基于混合高斯建模和纹理特征提取的人数统计方法研究

2018-04-04张朋温宏愿

价值工程 2018年10期

张朋温宏愿

摘要：针对密集人群环境中行人相互遮挡造成人数难以准确统计问题，提出了一种基于混合高斯模型和图像纹理特征提取的人数密度统计方法。首先通过混合高斯建模提取前景图像，其次通过线性内插权重来进行透视矫正，最后通过构造和提取能量、对比度、熵和相关性四个特征参数进行人数统计。结果表明在不同的测试环境下系统的准确率在90%以上，达到人群密度监控的基本要求。

Abstract： In view of the difficulty of accurately counting the number of pedestrians in dense crowd environment， this paper proposes a population density statistics method based on Gaussian mixture model and image texture feature extraction. Firstly， the foreground image is extracted by means of Gaussian mixture modeling. Secondly， the orthographic correction is performed by linear interpolation weights. Finally， the population statistics are constructed by constructing and extracting the four characteristic parameters of energy， contrast， entropy and correlation. The results show that the accuracy of the system is more than 90% in different test environment， to achieve the basic requirements of population density monitoring.

关键词：人群密度估计；特征向量；混合高斯建模；透视矫正

Key words： population density estimation；eigenvector；mixed Gaussian modeling；orthographic correction

中图分类号：TP391.4 文献标识码：A 文章编号：1006-4311（2018）10-0235-02

0 引言

随着视频监控技术的快速发展，采用视频图像处理技术可以为公共场所如：车站、商场、公园等大型提供人群密度估计，为安全管理及社会经济效益提供准确的数据依据。人群密度估计系统包括视频采集、图像预处理、前景图像提取、图像透视矫正以及图像特征参数提取，最后通过特征参数估计出人群密度及人数。

1 人群密度估计

人数密度统计系统采用混合高斯模型建模的方法提前前景像素，由于图像从三维空间转换到二维空间后存在图像畸变情况，需要进行透视矫正后才能对前景图像进行纹理特征提取，最后根据特征量进行场景人数密度估计。

1.1 图像前景提取

攝像机采集到的图像首先需要进行图像预处理然后才能够进行图像前景提取。图像前景提取就是将视频图像中有效变化的像素提取出来。但是现场视频采集过中，存在各种背景的因素的干扰，如：随着时间的变化光照角度及强度不断变化、随风摆动的树枝或波光粼粼的水面等。这些看似是静止的背景因素在图像前景提取过程中都会造成不同程度的影响。针对上述背景的微小变化，本文提出了采用混合高斯模型进行图像前景的提取。

混合高斯建模是一种密度分布模型，是在图像采集过程中对每一帧图像中的某一个像素按时间序列进行概率统计，其分布模型由K个高斯模型组成。假设某一位置的像素在一段时间内像素值为{X1，X2，…Xt}，则由式（1）可以计算出某一个时刻该像素值概率为：

式（5）中B表示背景图像，T表示阈值，K个高斯分布中的K值大小由T来决定。在进行前景提取时，若新采集的像素值Xt不能够与系统中的所有高斯分布匹配，则这个像素值属于前景像素，反之则属于背景像素。

1.2 构造特征向量

经过前景图像的提取，并对前景图像进行透视矫正后，就可以对前景图像进行特征提取了。

在纹理特征提取中通常采用灰度共生矩阵的方法。灰度共生矩阵的主要优点是能够减小人群相互遮挡对统计统计造成的影响，对高密度人群的检测较为敏感。

在纹理特征提取过程中，一般不会直接采用灰度共生矩阵的数据，而是通过构建特征向量来处理共生矩阵产生的数据最后通过依据特征向量的数据来估计人群密度及人数。构建的特征向量主要是以下四个：

通过相关性的大小来反应前景图像中像素的变化情况，若相邻像素的数值变化较小，则相关性值较大。

2 仿真与结果分析

通过选择实际测量环境来验证系统的实际应用情况，首先根据实际应用环境的情况将人群密度设定为三个等级，低密度人群、中密度人群和高密度人群。硬件平台为华硕I7-6700HQ，软件平台为MatlabR2015a。图像选择的是我校教学楼一侧的通道处，图像的视频大小格式为1280*720像素，帧率为30帧/秒。在视频图像预处理后，通过混合高斯模型和纹理特征对前景图像进行特征提取。通过选择第25帧图像，第12198帧图像，第55678帧图像为例进行人数统计。

表1是基于纹理分析的人群密度估计训练样本估计结果，查全率均在93%以上；表2是基于纹理分析的人群密度估计测试样本估计结果，查全率均在90%以上。由仿真结果可得，基于问题分析的人群密度估计算法的查全率在90%以上，已达到算法设计的要求。

從测试结果可以看出，基于混合高斯模型和纹理特征提取的人数统计方法，达到了人群密度监控的基本要求，系统的整体性能良好。

3 结束语

由于通过基于混合高斯模型和纹理特征提取的人数统计方法，在处理过程中只是对提取的像素进行处理，并通过测试训练来估算出人数。大大减少了系统的处理资源，提高的系统的处理效率。从表2的测试结果可以看出，系统的三种不同人群密度的环境下测试结果都在90%以上，特别在中等密度人群时系统的准确率达到96.67%，系统达到了人群密度监控的基本要求。但是在低密度人群和高密度人群时系统的准确率出现下降。对于这种问题将是我们后期研究的重点。