[发明专利]一种高密度场景下的人群密度估计方法

说明书

技术领域

本发明涉及计算机视觉技术领域，特别涉及一种基于高密度场景下的人群密度估计方法。

背景技术

随着科学技术的发展以及人们对安全防范意识的不断增强，具有智能分析功能的新一代视频监控系统，开始在安全监控领域发挥非常积极的作用，已经开始渗入到我们的日常生活当中。特别当今随着大规模人群密集活动逐渐增多，尤其是在一些重大活动中，常常会聚集大量人群，而由人群拥塞引起灾祸案例屡见不鲜。很多这类人群踩踏的惨案原因，都是由于人群过度拥挤导致失控而引起的。所以，采用图像处理技术在实时视频监控中进行人群密度估计在智能监控、智能视觉应用方面有着广泛的前景。

对于高密度场景下的人群密度估计，可以提早发现人群活动的拥塞情况，及时采取解决措施避免意外的发生，避免或减少危害发生的可能性。当场景某处人群聚集较为严重时可以向系统发出预警，安保人员能及时前往疏散和处理。

高密度场景下的人群密度估计是指在不需要人为干预的情况下，利用计算机视觉分析、模式识别的方法对视频中的人头特征进行自动分析，并统计人群中人的数目。在此基础上，通过预先设定的人群密度阈值，判断该场景下的密度等级从而为采取进一步措施提供参考(比如在对象进入设防区时自动报警)。

目前，应用比较广泛是基于运动目标检测人群密度估计方法。该方法是首先建立背景模型，然后通过比较检测图像和背景模型的差异，提取运行目标，并进行人群密度估计。由于在高密度场景中，通常会存在各种外界因素的干扰(如光照变化、摄像机轻微抖动、动态的背景元素等等)以及人体粘连一起，无法区分，严重影响运动目标分割的精度，进而导致人群密度估计偏差过大，无法有效地进行人群密度估计。

为了有效提高人群密度估计的准确率，现有一种高密度场景下的人群密度估计方法，该方法首先采集视频帧，并进行梯度方向计算，获取梯度方向图；然后对梯度方向图进行LBP纹理特征计算；最后利用ADABOOST进行人头检测，获取高密度场景下的人头数目，并进行人群密度估计。根据所述的梯度方向图，利用梯度方向进行计算；利用LBP纹理特征对梯度方向图进行计算，得到纹理特征图；利用ADABOOST进行人头检测，获取高密度场景下人头数目，进行人群密度估计。该方法能够在高密度人群场景下，实时检测出人头数目，并进行人群密度估计，同时具有很好的鲁棒性，达到设计目的。

现有的人群密度估计技术有一种视频图像中人群密度估计的方法，已授权。首先在视频图像样本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；针对所述每个图像块求取多尺度纹理特征；对于视频图像样本进行聚类分析，建立图像块密度等级和纹理特征关系的分类器模型；根据分类器模型确定目标视频图像中每个图像块的密度等级；根据感兴趣区域中所有图像块的密度等级，获取所述目标视频区域的总体密度等级。

但以上技术只是提出了在图像中进行分块，然后提取纹理特征对人群进行估计，并不是主要应用于高密度场景下。由于高密度场景下，容易受到复杂背景下的光照变化以及人群的相互干扰，所以严重影响人群密度估计的精度。

发明内容

本发明提供了一种高密度场景下的人群密度估计方法，该方法能够实现高密度场景下的人群密度估计，解决了高密度场景下人群密度估计，通常会存在各种外界因素的干扰(如光照变化、摄像机轻微抖动、动态的背景元素等等)，严重影响人群密度估计精度的问题。

为了实现上述目的，本发明包括如下技术特征：首先获取视频帧，并进行梯度方向计算，获取梯度方向图；然后对梯度方向图进行LBP纹理特征计算；最后利用ADABOOST进行人头检测，获取高密度场景下人头数目，并进行人群密度估计。所述利用梯度方向计算出梯度方向图；所述对梯度方向图进行LBP纹理特征计算；所述利用ADABOOST进行人头检测，获取高密度场景下人头数目，并进行人群密度估计。

与现有的方法相比，本发明提出了首先获取视频帧，并进行梯度方向计算，获取梯度方向图；然后对梯度方向图进行LBP纹理特征计算；最后利用ADABOOST进行人头检测，获取高密度场景下的人头数目，并进行人群密度估计。根据所述的梯度方向图，利用梯度方向进行计算；利用LBP纹理特征对梯度方向图进行计算，得到纹理特征图；利用ADABOOST进行人头检测，获取高密度场景下人头数目，进行人群密度估计。该方法能够在高密度人群场景下，实时检测出人头数目，并进行人群密度估计。该方法具有很高的实时性和鲁棒性，有效的解决了高密度场景下受到动态背景扰动和光照变化的影响，无法提取运动目标的问题。

附图说明