[發(fā)明專利]一種通過模式識(shí)別與機(jī)器視覺對(duì)人群密度進(jìn)行實(shí)時(shí)監(jiān)控的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811277215.2
• 申請(qǐng)日: 2018-10-30
• 公開（公告）號(hào): CN109543555A
• 公開（公告）日: 2019-03-29
• 發(fā)明（設(shè)計(jì)）人: 郟東耀;吳能凱;張兵
• 申請(qǐng)（專利權(quán)）人: 北京交通大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 北京市誠(chéng)輝律師事務(wù)所 11430
• 代理人: 范盈

1.一種通過模式識(shí)別與機(jī)器視覺對(duì)人群密度進(jìn)行實(shí)時(shí)監(jiān)控的方法，其特征在于：

S1：劃分圖像子塊，確定圖像子塊前景像素占比r的選擇閾值R；

S2：圖像子塊人群密度等級(jí)評(píng)定，圖像子塊的平均前景像素占比r＜R時(shí)，采用基于前景像素統(tǒng)計(jì)的回歸算法計(jì)算人群密度，根據(jù)標(biāo)定表得到人群密度等級(jí)編號(hào)；當(dāng)圖像的平均前景像素占比r＞R時(shí)，采用基于紋理特征提取的學(xué)習(xí)分類算法計(jì)算人群密度，根據(jù)標(biāo)定表得到人群密度等級(jí)編號(hào)，并建立SVM分類器，使用SVM分類器對(duì)待檢測(cè)的圖像子塊進(jìn)行人群密度等級(jí)評(píng)定；

S3：獲得每一個(gè)圖像子塊的人群密度等級(jí)后，需要利用圖像子塊的人群密度等級(jí)估計(jì)整幅圖像的人群密度等級(jí)，因此定義整幅圖像的人群密度等級(jí)為：

其中，d_all表示整幅圖像的人群密度等級(jí)編號(hào)，d_seg(i)為圖像子塊i的人群密度等級(jí)編號(hào)，#[ ]定義為四舍五入算子，N為整幅圖像劃分成圖像子塊的個(gè)數(shù)。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于：確定圖像子塊前景像素占比的選擇閾值R具體為：

S21：計(jì)算圖像子塊中前景像素占比r：

其中N_pro為圖像子塊中的前景像素點(diǎn)，N_seg為圖像子塊像素點(diǎn)。

S22：統(tǒng)計(jì)與占比r相對(duì)應(yīng)的人數(shù)n_p；

S23：近似擬合曲線：

f(n_p)＝Kr+b；

當(dāng)K為非常數(shù)，即呈現(xiàn)非線性關(guān)系時(shí)，此時(shí)對(duì)應(yīng)的占比r＝R，R即為選擇閾值。

3.根據(jù)權(quán)利要求2所述的方法，選擇閾值R＝0.6。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于：采用基于前景像素統(tǒng)計(jì)的回歸算法計(jì)算人群密度，具體為：

S311：提取訓(xùn)練集中n個(gè)圖像子塊的前景像素占比r_seg以及前景人數(shù)n_p，構(gòu)造訓(xùn)練數(shù)據(jù)點(diǎn)集合{(r_seg(i),n_p(i))},i＝1,2,3,···,n；

S312：對(duì)訓(xùn)練數(shù)據(jù)點(diǎn)集合進(jìn)行最小二乘法回歸擬合，從而得到：

n_p＝f(r_seg)；

S313：將測(cè)試圖像劃分為圖像子塊，分別求得前景像素的占比r_seg，得到相對(duì)應(yīng)的前景人數(shù)n_p，參照標(biāo)定表，分別得到相應(yīng)的密度等級(jí)編號(hào)。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于：采用基于紋理特征提取的學(xué)習(xí)分類算法計(jì)算人群密度，具體步驟為：

S321：對(duì)訓(xùn)練集中輸入的每一幀圖像劃分為3個(gè)圖像子塊，從而獲得3個(gè)原始灰度圖像，再分別求得3個(gè)原始灰度圖像的LBP圖像；

