基于機器學習的人數(shù)統(tǒng)計系統(tǒng)研究與實現(xiàn).pdf

1、城市化進程的發(fā)展造成世界人口的急劇增加，間接使得人群聚集現(xiàn)象也越來越多。人數(shù)統(tǒng)計分析在公共安全、公共基礎(chǔ)設(shè)施、商業(yè)應(yīng)用等方面的價值逐步凸顯。和傳統(tǒng)的統(tǒng)計方法相比，基于機器學習的統(tǒng)計方法具有精確的數(shù)據(jù)處理、高效的信息融合和精簡的人工操作等優(yōu)勢。因此，基于機器視覺的區(qū)域觀察引起了計算機視覺研究人員的廣泛研究，同時涌現(xiàn)了一大批實現(xiàn)人數(shù)統(tǒng)計的方法。
　　通過對人數(shù)統(tǒng)計方法的研究，基于統(tǒng)計回歸的方法有較為精確的結(jié)果，但在實現(xiàn)方向計數(shù)上比較困

2、難。基于個體檢測的方法在方向計數(shù)上有著明顯優(yōu)勢，但由于其檢測時計算量大，在嵌入式系統(tǒng)實現(xiàn)時實時性不高。因此，本文針對基于個體檢測的方法，在檢測前先進行目標預提取，提取出疑似包含目標的小窗口，避免全圖掃描檢測。然后利用檢測器對這些窗口進一步檢測，實現(xiàn)檢測計數(shù)目的同時提高處理速度。
　　本文中人數(shù)統(tǒng)計系統(tǒng)采用基于BING特征的人頭提取方法。實驗表明，BING特征提取的窗口具有較大的參考價值。在行人檢測方面，本文采用垂直俯拍的方式通過檢

3、測人頭來識別行人，以減小行人之間由于遮擋產(chǎn)生的誤差。分類器設(shè)計時采用基于Haar-like特征的AdaBoost方法訓練的人頭分類器。為了提高檢測速度，采用強分類器級聯(lián)算法構(gòu)建的層疊分類器。在人頭跟蹤上，本系統(tǒng)采用基于卡爾曼濾波器預測的目標跟蹤方法。算法仿真調(diào)試利用POSIX多線程技術(shù)在PC平臺完成。在系統(tǒng)實現(xiàn)時，硬件平臺選取基于全志A20處理器的Cubieboard2平臺，最終將系統(tǒng)移植到硬件臺上。
　　實驗結(jié)果表明，本文采用的