当前位置: > 硕士毕业论文 > 36400字硕士毕业论文基于视频的人体流量统计计算研究

36400字硕士毕业论文基于视频的人体流量统计计算研究

论文类型:硕士毕业论文
论文字数:36400字
论点:行人,统计,目标
论文概述:

本文是统计专业论文,基于人流量统计技术有着广泛的市场需求,本文对此技术展开了一系列研究,由此提出了一种基于视频图像的人流量统计方法。

论文正文:

介绍

1.1研究背景和意义
经济和计算机视觉技术的飞速发展带来了智能视频监控行业的繁荣,智能视频监控技术随后渗透到社会生活的各个方面。作为一种新的智能技术,这一过程不再需要人工干预,而是直接利用计算机视觉和模式识别中的相关方法,自动实现监控场景和异常报警的功能。这不仅在一定程度上减少了人力和其他资源的浪费,而且使系统能够长时间运行,从而能够长时间持续监控现场。作为智能视频监控系统的一个应用方面,人流统计技术已经逐渐发展起来,并在社会的各个地方得到了广泛的应用。这项技术具有很高的市场价值,尤其可以通过在商场的应用得到体现。首先,通过实时分析顾客在不同时间进入商场的数据,可以有效地安排最佳营销人员与顾客的比例。其次,通过计算购物中心出入口的交通流量,可以了解购物中心出入口设置的合理程度,可以计算购物中心各楼层的交通流量,分析设置广告或促销可以获得最大效益的地方。此外,该技术还可以应用于地铁、机场、公园等场所。,所计算的交通数据可以为各个地方制定相应的措施提供有效的数据。可以看出,人力流动统计技术具有广阔的市场空和极高的研究价值。
.........

1.2国内外研究综述

1.2.1人体流量统计研究进展
传统的人体流量统计方法除了人工计数外,还包括红外感应计数法和门控计数法[1]。其中,红外感应计数法主要是在行人经过的地方设置一个红外传感器,利用红外特性来达到计数行人的目的。该方法实施相对简单,成本相对较低,但当多名行人通过时,其统计精度将受到很大影响;通过设置行人经过的门,并由行人推动门横杆,门计数可以对行人流量进行计数。这种方法可以相对准确地计算行人的数量,但设置大门不可避免地会影响行人交通,尤其是当行人较多时,这很容易造成大门处的拥堵。智能监控行业的快速发展和人力流量统计技术的潜在市场价值促使国内商业组织相继开展基于视频的人力流量统计技术研究,包括杭州海康微视、深圳飞瑞思和北京文安。这些公司都推出了自己的客流统计产品,并有一些成功的应用案例。然而,这些产品的应用场景往往是有限的,通常只有单目垂直摄像机采集的室内场景视频才能被处理,可能不再适用于目标遮挡的情况。可以看出,国内人口流动统计技术的发展仍然有很高的上升空。如何实现一种既能实现精确统计又能稳定应用于各种场景的交通统计算法,仍然是一个需要深入研究的重要课题。行人统计的研究正在逐步进行,其中萨塔尔帕·[2]等人提出使用霍夫圆(hoff circle)来检测行人,使用光流法来跟踪行人,使用时间空背景减法技术来校正跟踪的目标轨迹,实现行人统计。雅-侯莉·[3]等人提出使用背景减法和预处理操作来估计复杂场景中的行人数量,并且使用电磁算法来以低分辨率定位局部行人位置。这里,建立一个聚类模型来表示行人。行人位置通过行人特征点的先验分布来定位,从而使得该算法能够估计行人的数量并在复杂场景中定位行人的位置。黄鲁超·[4]在统计学习理论中提出了一种利用方向梯度直方图特征和支持向量机算法检测人头的方法,并用粒子滤波算法跟踪人头目标,从而获得目标的运动轨迹。最后,通过对人体头部目标的跟踪分析,实现了公交车上下车人数的实时统计。
………

