基于監(jiān)控視頻動(dòng)態(tài)信息分析的人流密度檢測(cè)算法的研究.pdf

1、隨著經(jīng)濟(jì)的快速發(fā)展，人員往來的日益頻繁，人口流動(dòng)的速度在不斷地加快。這也導(dǎo)致城市里、景區(qū)中高密度人流的公共場(chǎng)所越來越多。而這些場(chǎng)所的人員安全問題也日益成為一個(gè)十分迫切的問題。視頻監(jiān)控技術(shù)的高速發(fā)展，特別是人流密度檢測(cè)技術(shù)的興起，為保障這些場(chǎng)所的安全提供了一種手段。通過實(shí)時(shí)的人流密度檢測(cè)系統(tǒng)，管理者或者組織者能夠及時(shí)方便的采取相對(duì)應(yīng)的措施，避免險(xiǎn)情的發(fā)生，保證人民群眾的生命財(cái)產(chǎn)安全。
　　本文首先介紹了人流密度檢測(cè)的意義以及國(guó)內(nèi)外人

2、流密度檢測(cè)研究的現(xiàn)狀。然后研究了圖像預(yù)處理的知識(shí)，這也是人流密度檢測(cè)的理論基礎(chǔ)。在特征提取與跟蹤算法的研究中，重點(diǎn)探討了基于KLT(Kanade-Lucas-Tomasi)算法的特征提取與跟蹤，并將其與傳統(tǒng)特征提取方法進(jìn)行了對(duì)比分析，最后利用KLT算法完成了視頻圖像特征點(diǎn)的提取。這一章的研究是為聚集度反應(yīng)人流密度奠定了基礎(chǔ)。在人流密度檢測(cè)算法的研究中，分析了目前主流的基于像素統(tǒng)計(jì)和基于紋理分析的人流密度檢測(cè)算法。通過實(shí)驗(yàn)完成了兩種算法的

3、對(duì)比，其中基于紋理分析的算法采用了灰度共生矩陣。在深入分析了SDP(Self-Driven Particles)模型后闡述了聚集度的概念后，通過仿真檢驗(yàn)了SDP模型。聚集度描述了個(gè)體參與群體運(yùn)動(dòng)的程度。通過聚集度，能夠幫助管理者迅速鎖定視頻運(yùn)動(dòng)中的起主導(dǎo)作用的個(gè)體。同時(shí)聚集度也能夠定性地反應(yīng)人流密度的大小，人流密度高時(shí)，聚集度也高，反之亦然。最后通過將人流密度與聚集度相結(jié)合，實(shí)現(xiàn)了聚集度實(shí)用性與準(zhǔn)確性的驗(yàn)證，并給出五種密度等級(jí)下聚集度的