一種基于支持向量機(jī)的人群密集度檢測(cè)方法及系統(tǒng)的制作方法
【專(zhuān)利摘要】本發(fā)明實(shí)施例公開(kāi)了一種基于支持向量機(jī)的人群密集度檢測(cè)方法及系統(tǒng)，用于直接分析檢測(cè)區(qū)域的密集度，檢測(cè)效率高。本發(fā)明實(shí)施例方法主要包括：在分類(lèi)模型離線訓(xùn)練中導(dǎo)入密集度分類(lèi)的視頻樣本圖像，提取樣本圖像的顏色特征、HOG特征、前景矩特征，進(jìn)行歸一化處理后進(jìn)行支持向量機(jī)分類(lèi)訓(xùn)練后獲得密集度分類(lèi)模型；在實(shí)時(shí)檢測(cè)中導(dǎo)入檢測(cè)區(qū)域的實(shí)時(shí)視頻，提取所述實(shí)時(shí)視頻的每一幀圖像的顏色特征、HOG特征和前景矩特征并進(jìn)行歸一化處理，使用所述分類(lèi)模型離線訓(xùn)練中獲得的所述密集度分類(lèi)模型進(jìn)行分類(lèi)，從而獲得檢測(cè)區(qū)域的密度集分類(lèi)。
【專(zhuān)利說(shuō)明】一種基于支持向量機(jī)的人群密集度檢測(cè)方法及系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及人群密集度及人流量處理【技術(shù)領(lǐng)域】，具體涉及一種基于支持向量機(jī)的人群密集度檢測(cè)方法及系統(tǒng)。
【背景技術(shù)】
[0002]隨著城市化的發(fā)展，城市人口密度越來(lái)越大，特別是一些商業(yè)區(qū)在高峰時(shí)段以及假日會(huì)出現(xiàn)人群高峰；隨著旅游觀光業(yè)的發(fā)展，一些著名景區(qū)在節(jié)假日也會(huì)出現(xiàn)人群極度擁擠的情況。因此，監(jiān)控人群密集度，以防發(fā)生嚴(yán)重事故已經(jīng)越來(lái)越重要。
[0003]傳統(tǒng)的人群密集度檢測(cè)方法是通過(guò)在出入口安裝兩組紅外光電傳感器，用來(lái)對(duì)出入人數(shù)進(jìn)行統(tǒng)計(jì)，通過(guò)計(jì)算差值獲取區(qū)域人數(shù)。但是這種方法只能獲取整個(gè)區(qū)域的人數(shù)，對(duì)于局部區(qū)域的人群密集度無(wú)法檢測(cè)，適應(yīng)性差?，F(xiàn)有的基于視頻分析的人群密集度檢測(cè)方法主要有基于團(tuán)塊跟蹤和基于軌跡聚類(lèi)統(tǒng)計(jì)人數(shù)，但是該方法要求對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行實(shí)時(shí)跟蹤，跟蹤要求精度聞，運(yùn)算量也較大，導(dǎo)致成本提聞。

【發(fā)明內(nèi)容】

[0004]針對(duì)上述缺陷，本發(fā)明實(shí)施例提供了一種基于支持向量機(jī)的人群密集度檢測(cè)方法及系統(tǒng)，用于解決在復(fù)雜場(chǎng)景或人群密集較高時(shí)無(wú)法跟蹤或者跟蹤效果差的情況，無(wú)需對(duì)運(yùn)動(dòng)目標(biāo)或團(tuán)塊進(jìn)行跟蹤，直接獲得檢測(cè)區(qū)域的密集度分類(lèi)結(jié)果。
[0005]本發(fā)明一方面提供一種基于支持向量機(jī)的人群密集度檢測(cè)方法，包括:
[0006]在分類(lèi)模型離線訓(xùn)練中導(dǎo)入密集度分類(lèi)的視頻樣本圖像，提取所述視頻樣本圖像的顏色特征、方向梯度直方圖HOG特征和前景矩特征，并對(duì)所述視頻樣本圖像的顏色特征、方向梯度直方圖HOG特征和前景矩特征進(jìn)行歸一化合并，后進(jìn)行支持向量機(jī)分類(lèi)訓(xùn)練獲得密集度分類(lèi)模型；
