人群密度估计研究现状及发展趋势

武警工程大学　姜　源　刘　曼武警工程大学　西安交通大学　彭月平

人群密度估计研究现状及发展趋势

武警工程大学姜源刘曼
武警工程大学西安交通大学彭月平

随着平安城市和社会安全需求的日益增长，人工甄别视频监控的方式己经不能满足需要，自动化的人群密度估计算法因此应运而生并迅速成为一个研究热点。本文对人群密度估计算法的发展和研究现状进行了综述。从图像预处理、人群密度估计算法、现存问题和发展难点等角度进行了总结；并对人群密度估计算法在当前大数据时代中存在的挑战及发展趋势展开思考。

人群密度；密度估计；大数据

1　引言

近年来，随着暴恐事件和踩踏事件的增多，人群行为分析成为视频监控领域的研究热点。人群的密度作为人群的主要属性，在公共安防、群体管理、场所规划等领域具有重要意义。目前己有较多学者对人群密度估计和异常行为识别算法进行了总结，如Yilmaz等［1］、Wang［2］和Wu等［3］分别从单摄像机和多摄像机跟踪方面对目标跟踪算法进行了较为详细的介绍，黄凯奇等［4］、Andreopoulos等［5］和Zhang等［6］对图像中目标分类识别算法进行了介绍。本文将按照人群密度估计的总体步骤，综述上述算法的具体实现，分析人群密度估计算法的发展前景。

2　视频图像预处理

人群密度估计的视频图像预处理主要包含图像去噪、背景生成和前景提取等过程。在人群密度估计中，多沿用传统的图像复原算法进行图像去噪，在此本文只对典型的几种应用较多的算法进行总结。前景信息是很重要的人群特征，传统的前景提取方法主要有帧差法、光流法、背景建模法等。然而随着目标运动趋于无规律，图像背景复杂度增加，传统的前景检测算法优越性逐渐降低，更为复杂有效的前景检测算法应运而生。如基于视频帧差的自适应背景建模算法［14］和基于彩色视频图像的背景生成算法［12］。

2.1基于视频帧差的自适应背景建模算法

视频帧差是假设在视频中，人体始终是运动的，使得背景显现出来。这种方法使用各个像素沿时间轴的变化信息，生成了没有目标人群的背景图像。

2.2基于彩色视频图像的背景生成算法

该算法的基本思路是：对时间长度为t的图像视频，按固定采样频率获得N帧采样图像序列；将相邻帧图像进行两两差分，区分出图像的前景区域和背景区域；将相邻帧之间同一像素点的某一颜色通道分量值相减，若绝对差值小于阈值T，则认为像素点属于背景区域，否则为前景区域像素点；重复进行N-1次帧差，将属于背景区域的像素点分量值累加至计数器，统计每个像素点被判为背景区域的次数M，最后用计数器除以M就得到该颜色通道上的背景图像。三个颜色通道上均采用同样的处理方法，最后将三个颜色通道组合便可获得较好的彩色背景图像。

3　基于像素特征和纹理特征的融合式人群密度估计算法

人群密度估计是计算机视觉和数字图像处理中非常重要的一个研究课题，传统的算法主要有两类：基于像素统计的人群密度估计方法和基于纹理分析的人群密度估计方法。

像素的统计特性是最早被采用的人群密度特征。其基本思想为：人群密度越高，人群目标所占整个图像的比例就越大，所提取的前景图像边缘像素点的数量也越多。但该算法在人数较多、人群重叠时误差较大，因此多应用于人群密度较低的场景。纹理的概念应用于图像处理中，主要描述为图像的灰度级或颜色的变化。但是纹理分析算法复杂，计算量大，用于低密度人群估计显得得不偿失。据此，综合两种算法各自的特点，将前者用于低密度人群估计，而后者则用于中高密度人群等级判定。具体算法原理如图1所示。

图1　融合式人群密度估计算法原理图

在此基础上，张英烈［9］提出了基于分块的密度估计方法，利用摄像头成像透视原理将人群图像划分为多个面积大小一致的子图像，再对每一个子图像分别利用基于像素特征、纹理特征的算法进行人群数量估计。该算法能够基本满足实时监测的需求，准确度较高，并对局部的人群密度也能有效监测。

