[发明专利]一种视频图像中人群密度等级分类方法

说明书

技术领域

本发明涉及智能视频分析和计算机视觉的技术领域，特别涉及一种视频图像中人群密度等级分类方法。

背景技术

人群密度等级估计是基于计算机视觉和模式识别技术，通过对监控图像或视频进行分析计算，得出人群密度的量化级别。人群密度信息是大范围人群监控管理的有力依据，它可以向商场或零售点提供商场内部按不同时段分布的人群密度信息，协助管理层合理分配服务与管理资源。它可广泛应用于公共汽车站、客运及火车站、飞机场等设施的出入通道和重要区域的人群监控，实时得到旅客数量及分布的准确数据，预防由于顾客拥挤引起的安全隐患，为科学调度、安全保障提供依据。

当人群密度被量化为密度等级，人群密度估计就转化为多类分类问题：输入与人群相关的特征量，输出密度等级。解决此多类分类问题的常用方法有多项式拟合法、神经网络、最近聚类划分法等。多项式拟合法往往需要对输入和输出之间的函数关系作一定假设，当假设与实际不符时性能就会受到影响。神经网络计算较复杂，而且以最小化经验误差为指标函数，容易陷入局部最小或产生过学习现象。最近聚类划分法(K-MeansandNearestNeighbor，KMNN)是将同一密度等级的训练样本在特征空间中聚类，形成M个代表点(对于不同的密度等级，M不必相同)，对于某一未知类别的样本，以其最近邻代表点或k个近邻代表点的类别为依据确定该样本的类别。这种方法简单易行，但是对于参数选择依赖性较大，当参数选择不当会导致性能下降，甚至产生过拟合。

统计学习理论是目前针对小样本统计估计和预测学习的最佳理论，它从理论上系统研究经验风险最小化原则成立的条件、有限样本下经验风险与期望风险的关系及如何利用这些理论找到新的学习原则和方法等问题。支持向量机(SVM)作为统计学习理论的一种实现方法已被广泛地应用在模式识别和数据挖掘的很多领域。SVM分类器的本质是线性二分类器，它基于结构风险最小化理论，在特征空间中建构最优分割超平面，使得学习器得到全局最优化，并且在整个样本空间的期望风险以某个概率满足一定上界。

当利用SVM处理多类问题时，就需要构造合适的多类分类器。基于此，本发明提出一种人群密度等级分类的方法，基于置信度分析的SVM分类模型解决人群密度分类的“近邻相似”、“模糊边界”等问题。在中国CNKI、万方、维普、中国专利等数据库中查找了目前异常群体事件检测的相关论文及专利，CN101751553A、CN101587537A以及CN102044073A分别提出一种人群密度分析和预测的方法，但存在以下缺点：1)无法适应场景变化，模型参数需要重复学习；2)在人群密度较高，遮挡严重的情况下，线性关系不再成立，导致误差增大；3)基于前景检测的方法只能用于运动人流。

发明内容

本发明要解决的技术问题在于，针对视频图像中人群密度等级分类的相邻相似和渐变分界特点，提供一种视频图像中人群密度等级分类方法。

本发明的视频图像中人群密度等级分类方法依次包括如下步骤：

S1：在视频图像中选择一个感兴趣区域，并依据透视模型对其进行图像块的划块分析；

S2：针对所述每个图像块求取多尺度纹理特征；

S3：对于视频图像样本进行聚类分析，建立基于置信度分析的分类器模型；

S4：依据后验概率最大法则得到图像样本所属的人群密度等级。

在本发明所述一种人群密度等级分类方法中，所述的建立基于置信度分析的分类器模型，其步骤如下：

S1：基于二叉树的纠错输出码设计；

S2：基于置信样本的SVM训练；

S3：基于信道传输模型的解码算法。

在本发明所述建立基于置信度分析的分类器模型中，基于二叉树的纠错输出码设计步骤如下：

S1：初始化，类别集合                                                ，令；

S2：设为当前全集合的一种二分类方法，计算出所得的两个类别子集和之间的Fisher距离；

S3：对于集合E中任一二分类重复Step2，求二分类，使其对应的两个类别子集和之间的Fisher距离为最大；

S4：以代表的二分类器为纠错输出码矩阵中的一列；

S5：分别令，，并重复Step1、Step2、Step3，直至所有类别子集中均只包含一个类别，输出所得的纠错输出码。

在本发明所述建立基于置信度分析的分类器模型中，基于置信样本的SVM训练步骤如下：

S1：估计后验概率；

S2：选择置信样本，权重为1；