[0007]在實(shí)時(shí)檢測(cè)中導(dǎo)入檢測(cè)區(qū)域的實(shí)時(shí)視頻，從所述實(shí)時(shí)視頻的每一幀圖像提取顏色特征、HOG特征和前景矩特征，并對(duì)所述實(shí)時(shí)視頻的每一幀圖像的顏色特征、HOG特征和前景矩特征進(jìn)行歸一化合并；
[0008]根據(jù)在所述分類(lèi)模型離線訓(xùn)練中獲得的所述密集度分類(lèi)模型，對(duì)所述實(shí)時(shí)檢測(cè)中每一幀圖像的歸一化合并后的顏色特征、HOG特征和前景矩特征進(jìn)行支持向量機(jī)分類(lèi)，從而得到所述檢測(cè)區(qū)域的密集度分類(lèi)。
[0009]一個(gè)實(shí)施例中，所述密集度分類(lèi)包括A類(lèi)、B類(lèi)、C類(lèi)、D類(lèi)和E類(lèi)，其中，所述A類(lèi)表示一平米中人均數(shù)大于3 ;所述B類(lèi)表示一平米中人均數(shù)小于等于3且大于等于2.5 ;所述C類(lèi)表示一平米中人均數(shù)小于等于2.4且大于等于1.6 ;所述D類(lèi)表示一平米中人均數(shù)小于等于1.5且大于等于0.8 ;所述E類(lèi)表示一平米中人均數(shù)小于等于0.7且大于等于O ;所述在分類(lèi)模型離線訓(xùn)練中導(dǎo)入密集度分類(lèi)的視頻樣本圖像之前，包括:根據(jù)所述密集度分類(lèi)，獲取所述密集度分類(lèi)對(duì)應(yīng)的視頻樣本圖像。
[0010]一個(gè)實(shí)施例中，所述在分類(lèi)模型離線訓(xùn)練中導(dǎo)入密集度分類(lèi)樣本圖像，提取顏色特征、HOG特征和前景矩特征，并對(duì)從所述視頻樣本圖像中提取的顏色特征、HOG特征和前景矩特征進(jìn)行歸一化合并，后進(jìn)行支持向量機(jī)分類(lèi)訓(xùn)練后獲得密集度分類(lèi)模型，包括:在分類(lèi)模型離線訓(xùn)練中導(dǎo)入密集度分類(lèi)的視頻樣本圖像，將所述視頻樣本圖像分成至少兩塊樣本圖像塊；將所述樣本圖像塊從RGB顏色空間轉(zhuǎn)換成HSV顏色空間，并對(duì)所述HSV顏色空間的H分量進(jìn)行分類(lèi)，獲得所述樣本圖像塊的顏色直方圖；將所述樣本圖像塊轉(zhuǎn)換成樣本灰度圖，對(duì)所述樣本灰度圖進(jìn)行高斯濾波處理和灰度直方圖均衡處理；從所述經(jīng)過(guò)高斯濾波處理和直方圖均衡處理后的樣本灰度圖中提取HOG特征；利用經(jīng)過(guò)高斯濾波處理和直方圖均衡處理后的相鄰三幀樣本灰度圖的幀差獲得前景圖，并從所述前景圖中提取前景矩特征；對(duì)從所述樣本圖像塊中提取的所述顏色特征、HOG特征和前景矩特征進(jìn)行歸一化合并；對(duì)歸一化合并后的顏色特征、HOG特征和前景矩特征進(jìn)行支持向量機(jī)訓(xùn)練，獲得密集度分類(lèi)模型。
[0011]一個(gè)實(shí)施例中，所述對(duì)所述樣本灰度圖進(jìn)行高斯濾波處理和灰度直方圖均衡處理，具體包括:采用高斯函數(shù)對(duì)所述樣本灰度圖的像素點(diǎn)與所述像素點(diǎn)的領(lǐng)域像素點(diǎn)進(jìn)行加權(quán)求取平均值，根據(jù)所述平均值處理所述樣本灰度圖，進(jìn)而獲得平滑樣本灰度圖；根據(jù)灰度獲得所述平滑樣本灰度圖的樣本灰度直方圖，并按照預(yù)定對(duì)比度放大所述樣本灰度直方圖。
