[发明专利]一种多特征融合的人群密度估计方法

说明书

本发明公开一种多特征融合的人群密度估计方法，包括：提取基于KLT跟踪的轨迹段数目特征；对现存的人群密度估计算法的特征，包括GLCM纹理分析特征、像素统计特征，再和轨迹段数目特征在不同场景下进行实验对比，找到对人群密度估计最适合的特征组合：GLCM纹理特征+像素统计特征+轨迹段数目特征。提取出训练集视频帧的轨迹段数目特征、像素统计特征和纹理特征，送入线性回归模型中训练，得到的模型，计算出测试视频帧中行人的数目。本发明将基于KLT跟踪的轨迹段数目作为人群密度估计的特征，并将其应用到线性回归模型，和现有的基于个体目标的人群密度估计算法相比，复杂度低，准确率高。

技术领域

本发明涉及视频分析中人群密度估计方法，更具体的，涉及一种多特征融合的人群密度估计方法，该方法提取了基于KLT跟踪的轨迹段数目作为人群密度估计的新特征，并将提取的新特征与其它特征相融合，对人群密度进行估计。

背景技术

在很多公共场合，由于人群密度过高而产生灾难。为减少公共安全事件的发生，开发一套实时监控各种公共场合的人群密度的智能系统是非常重要和急迫的。

2001年，Lin发表文章提出新的人群密度估计算法，该算法首先利用Haar小波变换和头部特征的结合提取目标，进而将检测的物体特征放入支持向量机SVM分类器进行分类判断是否为人类头部，最后通过计算检测出来的头部数目来做人群数目统计，该算法在人群密度小的场景下准确率比较高。2003年，Zhao和Nevatia在CVPR上发表一篇文章，首次介绍基于3D模型匹配的人群密度估计算法，该算法在无遮挡的情况下还是可行的，但是其复杂度高、耗时且在遮挡情况下无法匹配等一系列问题注定了其在当时无法广泛应用开来。2005年，Leibe同样在CVPR上发表文章提出基于全局特征和局部特征结合的人群密度估计，该算法很好地解决了Lin和Zhao等人算法的缺陷，成功在人群遮挡的情况下很好地检测出行人，但是由于其算法耗时大，复杂度高，无法实时监控而缺乏应用性。随后，Rabaud和Belongie2006年在CVPR上发表一篇文章，该文章利用KLT跟踪算法和聚类算法结合的方法对人群密度进行估计，但是却被固定人群所限制。

在实际应用中，对每个个体进行识别分割的方法其实是非常不可取的，不仅容易错检漏检，而且对个体精确分割常常导致整个算法复杂度高而失去应用性。Chen在2007年提出团块的概念，通过模糊检测的方法降低检测的难度，再在块中具体做人头检测，由论文中图所示，改算法利用人头数目来计算人群密度。

虽然团块的应用大大减少了算法的复杂程度和提高检测准确度，但是在人群密集或者遮挡的场景下还是会表现其不足。Kilambi在2008年提出了利用最小化函数来估计人群密度，但是该算法只能估计人群密度的等级而无法精确计算。

现存的研究往往都是在全局中应用单一回归模型，把特征向量映射成行人数量来进行人群密度估计。由于摄像头与被拍摄场景有视觉差原因，图像中距离较远的物体面积比较小，而距离较近的物体面积比较大，所以存在透视效应。这种方法重点在于前景像素，边缘特征，与KLT跟踪轨迹段数目特征的提取，摄像头远近比例过度依赖透视归一化处理，处理不得当即会带来严重的影响。

发明内容

本发明的目的是为了克服现有技术的不足，提出一种克服了单一依靠透视归一化带来的局限性的多特征融合的人群密度估计方法。

本发明的目的通过以下的技术方案实现：

一种多特征融合的人群密度估计方法，包括以下步骤：

(1)对每一帧进行透视归一化处理，并将每一帧分块。