[发明专利]一种多特征融合的人群密度估计方法

摘要

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。

主权项

1.一种多特征融合的人群密度估计方法，其特征在于，包括以下步骤：(1)视频采集；(2)特征的提取；采用KLT跟踪法对采集的视频中的个体目标进行跟踪，计算出基于KLT跟踪的轨迹段数目特征；对采集的视频进行运动信息前景的检测，提取边缘信息，计算出视频帧的前景分割区域特征、GLCM纹理分析特征、LBP纹理特征、像素统计特征，其中所述的KLT跟踪法，是用仿射运动建立个体目标运动模型，即J(AX+d)＝I(X)，其中A是变形矩阵，d是偏移向量，且A＝I+D，I是单位矩阵，D为零矩阵，即A＝I，J(X+d)＝I(X)；将X视为二维空间的像素点的坐标，I(X)是像素点X的像素值，若干个像素点的像素值组成一幅图像；J(●X)是I(X)通过AX+d变换后像素点X的像素值，再最小化式子ε＝∫∫W[J(AX+d)‑I(X)]2ω(X)dX，得到提取轨迹段所用模型Zd＝e，W是特征窗口，ω(X)是加权函数，其中：e为原图像I(X)和变换后图像J(X)在窗口W范围内像素值的加权误差，g(X)为均图像的梯度向量，g_x为均图像对x的偏导数，g_y为均图像对y的偏导数，Z为均图像的梯度矩阵，采用模型Zd＝e计算出了每一个特征窗口中心点的位移d，得到了一系列的轨迹段，计算出轨迹段的数目，所述像素点坐标；(3)将轨迹段数目特征、像素统计特征和GLCM纹理分析特征融合，应用到线性回归模型中进行训练得到训练模型；(4)根据训练模型，检测出待测视频帧中行人的数目。