S322：采用灰度級(jí)N＝16，d＝1，分別求得LBP圖像與原始灰度圖像上θ分別為0°,45°,90°,135°的灰度共生矩陣；

S323：對(duì)每個(gè)灰度共生矩陣GLCM分別求得逆差矩(Homogeneity)、熵(Entropy)、能量(Energy)和對(duì)比度(Contrast)這四個(gè)統(tǒng)計(jì)量。每個(gè)圖像子塊的特征向量可以描述如下：

μ_i＝{a₁,a₂,a₃,a₄,b₁,b₂,b₃,b₄}

其中i＝1,2,3，a_i與b_i為4維向量，分別表示LBP圖像與原始灰度圖像在4個(gè)方向上的灰度共生矩陣的4個(gè)統(tǒng)計(jì)量；

S324：將3個(gè)圖像子塊的特征向量依次進(jìn)行拼接，可以獲得一個(gè)96維的特征向量x，用該向量表征一幀圖像的紋理特征，其中每幀圖像的特征向量描述如下：

x＝{μ₁,μ₂,μ₃}

S325：參照標(biāo)定表，對(duì)各個(gè)圖像子塊進(jìn)行標(biāo)定，得到圖像的密度等級(jí)編號(hào)。

6.根據(jù)上述權(quán)利要求1所述的方法，建立SVM分類器的具體步驟為：構(gòu)造訓(xùn)練樣本集S：

S＝{(x_i,y_i):i＝1,2,···,l,(x_i,y_i)∈Rⁿ×{4,5}}

其中l(wèi)為訓(xùn)練樣本的個(gè)數(shù)，x_i為特征向量，標(biāo)簽y_i為每幀圖像的等級(jí)編號(hào)；

進(jìn)行基于貝葉斯估計(jì)的異常樣本濾除，刪選閾值ε選擇0.1，將訓(xùn)練樣本集中的“介類點(diǎn)”以及噪聲污染點(diǎn)剔除后，組成新的訓(xùn)練樣本集對(duì)支持向量機(jī)模型進(jìn)行訓(xùn)練，采用基于改進(jìn)K-means聚類的迭代訓(xùn)練算法，綜合原有基于聚類的SVM迭代算法的基礎(chǔ)上，對(duì)初始迭代訓(xùn)練使用的樣本集進(jìn)行篩選，進(jìn)一步提高初始訓(xùn)練樣本集中包含支持向量的概率，從而加快對(duì)SVM的訓(xùn)練速度，其過程如下：

步驟1：篩選出后驗(yàn)概率較大的樣本子集S₁，設(shè)訓(xùn)練樣本集S＝S₁+S₂，由于樣本子集S₁的后驗(yàn)概率較大，S₁內(nèi)所包含的特征向量更加典型，認(rèn)為支持向量更有可能存在于樣本子集S₁中；

步驟2：利用K-means聚類方法，將樣本子集S₁聚為k類，樣本子集S₁表示為：

S₁＝S₁₁US₁₂US₁₃···US_1k

步驟3：循環(huán)判斷S_1i(i＝1,2,3...,k)中是否含有兩類樣本點(diǎn)，若S_1i中含有兩類樣本點(diǎn)，則初始訓(xùn)練集I＝IUS_1i,其中，I的初值為空集，只有選取含有兩類不同樣本點(diǎn)的集合作為訓(xùn)練集才能確定分類面；

步驟4：將初始訓(xùn)練集I送入SVM進(jìn)行訓(xùn)練，獲得初始SVM分類器；

步驟5：設(shè)樣本子集R＝S-I，將樣本子集R作為測(cè)試集送入初始SVM分類器進(jìn)行測(cè)試，設(shè)未通過初始SVM分類器測(cè)試的集合為W；

步驟6：判斷W所包含向量個(gè)數(shù)Num(W)是否小于閾值γ，若小于則SVM分類器即為最終分類器，否則令I(lǐng)＝IUW,跳入步驟4繼續(xù)執(zhí)行。