基于紋理分析的人群密度估計(jì).pdf

1、隨著經(jīng)濟(jì)社會(huì)的飛速發(fā)展，各種大型廣場(chǎng)、娛樂場(chǎng)所層出不窮，大型人群活動(dòng)也日益頻繁，與此同時(shí)，高度擁擠的人群導(dǎo)致的人群災(zāi)禍屢見不鮮。在這種嚴(yán)峻的形勢(shì)下，對(duì)監(jiān)控區(qū)域進(jìn)行人群密度估計(jì)，進(jìn)而對(duì)高密度區(qū)域人群及時(shí)采取疏散措施有著極為重要的意義。
　　人群密度估計(jì)最常用的模式是對(duì)樣本圖片提取特征，再用分類器對(duì)特征進(jìn)行分類，從而得到人群密度的級(jí)別。從灰度共生矩陣中提取出紋理特征是當(dāng)前最常用的特征，但是這種紋理特征只利用了人群圖像的灰度信息，分類的

2、正確率不高。針對(duì)這個(gè)問題，本文提出結(jié)合灰度共生矩陣的特征參數(shù)和灰度-梯度矩陣的特征參數(shù)的方法，將這些特征參數(shù)結(jié)合成一個(gè)二十維的特征向量用于后續(xù)分類。這樣，不僅利用了人群圖像的灰度信息，同時(shí)還融合了人群圖像的梯度信息，具有更好的分類效果。
　　在用分類器對(duì)特征進(jìn)行分類的階段，傳統(tǒng)的做法采用一對(duì)一、一對(duì)多或者有向無(wú)環(huán)圖的支持向量機(jī)(Support Vector Machine，簡(jiǎn)稱SVM)對(duì)人群密度等級(jí)進(jìn)行分類。但是這種構(gòu)建多分類SV

3、M的方法需要的子SVM數(shù)目多，訓(xùn)練時(shí)間和測(cè)試時(shí)間較長(zhǎng)。針對(duì)這種情況，本文提出用一種改進(jìn)的多類分類SVM——基于最短距離的二叉樹SVM，用它對(duì)特征進(jìn)行分類，減少了所需的子SVM的數(shù)目，縮短了測(cè)試時(shí)間。
　　除了使用支持向量機(jī)作為分類器外，本文還提出用極速學(xué)習(xí)機(jī)(Extreme LearningMachine，簡(jiǎn)稱ELM)對(duì)紋理特征進(jìn)行分類。ELM是近年來(lái)基于單隱層神經(jīng)網(wǎng)絡(luò)模型提出的一種新算法，其對(duì)輸入權(quán)值和偏差隨機(jī)賦值，然后通過(guò)簡(jiǎn)單