[0012]一個(gè)實(shí)施例中，所述利用經(jīng)過(guò)高斯濾波處理和直方圖均衡處理后的相鄰三幀樣本灰度圖的幀差獲得前景圖，并從所述前景圖中提取前景矩特征包括:獲得相鄰三幀的樣本灰度圖的幀差；根據(jù)所述幀差獲得所述樣本灰度圖的前景圖；從所述前景圖中提取前景矩特征。
[0013]一個(gè)實(shí)施例中，所述在實(shí)時(shí)檢測(cè)中導(dǎo)入檢測(cè)區(qū)域的視頻實(shí)時(shí)圖像，提取顏色特征、HOG特征和前景矩特征，并對(duì)從所述視頻實(shí)時(shí)圖像中提取的顏色特征、HOG特征和前景矩特征進(jìn)行歸一化合并包括:在實(shí)時(shí)檢測(cè)中導(dǎo)入檢測(cè)區(qū)域的視頻實(shí)時(shí)圖像，將所述視頻實(shí)時(shí)圖像分成至少兩塊實(shí)時(shí)圖像塊；在實(shí)時(shí)檢測(cè)中導(dǎo)入檢測(cè)區(qū)域的視頻實(shí)時(shí)圖像，將所述視頻實(shí)時(shí)圖像分成至少兩塊實(shí)時(shí)圖像塊；將所述實(shí)時(shí)圖像塊從RGB顏色空間轉(zhuǎn)換成HSV顏色空間，并對(duì)所述HSV顏色空間的H分量進(jìn)行分類(lèi)，獲得所述實(shí)時(shí)圖像塊的顏色直方圖；將所述實(shí)時(shí)圖像塊轉(zhuǎn)轉(zhuǎn)換成實(shí)時(shí)灰度圖，對(duì)所述實(shí)時(shí)灰度圖進(jìn)行高斯濾波處理和灰度直方圖均衡處理；從所述經(jīng)過(guò)高斯濾波處理和直方圖均衡處理后的實(shí)時(shí)灰度圖中提取HOG特征；利用經(jīng)過(guò)高斯濾波處理和直方圖均衡處理后的相鄰三幀實(shí)時(shí)灰度圖的幀差獲得前景圖，并從所述前景圖中提取前景矩特征；對(duì)從所述實(shí)時(shí)圖像塊中提取的所述顏色特征、HOG特征和前景矩特征進(jìn)行歸一化合并。
[0014]一個(gè)實(shí)施例中，所述對(duì)所述實(shí)時(shí)灰度圖進(jìn)行高斯濾波處理和灰度直方圖均衡處理，包括:采用高斯函數(shù)對(duì)所述實(shí)時(shí)灰度圖的像素點(diǎn)與所述像素點(diǎn)的領(lǐng)域像素點(diǎn)進(jìn)行加權(quán)求取平均值，根據(jù)所述平均值處理所述實(shí)時(shí)灰度圖，進(jìn)而獲得平滑實(shí)時(shí)灰度圖；根據(jù)灰度獲得所述平滑實(shí)時(shí)灰度圖的實(shí)時(shí)灰度直方圖，并按照預(yù)定對(duì)比度放大所述實(shí)時(shí)灰度直方圖。
[0015]一個(gè)實(shí)施例中，所述采用經(jīng)過(guò)高斯濾波處理和直方圖均衡處理后的相鄰三幀實(shí)時(shí)灰度圖的幀差提取前景，獲得前景矩特征，包括:獲得相鄰三幀的實(shí)時(shí)灰度圖的幀差；根據(jù)所述幀差獲得所述實(shí)時(shí)灰度圖的前景圖；從所述前景圖中提取前景矩特征。
[0016]本發(fā)明另一方面提供一種基于支持向量機(jī)的人群密集度檢測(cè)系統(tǒng)，包括:[0017]分類(lèi)模型離線訓(xùn)練模塊，在分類(lèi)模型離線訓(xùn)練中導(dǎo)入密集度分類(lèi)的視頻樣本圖像，提取所述視頻樣本圖像的顏色特征、方向梯度直方圖HOG特征和前景矩特征，并對(duì)所述視頻樣本圖像的顏色特征、方向梯度直方圖HOG特征和前景矩特征進(jìn)行歸一化合并，后進(jìn)行支持向量機(jī)分類(lèi)訓(xùn)練后獲得密集度分類(lèi)模型；
