李颖-项目名称：监控场景中密集人群2

监控场景中密集人群的密度估计

小组成员：李颖樊俏榕王兴驰王小斐指导教师：李晓华Content项目简介项目研究背景项目可行性分析项目方案特色与创新进度安排参考文献Content项目简介项目研究背景项目可行性分析项目方案特色与创新进度安排参考文献项目简介项目名称：监控场景中密集人群的密度估计项目介绍： 该项目主要实现两个方面的目标：通过前景像素和边缘信息像素与人数之间的线性关系实现密度估计。拟用光流法实现人群运动检测。

通过该项目的实现，能够准确的提供监控场景中的人群密度并能检测出监控场景中运动人群的比例，为人群管理提供有效的参数估计。Content项目简介项目研究背景项目可行性分析项目方案特色与创新进度安排参考文献项目研究背景—重要性经济发展导致人群活动愈加丰富，而由人群拥塞而引起的人群灾祸问题已屡见不鲜典型案例：1991纽约州立大学篮球赛9人死亡。2000年7月,丹麦一场音乐会发生拥挤事故,造成26人受伤,9人死亡2004年2月5日,北京密云举行灯展,由于人群过度拥挤,造成37人死亡,15人受伤;人群监控的重要性及必要性项目研究背景—应用性通过估计人群密度可以知道人群整体所处的状态，从而对人群的行为作出判断[1],以利于更安全、有效的人群管理。可应用于如下场所：运动场、广场、娱乐场所、会议中心、购物中心、超市、学校图书馆、公园等短期高密度人群集中场合。除了人群管理外，它还可应用于更合理的安排各时段在岗工作人员数。如机场、车站、银行等从事程序化工作的场所。更有效的管理人群流动繁忙场合的交通。如十字路口、建筑物出入口。更快速、精确的进行市场调查。如娱乐场所受欢迎度。项目研究背景—发展性（1）传统的人群监控方法：通过利用闭路电视监视某一场景实现，用户根据录像对场景图像作出判断。 不足：需要人的参与，主观性比较强不能起到有效的预防作用长时间工作，注意力下降基于图像处理的人群监控的提出1985年，Fruin提出当人群密度达到0.15平方米/人，人群将失去控制——人群密度和人群监控的量的关系为借助于图像处理方法实现人群的自动、实时监控提供了依据！数字图像技术实现人群监控具有很大的发展前景，它解决了传统人群监控技术的不足，并且能实现对人群的自动、客观、实时、定量分析。这方面的研究正处于朝气蓬勃的状态。项目研究背景—发展性（2）用图像处理实现人群监控的基本框图：图像/视频源密度特征提取特征分类密度结果个人特征提取特征分类人群人数人群管理或其他目的中低密度人群Content项目简介项目研究背景项目可行性分析项目方案特色与创新进度安排参考文献项目可行性分析（1）密度估计研究现状 人群密度估计所要实现的目标：根据人群密度的不同，选用适当的图像处理方法，将人群划分为不同的等级。 密度估计的里程碑事件：1995，Davies等提出利用人数与像素数的线性关系估计人群密度[2]1998，Marana等提出利用纹理信息估计人群密度[3]这两类方法成为当今利用图像处理实现人群监控的主流方法。项目可行性分析（2）实现简单，效率高不能很好的处理人群遮挡的问题，但对于中低密度人群有很好的估计效果，另外通过开运算、腐蚀运算等能较有效的处理该问题[4]，同样也能达到准确度较高的密度估计结果涉及到形态学等多方面知识，实现较难适用于高密度人群，能很好的解决人群遮挡问题基于人数与像素间的线性关系基于纹理信息可行性分析（3）项目可行性分析（4）左图为前景像素与人数关系，右图为边缘像素与人数关系。从我们搜集到得资料来看，基于像素数与人数的线性关系来进行密度估计是可行的，我们都能根据分析得出一定得线性关系y=mx+b，y:人群人数x:总像素数m,b:待定常数。并且正确率可达到90%以上！Content项目简介项目研究背景项目可行性分析项目方案特色与创新进度安排参考文献项目方案项目模块分类：图像采集背景建模前景像素提取边缘信息提取前景像素边缘信息两种特征向量的结合运动检测算法实现可视化软件框架实现项目方案——实现框架运动检测实现图像采集可视化软件产品实现密度估计边缘像素提取背景建模前景像素提取项目方案——图像采集(1)数据来源由研究场景的监控中心提供视频或图像可将自己拍摄监控场景图像或视频作为研究的数据采集样本处理将采集的图像按人群密度与服务级别的关系分为很低、低、中等、高，并将采集到的图像分为测试样本和试验样本，便于求得相关的线性关系以及对线性关系正确性的验证。

项目方案——图像采集(2)1983年polus提出的关于服务级别的定义以及密度分类与服务级别的关系，该图中假定监控面积约为18m2项目方案——背景建模及前景像素提取(1)背景建模在VC环境中进行背景建模。实时更新背景图像以适应动态场景变化。

即g(x,y)=g(x,y)+af(x,y),其中g(x,y)为背景图像，f(x,y)为输入图像，a为自定义的一个较小常量。输入的第一幅图像即为背景图像，我们可以自己拍摄纯粹的背景图像，若条件不允许，可以采用区域取均值的方法来获取背景图像，高斯背景建模是常用的方法。

项目方案——背景建模及前景像素提取(2)前景像素提取[5]背景减除法（backgroundsubtraction）利用当前图像与背景图像的差分来提取前景像素，前景像素是场景中人群所占有的区域。这种算法实现简单，速度快，能投提供运动目标最完全的特征数据。过程 将当前图像和背景模型作对比，计算出在一定阈值限制下当前图像中出现的偏离背景模型值较大的那些像素，据此对图像进行二值化处理，从而得到前景像素项目方案——边缘信息提取(1)边缘提取时要保留图像的灰度变化剧烈的区域，所以需要用高通滤波器来保留高频信息，在此之前需对图像进行除噪处理。除噪可以用中值滤波实现。拟采用索贝尔算子实现，它是实现边缘检测的最常用算子之一。它是一种一阶算子，实现简单效果较好。

项目方案——边缘信息提取(2)索贝尔算子原理

该算子包含两组3*3矩阵，分别为横向及纵向。如果A代表原始图像，Gx及Gy分别代表经横向和纵向边缘检测的图像，公式如下：

则处理后的图像为：

前景像素边缘信息两种特征向量的结合

经过Matlab训练后，可以得出人数与前景像素数和边缘像素数的两种线性关系，均满足z=mx+b

y=(z-b)=mx将这两种关系结合起来，充分利用两种特征向量对人数统计的影响，修正参数值，从而得到更为准确的密度估计结果。

项目方案——运动检测算法实现(1)

拟采用光流法(opticalflow)[5][6]实现运动检测 光