张文倩［10］则针对中低密度人群采用基于特征与线性回归方法来估计人数，而采用基于灰度共生矩阵与分形维数的人群密度估计算法对高密度人群进行密度等级分类。该算法估计精度较高，各个类别的漏报率和误报率都比较低，实时性也较好，能够在实际监控中实现中低密度人群和高密度人群的估计。

4　人群密度估计算法面临的挑战和未来发展方向

4.1人群密度估计算法待解决的问题和难点

在图像预处理环节，基于背景建模的检测方法只适用于摄像机固定拍摄的场景，但是该场景中干扰因素也很多，如光照环境变化、目标遮挡等，极大影响了算法的性能，给背景减除带来很大挑战。

而在特征统计中，目标自身的形变和其他物体的遮挡使得表观特征产生很大变化，同时目标以外的背景也使得提取局部特征时引入较多噪声和干扰，给特征提取和统计带来了极大的困难。

目前目标检测与特征提取的工作还局限于一些小规模数据库上的简单实验。因此，速度快、精度高、鲁棒性强的人群密度估计算法依然是努力的目标。

4.2大数据时代人群密度估计算法发展方向

根据公开数据以及调研报告分析，2010年，高清监控摄像机开始规模化应用，并且保持高增长速度。根据调查，2012年全国高清摄像机总出货量己突破360万台。据不完全统计，目前全国架设摄像机数量接近1.5亿台，其中高清摄像机接近1500万台［11］。海量的监控数据，标志着视频监控进入了大数据时代。

将大数据、云计算思维与人群密度估计算法相结合，即实现分布式人群密度估计，有如下优势：（1）实现跨摄像机的准确人群密度估计。依靠云计算，可以调取各个位置的监控图像以综合估计出现有场景人群密度，以弥补单一视角的缺陷。（2）实现大批量特征信息提取。借助云计算分布式计算的特点，调动网络中可用的硬件、软件资源，使得高效处理海量数据成为可能。（3）实现各部门资源实时共享。云监控运行后，密度估计数据能及时上传至相关部门，实现立即发现、立即处理，提高了维护群众安全和公共安全的行动力。

5　结论

本文在一定量文献阅读基础上对当前较为新颖的人群密度估计算法进行总结，尤其对文献［9］和文献［10］中所提出的算法进行详细介绍，并验证其估计准确率。在分析和总结人群密度估计算法研究现状的同时，分析该领域目前仍待解决的问题和难点。对大数据时代下的人群密度估计算法大胆设想，提出未来可能的发展方向，为人群密度估计领域找到了一条新的发展思路。

［1］Yilmaz A，Javed O，Shah M.Object tracking：A survey. ACM Computing Surveys（CSUR），2006，38（4）：1-29.

［2］Wang X.Intelligent multi-camera video surveillance：A review. Pattern Recognition Letters，2012，34（1）：3-19.

［3］Wu Y，Lim J，Yang M H.Online object tracking;A bench-mark// Proceedings of the IEEE International Conference on Computer Vision and Pattern Recognition.Portland，USA，2013：2411-2418.

［4］黄凯奇，任伟强，谭铁牛.图像物体分类与检测算法综述［J］.计算机学报，2014，37（6）：1225-1240.

［5］Andreopoulos A，Tsotsos J K.50 years of object recognition Directions forward.Computer Vision and Image Understanding，2013，117（8）：827-891.

［6］Zhang X，Yang Y H，Han Z，et al.Object class detection A survey. Association for Computing Machinery Computing Surveys（CSUR），2013，46（1）：1311-1325.

［7］叶子.基于视觉计算的人群场景理解与行为分析［D］.中国矿业大学（北京），2013.

［8］王雅琳.基于灰度共生矩阵的人群密度估计算法研究［D］.西安科技大学，2013.

［9］张英烈.人群密度估计研究及其在医院中的应用［D］.杭州电子科技大学，2015.

［10］张文倩.视频监控中人群密度估计研究［D］.中北大学，2013.

［11］2013-2018 Chinese intelligent video surveillance market forecast report of supply and demand situation and development prospect（in Chinese）.