面向智能監(jiān)控的人流量計數(shù)及人群密度檢測研究與實現(xiàn).pdf

1、隨著計算機視覺技術的快速發(fā)展，視頻內容分析技術在監(jiān)控領域迅速興起，學術界和工業(yè)界紛紛投入巨大的精力和財力進行了相關技術的研發(fā)。同時隨著城市化進程的加快，大規(guī)模的人群聚集現(xiàn)象也越來越多，人們一方面想從人群中獲取有價值的信息來輔助管理和決策，另一方面也不得不面對人群過度擁擠而帶來的安全隱患。因此人流量統(tǒng)計技術和人群密度檢測技術成了視頻監(jiān)控領域的一個研究熱點，同時也是一個研究難點。本文的研究主要針對這兩方面進行展開。
　　首先，本文查閱

2、了大量文獻資料，介紹了人流量統(tǒng)計和人群密度檢測技術在國內外的研究發(fā)展現(xiàn)狀，發(fā)現(xiàn)目前絕大多數(shù)人流量統(tǒng)計算法的研究都是基于近距離、相機垂直架設的場景展開的，然而現(xiàn)實中很多場景并不滿足相機垂直架設的條件。因此在人流量統(tǒng)計方面，本文重點研究了中遠距離、相機非垂直架設情況下的人流量統(tǒng)計方法，它的主要過程可分為三部分:運動目標分割，人頭目標檢測，多目標跟蹤計數(shù)。
　　在運動目標分割方面，本文深入研究了ViBe背景建模算法，在滿足應用需求的前提

3、下簡化了背景模型的初始化方法，改進了背景模型的更新策略，從而解決了原算法中“鬼影”消除慢的問題，并使算法在速度上較原算法提高了兩倍多。
　　在人頭目標檢測方面，本文研究對比了Adaboost算法分別與多種特征相結合時的人頭檢測效果。最終根據實驗結果，采用基于局部二值特征(LBP)的Adaboost算法來進行快速的人頭初檢，然后再用基于支持向量機(SVM)和方向梯度直方圖(HOG)的人頭檢測器來對初檢結果進行二次判別，大大降低了人頭

4、目標的誤檢率。
　　在多目標跟蹤計數(shù)方面，本文首先研究了基于路徑預測的多目標跟蹤算法。因為傾斜視角下人群的遮擋問題相對于垂直視角更加嚴重，所以本文用檢測到的人頭目標代替?zhèn)鹘y(tǒng)的運動分割目標來進行跟蹤。但這種方法的跟蹤效果對人頭目標檢測的依賴性較強，而人頭目標檢測又不可避免的會有漏檢和誤檢現(xiàn)象，這就導致最終的統(tǒng)計精度只有90％左右。因此本文又著重研究了基于核相關濾波的目標跟蹤方法，并將這種方法與貪心算法結合，提出了基于核相關濾波和貪心

5、算法結合的多目標跟蹤方法。經實驗證明最終的跟蹤計數(shù)精度達到了98.1％左右。最后本文還根據現(xiàn)實需求，設計并實現(xiàn)了人流量統(tǒng)計軟件系統(tǒng)。
　　在人群密度檢測方面，本文跟蹤了近兩年來人群計數(shù)及密度檢測的最新進展，深入研究了基于卷積神經網絡的人群計數(shù)及密度檢測方法。最后根據微分的思想簡化了密度圖的制作方法，借鑒分治的算法思想提出了分塊多列卷積神經網絡模型，在提升模型訓練速度的同時達到了較好的效果。采用本文提出的方法，對場景中不同區(qū)域的人群