[0018]實(shí)時(shí)檢測(cè)模塊，用于在實(shí)時(shí)檢測(cè)中導(dǎo)入檢測(cè)區(qū)域的實(shí)時(shí)視頻，從所述實(shí)時(shí)視頻的每一幀圖像提取顏色特征、HOG特征和前景矩特征，并對(duì)所述實(shí)時(shí)視頻的每一幀圖像的顏色特征、HOG特征和前景矩特征進(jìn)行歸一化合并；根據(jù)在所述分類(lèi)模型離線訓(xùn)練中獲得的所述密集度分類(lèi)模型，對(duì)所述實(shí)時(shí)檢測(cè)中每一幀圖像的歸一化合并后的顏色特征、HOG特征和前景矩特征進(jìn)行支持向量機(jī)分類(lèi)，從而得到所述檢測(cè)區(qū)域的密集度分類(lèi)。
[0019]從以上技術(shù)方案可以看出，本發(fā)明實(shí)施例具有以下優(yōu)點(diǎn):
[0020]本發(fā)明實(shí)施例通過(guò)分類(lèi)模型離線訓(xùn)練模塊導(dǎo)入獲得的密集度分類(lèi)的視頻樣本圖像，從該視頻樣本圖像中提取顏色特征、HOG特征和前景矩特征，然后對(duì)三種特征進(jìn)行歸一化合并，最后進(jìn)行支持向量機(jī)分類(lèi)訓(xùn)練得到密集度分類(lèi)模型；另一方面由實(shí)時(shí)檢測(cè)模塊導(dǎo)入檢測(cè)區(qū)域的視頻實(shí)時(shí)圖像，從該視頻實(shí)時(shí)圖像中提取顏色特征、HOG特征和前景矩特征，然后對(duì)三種特征進(jìn)行歸一化合并，根據(jù)在分類(lèi)模型離線訓(xùn)練中得到的密集度分類(lèi)模型，對(duì)實(shí)時(shí)檢測(cè)中歸一化合并后的顏色特征、HOG特征和前景矩特征進(jìn)行支持向量機(jī)分類(lèi)，從而得到該檢測(cè)區(qū)域的密集度分類(lèi)。與現(xiàn)有技術(shù)相比，本發(fā)明實(shí)施例不需要對(duì)運(yùn)動(dòng)目標(biāo)或團(tuán)塊跟蹤，能夠直接對(duì)檢測(cè)區(qū)域進(jìn)行密集度分類(lèi)，得到檢測(cè)區(qū)域的密集度分類(lèi)結(jié)果。
【專(zhuān)利附圖】

【附圖說(shuō)明】
[0021]為了更清楚地說(shuō)明本發(fā)明實(shí)施例的技術(shù)方案，下面將對(duì)本發(fā)明實(shí)施例中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
[0022]圖1為本發(fā)明一實(shí)施例提供的基于支持向量機(jī)的人群密集度檢測(cè)方法流程圖；
[0023]圖2為本發(fā)明一實(shí)施例提供的基于支持向量機(jī)的人群密集度檢測(cè)方法流程圖；
[0024]圖3為本發(fā)明一實(shí)施例提供的基于支持向量機(jī)的人群密集度檢測(cè)方法流程圖；
[0025]圖4_a為本發(fā)明一實(shí)施例提供的基于支持向量機(jī)的人群密集度檢測(cè)系統(tǒng)結(jié)構(gòu)圖；
[0026]圖4_b為本發(fā)明一實(shí)施例提供的基于支持向量機(jī)的人群密集度檢測(cè)系統(tǒng)結(jié)構(gòu)圖；
[0027]圖4-c為本發(fā)明一實(shí)施例提供的基于支持向量機(jī)的人群密集度檢測(cè)系統(tǒng)結(jié)構(gòu)圖。
【具體實(shí)施方式】
[0028]下面將結(jié)合本發(fā)明實(shí)施例的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0029]本發(fā)明實(shí)施例提供了 一種基于支持向量機(jī)的人群密集度檢測(cè)方法，適用于局部區(qū)域，直接對(duì)檢測(cè)區(qū)域的人群密集度進(jìn)行分類(lèi)，有效提高人群密集度的檢測(cè)精確度。
