監(jiān)控場景中人數(shù)統(tǒng)計算法的研究與應(yīng)用.pdf

1、隨著社會經(jīng)濟(jì)和計算機(jī)技術(shù)的不斷發(fā)展，人們對公共安全問題關(guān)注度越來越高?，F(xiàn)如今，智能視頻監(jiān)控系統(tǒng)已大量應(yīng)用在醫(yī)院、大型商場、學(xué)校、火車站、汽車站、居民住宅區(qū)等公共場所，協(xié)助安全人員在遇到緊急情況時可以更加及時的處理，保證公民的人身和財產(chǎn)安全。同時還可以幫助管理人員及時的處理公共設(shè)施的調(diào)配問題，使得公共資源能夠合理分配，社會生活有序快速進(jìn)行。人數(shù)統(tǒng)計是智能視頻監(jiān)控領(lǐng)域的一個具有重要現(xiàn)實意義的研究方向，也是計算機(jī)視覺與模式識別領(lǐng)域的一個研究熱

2、點和難點。準(zhǔn)確、實時的估計出監(jiān)控場景中的實際人數(shù)可以幫助相關(guān)人員進(jìn)行事前預(yù)警和事后決策。人數(shù)統(tǒng)計系統(tǒng)在公共安全防控和商業(yè)信息采集上均具有非常重要的研究意義。
　　本文首先介紹了有關(guān)人數(shù)統(tǒng)計算法的國內(nèi)外研究現(xiàn)狀，仔細(xì)分析了這些方法的特點，并對現(xiàn)有方法做了分類總結(jié)。現(xiàn)有基于監(jiān)控視頻的人數(shù)統(tǒng)計方法大體上可分為兩大類方法。一類是基于目標(biāo)檢測的人數(shù)統(tǒng)計方法，另一類是基于特征回歸的人數(shù)統(tǒng)計方法。這兩類方法各有利弊，且各有其適用的場合?；谀繕?biāo)

3、檢測的人數(shù)統(tǒng)計方法優(yōu)點是能定位到目標(biāo)的具體位置分布，而且計數(shù)結(jié)果的可信度高。缺點是在監(jiān)控場景環(huán)境復(fù)雜、目標(biāo)嚴(yán)重遮擋的情況下檢測效果差強(qiáng)人意。基于特征回歸的人數(shù)統(tǒng)計方法優(yōu)點是在人群密集的情況下也能大致估計出人數(shù)結(jié)果。缺點是在背景復(fù)雜、相機(jī)透視的情況下，很難找到一個通用的人群特征描述，使得計數(shù)效果不理想。針對以上兩類人數(shù)統(tǒng)計方法存在的問題，本文提出了兩種不同的監(jiān)控視頻人數(shù)統(tǒng)計方法。
　　基于目標(biāo)檢測的人數(shù)統(tǒng)計方法中考慮到人頭部分在大多

4、數(shù)監(jiān)控場景下，遮擋較小，多樣性也相對人體較低，所以本文選擇檢測人頭作為人數(shù)統(tǒng)計對象。提出了基于Adaboost與卡爾曼濾波結(jié)合的人數(shù)統(tǒng)計算法。首先通過機(jī)器學(xué)習(xí)Adaboost的方法得到人頭檢測分類器，并使用多尺度滑動窗配合非極大值抑制算法對視頻圖像進(jìn)行人頭初步檢測。然后，將第一步人頭初檢測出的結(jié)果圖像輸出，并人工挑選出這些難分的正確分類與錯誤分類的圖像，再將它們作為SVM算法的訓(xùn)練樣本進(jìn)行再學(xué)習(xí)。學(xué)習(xí)得到人頭篩選的二次分類器用以對初步檢

5、測結(jié)果進(jìn)行二次篩選，以此方式有效去除錯誤檢測，增強(qiáng)了計數(shù)可信度。最后，使用卡爾曼濾波與檢測結(jié)果數(shù)據(jù)關(guān)聯(lián)算法彌補幀間漏檢，并把數(shù)據(jù)關(guān)聯(lián)處理后的結(jié)果作為最終的人數(shù)統(tǒng)計結(jié)果。實驗證明該方法解決了有效去除誤檢測與幀間漏檢問題，使得檢測與人數(shù)統(tǒng)計結(jié)果更加穩(wěn)定，對比初步檢測結(jié)果，計數(shù)準(zhǔn)確率提高了10％以上。
　　基于特征回歸的人數(shù)統(tǒng)計方法中特征選擇是關(guān)鍵。本文提出了在特征選擇方面有優(yōu)勢的基于卷積神經(jīng)網(wǎng)絡(luò)的監(jiān)控視頻人數(shù)統(tǒng)計算法，該方法使用深度學(xué)