二版).北京：清华大学出版社,2004.

3.孙宁，邹采荣，赵力.人脸检测综述,电路与系统学报.2006,12:101-107.