[0030]如圖1所示，本發(fā)明實(shí)施例提供一種基于支持向量機(jī)的人群密集度的檢測(cè)方法，可包括:
[0031]步驟S110、在分類(lèi)模型離線訓(xùn)練中導(dǎo)入密集度分類(lèi)的視頻樣本圖像，提取所述視頻樣本圖像的顏色特征、方向梯度直方圖HOG特征和前景矩特征，并對(duì)所述視頻樣本圖像的顏色特征、HOG特征和前景矩特征進(jìn)行歸一化合并，后進(jìn)行支持向量機(jī)分類(lèi)訓(xùn)練獲得密集度分類(lèi)模型；
[0032]本發(fā)明實(shí)施例包括人群密集度的分類(lèi)模型離線訓(xùn)練和實(shí)時(shí)檢測(cè)兩部分。與現(xiàn)有技術(shù)相比，本發(fā)明實(shí)施例中將人群密集度按照一定的情況進(jìn)行分類(lèi)，例如可以按照一平米中人均數(shù)多少來(lái)將人群密集度分成五種類(lèi)型，分別為A類(lèi)、B類(lèi)、C類(lèi)、D類(lèi)和E類(lèi)，其中，可以定義如下:
[0033]A類(lèi)，表示一平米中人均數(shù)大于3，人群密集度情況為高；
[0034]B類(lèi)，表示一平米中人均數(shù)小于等于3，且大于等于2.5，人群密集度器情況為較聞;
[0035]C類(lèi)，表示一平米中人均數(shù)小于等于2.4，且大于等于1.6，人群密集度情況為中；
[0036]D類(lèi)，表示一平米中人均數(shù)小于等于1.5，且大于等于0.8，人群密集度情況為較低；
[0037]E類(lèi)，表示一平米中人均數(shù)小于等于0.7，且大于等于0，人群密集度情況為低。
[0038]上述人群密集度分類(lèi)用也可以如表1所示:
[0039]
【權(quán)利要求】
1.一種基于支持向量機(jī)的人群密集度檢測(cè)方法，其特征在于，包括: 在分類(lèi)模型離線訓(xùn)練中導(dǎo)入密集度分類(lèi)的視頻樣本圖像，提取所述視頻樣本圖像的顏色特征、方向梯度直方圖HOG特征和前景矩特征，并對(duì)所述視頻樣本圖像的顏色特征、方向梯度直方圖HOG特征和前景矩特征進(jìn)行歸一化合并，后進(jìn)行支持向量機(jī)分類(lèi)訓(xùn)練獲得密集度分類(lèi)模型； 在實(shí)時(shí)檢測(cè)中導(dǎo)入檢測(cè)區(qū)域的實(shí)時(shí)視頻，從所述實(shí)時(shí)視頻的每一幀圖像提取顏色特征、HOG特征和前景矩特征，并對(duì)所述實(shí)時(shí)視頻的每一幀圖像的顏色特征、HOG特征和前景矩特征進(jìn)行歸一化合并； 根據(jù)在所述分類(lèi)模型離線訓(xùn)練中獲得的所述密集度分類(lèi)模型，對(duì)所述實(shí)時(shí)檢測(cè)中每一幀圖像的歸一化合并后的顏色特征、HOG特征和前景矩特征進(jìn)行支持向量機(jī)分類(lèi)，從而得到所述檢測(cè)區(qū)域的密集度分類(lèi)。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述密集度分類(lèi)包括A類(lèi)、B類(lèi)、C類(lèi)、D類(lèi)和E類(lèi)，其中，所述A類(lèi)表示一平米中人均數(shù)大于3 ;所述B類(lèi)表示一平米中人均數(shù)小于等于3且大于等于2.5 ;所述C類(lèi)表示一平米中人均數(shù)小于等于2.4且大于等于1.6 ;所述D類(lèi)表示一平米中人均數(shù)小于等于1.5且大于等于0.8 ;所述E類(lèi)表示一平米中人均數(shù)小于等于0.7且大于等于O ; 所述在分類(lèi)模型離線訓(xùn)練中導(dǎo)入密集度分類(lèi)的視頻樣本圖像之前，包括: 根據(jù)所述密集度分類(lèi)，獲取所述密集度分類(lèi)對(duì)應(yīng)的視頻樣本圖像。
