[发明专利]一种基于小波变换和支持向量机的人群密度估计方法

权利要求书

1.一种基于小波变换和支持向量机的人群密度估计方法，其特征在于，包括：

1)、划分人群密度等级，然后将样本视频图像划分为多个子区域，计算得到样本视频图像中每个子区域的校正权值；

2)、根据步骤1)中计算的校正权值通过分段线性内插算法对样本视频图像进行透视校正，获取校正后的视频图像；

3)、采用小波分析法提取得到经过步骤2)透视校正得到的视频图像的纹理特征向量；

4)、将步骤3)得到的纹理特征向量进行高斯归一化；

5)、对步骤4)经过高斯归一化的纹理特征向量进行排序；

6)、采用支持向量机对步骤5)得到的纹理特征向量进行分类训练，得到训练好的模型；

7)、重复上述步骤1)～5)以提取待评估的目标视频图像的纹理特征向量，输入到训练好的模型中，从而输出人群密度；

上述步骤1)具体为：

1A)获取样本视频监控帧，假定实际场景和相应的样本视频图像为方形结构；

1B)将实际场景划分为m×n个等面积的子区域，并在实际场景中选取一参考人，其中，S₀为实际场景中每个子区域的面积，h₀为实际场景中参考人的高度；

1C)根据实际场景划分情况对应的将样本视频图像划分为m×n个子区域，对于其中的i行j列的子区域而言，S_ij为该子区域的面积，h_ij为此区域上的参考人的高度，该子区域的参数为(S_ij,h_ij),i＝1,2,...,m-1,j＝1,2,...,n-1；进而得到该子区域的校正权值为：

并且，同理可得其他m×n-1个子区域的参数。

2.如权利要求1所述的基于小波变换和支持向量机的人群密度估计方法，其特征在于，所述步骤2)具体为：

将视频监控图像分成16*16的小块，根据步骤1)中计算的校正权值对视频监控图像进行分段线性内插校正。

3.如权利要求2所述的基于小波变换和支持向量机的人群密度估计方法，其特征在于，上述步骤3)具体为：

3A)、选取Gabor函数：

作为小波函数，其中，小波变换的频移范围U_l＝0.02，U_h＝0.5，取尺度变换的数目i＝0,1,2...,I，方向值j＝0,1,2,...,J；

3B)、将上述小波函数变换得到一组自相似的滤波器：

选取多个不同尺寸、不同方向的滤波器；

3C)、将视频监控图像转换为灰度图像，并将其输入到不同尺度、不同方向的小波变换滤波器中，假定处理后的视频监控图像为P(x,y)，那么它的小波变换可定义为：

W_ij(x,y)＝∫∫P(x,y)g_ij^*(x-x₁,y-y₁)dxdy

其中*表示共轭复数，将各个子带小波变换的均值μ_ij＝∫∫|W_ij(x,y)|dxdy和标准差作为图像纹理特征的各个分量，得到纹理特征向量序列

v＝[μ₀₀,σ₀₀,μ₀₁,…μ_I,Jσ_I,J]。

4.如权利要求3所述的基于小波变换和支持向量机的人群密度估计方法，其特征在于，Gabor函数中，I＝5，J＝5；

选用视频监控图像6个尺度值和6个方向构建36个滤波器来进行小波变换。

5.如权利要求3所述的基于小波变换和支持向量机的人群密度估计方法，其特征在于，上述步骤5)具体为：

定义各子带小波变换的能量函数为：

计算不同方向和尺度的小波变换的能量值，根据能量值大小将纹理特征向量重新排序，使其具有旋转不变性。

6.如权利要求4所述的基于小波变换和支持向量机的人群密度估计方法，其特征在于，上述步骤1)划分人群密度等级具体为：

将人群密度划分为5个密度等级：VL、L、M、H、VH；其中，VL对应0-5人，L对应6-10人，M对应11-20人，H对应20-50人，VH对应50人。