[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

说明书

本发明公开了一种基于小波变换和支持向量机的人群密度估计方法，包括：1)、计算得到样本视频图像中每个子区域的校正权值；2)、通过分段线性内插算法对样本视频图像进行透视校正；3)、采用小波分析法提取视频图像的纹理特征向量；4)、将纹理特征向量进行高斯归一化；5)、对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。本发明人群密度估计方法实时性强、应用范围广、稳定可靠。

技术领域

本发明涉及视频检测领域，具体为一种基于小波变换和支持向量机的人群密度估计方法。

背景技术

人群密度估计方法主要用于对车站、机场、学校及大型活动赛事场馆的人群密度分析，通过对人群稀疏程度的估计，及时发现人群活动异常，合理安排工作人员管理人群确保安全，防止踩踏拥堵事件发生，同时也能为市场调研，建筑规划等提供有效的参考依据。随着经济的发展和城镇化进程的不断推进，人群密集行为也不断增多，传统的基于人工的人群密度监控由于主观性强、精度低、工作量过大等原因已经无法满足实际需求，为此需要采用智能视频分析技术对人群进行有效的检测和管理。

目前国内外的人群密度估计方法主要有两种方式：基于像素统计的人群密度估计方法和基于纹理分析的人群密度统计方法。基于像素特征的估计方法如混合高斯模型、多元线性回归分析等，基于人群中的人数越多，人群密度就越大，行人在图像中所占的像素比例就越大这一原理实现，这一类算法在人群较为稠密，遮挡严重，场景扭曲较大时误差很大。基于纹理特征的算法如灰度共生矩阵，则往往通过对图像的内部边缘、周长外部方向、距离等大量的特征来实现对人群密度的估计，算法复杂度极高，且在低密度人群场景下的效果较差。

现有的方法普遍存在的复杂度较高，鲁棒性和应用广度不够的问题。因此，亟需一种有效的检测手段，实现基于小波变换和支持向量机的人群密度实时估计方法，杜绝因人群拥堵、踩踏等问题而产生的安全事故。

发明内容

本发明提供一种基于小波变换和支持向量机的人群密度估计方法，借鉴了传统人群密度估计算法，提出了一种新的人群密度估计模型。具有实时性强、应用范围广、鲁棒性强的特点。

为了实现以上目的，本发明提供一种基于小波变换和支持向量机的人群密度估计方法，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。

优选的是，所述的基于小波变换和支持向量机的人群密度估计方法，上述步骤1)具体为：

1A)获取视频监控帧，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；