3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述在分類(lèi)模型離線訓(xùn)練中導(dǎo)入密集度分類(lèi)的視頻樣本圖像，提取所述視頻樣本圖像的顏色特征、HOG特征和前景矩特征，并對(duì)所述視頻樣本圖像的顏色特征、HOG特征和前`景矩特征進(jìn)行歸一化合并，后進(jìn)行支持向量機(jī)分類(lèi)訓(xùn)練獲得密集度分類(lèi)模型包括: 在分類(lèi)模型離線訓(xùn)練中導(dǎo)入密集度分類(lèi)的視頻樣本圖像，將所述視頻樣本圖像分成至少兩塊樣本圖像塊； 將所述樣本圖像塊從RGB顏色空間轉(zhuǎn)換成HSV顏色空間，并對(duì)所述HSV顏色空間的H分量進(jìn)行分類(lèi)，獲得所述樣本圖像塊的顏色直方圖； 將所述樣本圖像塊轉(zhuǎn)換成樣本灰度圖，對(duì)所述樣本灰度圖進(jìn)行高斯濾波處理和灰度直方圖均衡處理； 從所述經(jīng)過(guò)高斯濾波處理和直方圖均衡處理后的樣本灰度圖中提取HOG特征； 利用經(jīng)過(guò)高斯濾波處理和直方圖均衡處理后的相鄰三幀樣本灰度圖的幀差獲得前景圖，并從所述前景圖中提取前景矩特征； 對(duì)從所述樣本圖像塊中提取的所述顏色特征、HOG特征和前景矩特征進(jìn)行歸一化合并； 對(duì)歸一化合并后的顏色特征、HOG特征和前景矩特征進(jìn)行支持向量機(jī)訓(xùn)練，獲得密集度分類(lèi)模型。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述對(duì)所述樣本灰度圖進(jìn)行高斯濾波處理和灰度直方圖均衡處理，具體包括: 采用高斯函數(shù)對(duì)所述樣本灰度圖的像素點(diǎn)與所述像素點(diǎn)的領(lǐng)域像素點(diǎn)進(jìn)行加權(quán)求取平均值，根據(jù)所述平均值處理所述樣本灰度圖，進(jìn)而獲得平滑樣本灰度圖；根據(jù)所述平滑樣本灰度圖獲得灰度直方圖，重新分配像素值。
5.根據(jù)權(quán)利要求3或4所述的方法，其特征在于，所述利用經(jīng)過(guò)高斯濾波處理和直方圖均衡處理后的相鄰三幀樣本灰度圖的幀差獲得前景圖，并從所述前景圖中提取前景矩特征包括: 獲得相鄰三幀的樣本灰度圖的幀差； 根據(jù)所述幀差獲得所述樣本灰度圖的前景圖； 從所述前景圖中提取前景矩特征。
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述在實(shí)時(shí)檢測(cè)中導(dǎo)入檢測(cè)區(qū)域的實(shí)時(shí)視頻，從所述實(shí)時(shí)視頻的每一幀圖像提取顏色特征、HOG特征和前景矩特征，并對(duì)所述實(shí)時(shí)視頻的每一幀圖像的顏色特征、HOG特征和前景矩特征進(jìn)行歸一化合并包括: 在實(shí)時(shí)檢測(cè)中導(dǎo)入檢測(cè)區(qū)域的實(shí)時(shí)視頻，將所述實(shí)時(shí)視頻的每一幀圖像分成至少兩塊實(shí)時(shí)圖像塊； 將所述實(shí)時(shí)圖像塊從RGB顏色空間轉(zhuǎn)換成HSV顏色空間，并對(duì)所述HSV顏色空間的H分量進(jìn)行分類(lèi)，獲得所述實(shí)時(shí)圖像塊的顏色直方圖； 將所述實(shí)時(shí)圖像塊轉(zhuǎn)轉(zhuǎn)換成實(shí)時(shí)灰度圖，對(duì)所述實(shí)時(shí)灰度圖進(jìn)行高斯濾波處理和灰度直方圖均衡處理； 從所述經(jīng)過(guò)高斯濾波處理和直方圖均衡處理后的實(shí)時(shí)灰度圖中提取HOG特征； 利用經(jīng)過(guò)高斯濾波處理和直方圖均衡處理后的相鄰三幀實(shí)時(shí)灰度圖的幀差獲得前景圖，并從所述前景圖中`提取前景矩特征； 對(duì)從所述實(shí)時(shí)圖像塊中提取的所述顏色特征、HOG特征和前景矩特征進(jìn)行歸一化合并。
