[发明专利]一种列车车厢异常人群密度的检测方法

权利要求书

1.一种列车车厢异常人群密度的检测方法，其特征在于，该方法包括以下步骤：

步骤1、采集和存储具有不同人群密度等级的多幅列车车厢样本图像，并为所述样本图像标记相应的人群密度等级；

步骤2、提取所述样本图像各自的纹理特征，Surf、Fast、Harris特征点特征，前景图像面积比特征和光流密度特征；

步骤3、融合提取得到的某一样本图像的纹理特征，Surf、Fast、Harris特征点特征，前景图像面积比特征和光流密度特征，采用依次组合纹理特征向量、特征点特征向量、前景图像面积比特征向量和光流密度特征向量的方法，或增加/减少各特征向量的维度，或增加/减少各特征向量的权重来得到多模态融合特征；

步骤4、根据所述多幅样本图像的多模态融合特征，训练得到人群密度分类器；

步骤5、从列车车厢的监控视频中截取待检测图像，依次提取所述待检测图像的纹理特征，Surf、Fast、Harris特征点特征，前景图像面积比特征和光流密度特征，并对这些特征进行融合，得到所述待检测图像的多模态融合特征；

步骤6、将所述待检测图像的多模态融合特征输入至所述人群密度分类器，得到所述待检测图像对应车厢的人群密度等级；

步骤7、根据所述步骤6得到的该车厢的人群密度等级判断该车厢的人群密度是否异常；

步骤8、自动记录人群密度异常车厢的人群密度异常信息；

其中，所述光流密度特征的提取包括以下步骤：

取当前图像与存储的上一帧图像；

对于之前提取到的surf特征点，使用KLT算法计算得到发生位移变化的surf特征点的数量；

将该数量进行归一化处理，得到所述光流密度特征。

2.根据权利要求1所述的方法，其特征在于，所述人群密度等级包括低人群密度、中等人群密度、高人群密度和超高人群密度。

3.根据权利要求1所述的方法，其特征在于，所述纹理特征为LBP纹理特征或归一化为一定维度的特征向量的灰度共生矩阵特征。

4.根据权利要求3所述的方法，其特征在于，当所述纹理特征为LBP纹理特征时，提取所述LBP纹理特征的步骤包括以下步骤：

步骤211、将所述图像划分为多个n×n的子区域；

步骤212、对于每个子区域中的某一个像素点，将其像素值分别与其3×3邻域内的8个像素点的像素值进行比较，若周围像素点的像素值大于该像素点的像素值，则该像素点的位置被标记为1，否则标记为0，经过与3×3邻域内的8个点比较后，得到与该像素点对应的一个8位的二进制数，即该像素点对应的LBP值；

步骤213、根据每个子区域像素点的LBP值计算得到相应子区域的统计直方图，并对得到的统计直方图进行归一化处理；

步骤214、将每个子区域的归一化后的统计直方图进行连接，得到所述图像的LBP纹理特征；

步骤215、根据所述LBP纹理特征向量中的最大值和最小值，将所述LBP纹理特征向量等分为p个区间，统计所述LBP纹理特征向量中的每个元素落在每个区间的频数，得到一个p维的特征向量，将其进行归一化，得到p维的LBP纹理特征。

5.根据权利要求1所述的方法，其特征在于，所述步骤2中，所述前景图像面积比特征的提取包括以下步骤：

步骤221、存储每个列车车厢的空车厢图像作为背景图像；

步骤222、将当前图像减去背景图像，得到对应的前景图像；

步骤223、对所述前景图像经过高斯滤波，得到所述前景图像联通区域外接矩形面积之和，将其除以所述当前图像的总像素，得到所述前景图像面积比特征。

6.根据权利要求1所述的方法，其特征在于，所述步骤4中采用随机森林学习算法或支持向量机学习算法来训练得到所述人群密度分类器。