2人体头部目标检测技术

2.1分类器的离线训练
在传统的行人检测算法中,大部分针对全身或身体的某些部分(如头部和肩部,或行人的关节等)。)。在多目标场景中,摄像机安装角度的差异容易导致人体之间的遮挡。图2.1从两个不同的成像角度展示了一个场景。此时很难检测和跟踪人体。考虑到行人头部是场景中最难遮挡的部分,行人头部主要作为目标进行检测,以减少目标之间相互遮挡对算法的影响。提取训练样本的方法是手动采集4000张仅包含人头的图片作为阳性样本,6000张不包含人头的图片作为阴性样本,并将所有样本归一化到统一的尺度。收集的样本应该尽可能接近现实中的所有场景。提取的阳性和阴性样本集如图2.2所示。在训练分类器之前,有必要提取每个样本的HOG特征。HOG(方向梯度直方图)是Dalal等人于2005年在CVPR提出的特征描述符,它间接地表示目标轮廓信息,具有抵抗尺度和光照变化的特性。特征描述符类似于诸如上下文形状[29)、边缘方向直方图
4实验结果与分析和SIFT[30-31]的方法,但是它与其他特征有其独特的区别。首先,它是在一个被称为细胞的密集均匀的网格细胞网格上计算的。然后,它将多个细胞合成为更大的块,并对块进行归一化,使其具有抵抗光和尺度变化的特性。
………

2.2移动边缘提取

2.2.1移动边缘提取的必要性
上节介绍了分类器模型的离线训练方法。本节主要讨论人体头部目标的在线检测过程。首先,让我们介绍利用HOG和SVM实现静态目标检测的过程。对于要检测的图像,需要设置比例搜索窗口的大小。然后,缩放搜索窗口从图像的原点开始在整个图像中逐行滑动。每张幻灯片后,提取比例搜索窗口覆盖的图像中的HOG特征,并利用分类器模型对该特征进行目标判断,从而提取出判断为人头的目标位置和相关信息。考虑到摄像机的安装角度和高度对人体头部目标的大小有直接影响。从图2.6中可以看出,在归一化到相同的尺度之后,从不同的成像角度拍摄的视频中的头部尺寸存在明显的差异。测量后,发现(a)图中的头部尺寸约为20*20(以像素为单位),而(b)图中的头部尺寸约为26*26(图像均缩放至352*288)。不仅如此,即使在同一个场景中,头部目标的大小也会随着离摄像机的距离而变化。在目标检测过程中,检测尺度越接近图像中的头部尺寸,越有利于实现正确判断。
………

颜色约束下的
3人体头部目标跟踪技术
3.1均值漂移跟踪算法.........(22)
3.2目标检测和目标跟踪的融合.......(28)
3.3移除虚假目标的时间限制.........(30)
3.4目标行为分析.......(31)
3.5本章摘要.........(33)
4实验结果与分析
4.1算法测试.........(35)
4.2本章摘要.........(42)
5摘要和展望
5.1全文摘要.........(43)
5.2展望(44)

[10]

4.1算法测试
一个完美的人流量统计算法需要能够准确、实时地应用于真实场景。为了实现对本文算法的有效评价,我们从商场等地采集了大量的入口视频,并对算法的准确性、稳定性和实时性进行了批量测试。人流统计技术最基本的功能是准确统计场景中的人数,因此首先需要测试算法的准确性。测试前,考虑到算法暂时适用的场景仍然有限,我们对录制的视频进行了过滤,最终选择了符合以下条件的视频:缩放到352*288后,图像中的头部大小不小于20*20像素,不大于100*100像素,这意味着摄像机的架设高度应该在一定范围内;现场人数应适中,不要太拥挤;不适合多雨多雪的室外环境。图4.1显示了所选10个视频的测试结果。绿色代表场景中的实际人数,红色代表算法计算的人数。
……

结论

当今社会,智能视频监控行业发展如火如荼,视频监控系统的市场需求明显增加。智能视频监控系统发展的良好态势也为人力流量统计技术的发展创造了足够强大的科技和市场氛围。巨大的市场潜力和应用价值促使许多机构对这一技术进行研究。大量的人力流动统计系统也相继出现在市场上,其中一些已经真正应用于现场。然而,对这一技术的研究还不够成熟。大多数交通统计产品不够健壮,无法适应复杂多变的外部环境。因此,本文讨论并提出了一种改进的人流量统计算法,并详细描述了该算法的实现。制作样本集,阳性样本为人头,阴性样本为非人头;标记正负样本后,提取每个样本的HOG特征,并与SVM离线训练得到支持向量机。读入需要在线人口统计的视频序列,缩放到最接近352*288的尺寸,而不改变人体头部的长宽比。灰度化后,使用Sobel算子结合帧间差分法提取运动边缘,扩展运动边缘,结合运动信息使用多尺度提取动态边缘周围的特征,计算特征与支持向量之间的线性关系,实现对人头目标的检测。结合空之间的约束,一些虚假目标被移除。
……。
参考资料(略)