7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述對(duì)所述實(shí)時(shí)灰度圖進(jìn)行高斯濾波處理和灰度直方圖均衡處理，包括: 采用高斯函數(shù)對(duì)所述實(shí)時(shí)灰度圖的像素點(diǎn)與所述像素點(diǎn)的領(lǐng)域像素點(diǎn)進(jìn)行加權(quán)求取平均值，根據(jù)所述平均值處理所述實(shí)時(shí)灰度圖，進(jìn)而獲得平滑實(shí)時(shí)灰度圖； 根據(jù)所述平滑實(shí)時(shí)灰度圖獲得實(shí)時(shí)灰度直方圖，重新分配像素值。
8.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述采用經(jīng)過(guò)高斯濾波處理和直方圖均衡處理后的相鄰三幀實(shí)時(shí)灰度圖的幀差提取前景，獲得前景矩特征，包括: 獲得相鄰二幀的實(shí)時(shí)灰度圖的幀差； 根據(jù)所述幀差獲得所述實(shí)時(shí)灰度圖的前景圖； 從所述前景圖中提取前景矩特征。
9.一種基于支持向量機(jī)的人群密集度檢測(cè)系統(tǒng)，其特征在于，包括: 分類(lèi)模型離線訓(xùn)練模塊，用于導(dǎo)入密集度分類(lèi)的視頻樣本圖像，提取所述視頻樣本圖像的顏色特征、方向梯度直方圖HOG特征和前景矩特征，并對(duì)所述視頻樣本圖像的顏色特征、HOG特征和前景矩特征進(jìn)行歸一化合并，后進(jìn)行支持向量機(jī)分類(lèi)訓(xùn)練獲得密集度分類(lèi)模型； 實(shí)時(shí)檢測(cè)模塊，用于在實(shí)時(shí)檢測(cè)中導(dǎo)入檢測(cè)區(qū)域的實(shí)時(shí)視頻，從所述實(shí)時(shí)視頻的每一幀圖像提取顏色特征、HOG特征和前景矩特征，并對(duì)所述實(shí)時(shí)視頻的每一幀圖像的顏色特征、HOG特征和前景矩特征進(jìn)行歸一化合并；根據(jù)在所述分類(lèi)模型離線訓(xùn)練中獲得的所述密集度分類(lèi)模型，對(duì)所述實(shí)時(shí)檢測(cè)中每一幀圖像的歸一化合并后的顏色特征、HOG特征和前景矩特征進(jìn)行支持向量機(jī)分類(lèi)，從而得到所述檢測(cè)區(qū)域的密集度分類(lèi)。
10.根據(jù)權(quán)利要求9所述的系統(tǒng)，其特征在于，所述密集度分類(lèi)包括A類(lèi)、B類(lèi)、C類(lèi)、D類(lèi)和E類(lèi)，其中，所述A類(lèi)表示一平米中人均數(shù)大于3 ;所述B類(lèi)表示一平米中人均數(shù)小于等于3且大于等于2.5 ;所述C類(lèi)表示一平米中人均數(shù)小于等于2.4且大于等于1.6 ;所述D類(lèi)表示一平米中人均數(shù)小于等于1.5且大于等于0.8 ;所述E類(lèi)表示一平米中人均數(shù)小于等于0.7且大于 等于O。
【文檔編號(hào)】G06K9/66GK103489012SQ201310464576
【公開(kāi)日】2014年1月1日 申請(qǐng)日期:2013年9月30日 優(yōu)先權(quán)日:2013年9月30日
【發(fā)明者】唐健, 關(guān)國(guó)雄, 李銳, 黎明, 徐文麗, 楊利華, 王浩 申請(qǐng)人:深圳市捷順科技實(shí)業(yè)股份有限公司