專利名稱：一種人群密度估計方法、裝置及監(jiān)控系統(tǒng)的制作方法
技術領域：
本發(fā)明涉及計算機技術領域，特別是一種人群密度估計方法、裝置及監(jiān)控系統(tǒng)。
背景技術：
智能視頻監(jiān)控是基于計算機視覺技術對監(jiān)控場景內(nèi)的視頻圖像進行分析，提取場 景中的關鍵信息，并形成相應事件和告警的監(jiān)控方式，在公共安全保護、交通管理等方面有 著極其廣泛的應用。 人群密度估計的主要功能是估計監(jiān)控場景中的人群的密度，根據(jù)人數(shù)多少將監(jiān)控 場景中的人群密度分為低、中、高等若干個等級，適用于廣場、地鐵站臺、超市出入口等人數(shù) 密集的場合的監(jiān)控，是視頻監(jiān)控領域的一個重要應用。 人群密度估計的一個最常見的應用就是實時分析監(jiān)控場景中的人群密度，當人群 密度突然增大時進行報警，從而實現(xiàn)對擁堵的情況的實時管理和控制。 現(xiàn)有的人群密度估計技術主要是運用人體檢測技術，檢測圖像中人體或者人的頭
部，并基于統(tǒng)計數(shù)目進行人群密度估計，但上述的技術至少存在如下缺點 在人群密度較高時，由于人體位置、人體高度、建筑物位置等各方面因素的影響，
攝像區(qū)域內(nèi)的人被遮擋的情況非常頻繁，在人與人之間相互遮擋時，有部分人的圖像就不
會出現(xiàn)在拍攝到的圖像中，這種情況下得到的人群密度估計結果非常不準確，舉例說明如下。 如地鐵站內(nèi)，由于大量的支撐柱的存在，對于一個固定位置的攝像頭，在支撐柱后 面的人由于無法被拍攝到，所以利用拍攝到的圖像進行人體檢測也檢測到這部分人，而由 于地鐵站內(nèi)的支撐柱的數(shù)量極多，所以沒有出現(xiàn)在圖像中的人體也就非常多，所以人群密 度估計結果非常不準確。

發(fā)明內(nèi)容
本發(fā)明實施例的目的是提供一種人群密度估計方法、裝置及監(jiān)控系統(tǒng)，消除現(xiàn)有 技術中由于需要統(tǒng)計人數(shù)來進行人群密度估計的方案的缺點。 為了實現(xiàn)上述目的，本發(fā)明實施例提供了一種人群密度估計方法，包括
獲取圖像拍攝裝置拍攝的待估計圖像；
獲取所述待估計圖像的紋理特征； 分類器根據(jù)所述待估計圖像的紋理特征對所述待估計圖像進行分類，確定所述待 估計圖像的人群密度等級；所述分類器根據(jù)訓練圖像的紋理特征與訓練圖像的已知人群密 度等級的對應關系得到。 上述的人群密度估計方法，其中，還包括 對所述待估計圖像進行預處理，得到預處理后的待估計圖像； 獲取所述待估計圖像的紋理特征具體為獲取所述預處理后的待估計圖像的紋理 特征；
所述分類器具體根據(jù)所述預處理后的待估計圖像的紋理特征確定所述待估計圖 像的人群密度等級。 上述的人群密度估計方法，其中，所述待估計圖像和訓練圖像的紋理特征利用小 波分解、Gabor濾波或灰度共生矩陣獲取。 上述的人群密度估計方法，其中，所述分類器利用下述步驟得到 獲取人群密度等級已知的多個訓練圖像，每一人群密度等級對應于至少一個訓練
圖像； 對所有訓練圖像進行預處理，得到預處理后的訓練圖像；
獲取預處理后的訓練圖像的紋理特征； 根據(jù)所述訓練圖像的紋理特征以及訓練圖像的已知人群密度等級生成所述分類 器。 上述的人群密度估計方法，其中，所述分類器為基于最近鄰法則、支持向量機或神 經(jīng)網(wǎng)絡的分類器。 上述的人群密度估計方法，其中，所述分類器為基于最近鄰法則的分類器時，所述 分類器根據(jù)所述待估計圖像的紋理特征對所述待估計圖像進行分類，確定所述待估計圖像 的人群密度等級具體包括 從所有的第一紋理特征向量中，查找與所述待估計圖像的紋理特征向量最相似的 第二紋理特征向量；每一人群密度等級具有各自對應的第一紋理特征向量，且每一人群密 度等級對應的第一紋理特征向量為具有該人群密度等級的所有訓練圖像的紋理特征向量 的均值； 將與所述第二紋理特征向量對應的人群密度等級確定為所述待估計圖像的人群 密度等級。 上述的人群密度估計方法，其中，紋理特征向量之間的相似根據(jù)向量距離判斷。
上述的人群密度估計方法，其中，所述第一紋理特征向量為降維處理后的紋理特 征向量。 為了實現(xiàn)上述目的，本發(fā)明實施例還提供了一種人群密度估計裝置，包括
圖像獲取模塊，用于獲取圖像拍攝裝置拍攝的待估計圖像；
紋理獲取模塊，用于獲取所述待估計圖像的紋理特征； 分類器，用于根據(jù)所述待估計圖像的紋理特征對所述待估計圖像進行分類，確定 所述待估計圖像的人群密度等級；所述分類器根據(jù)訓練圖像的紋理特征與訓練圖像的已知 人群密度等級的對應關系得到。 上述的人群密度估計裝置，其中，還包括 預處理模塊，用于對所述待估計圖像進行預處理，得到預處理后的待估計圖像。
所述紋理獲取模塊具體用于獲取所述預處理后的待估計圖像的紋理特征；
所述分類器具體用于根據(jù)所述預處理后的待估計圖像的紋理特征確定所述待估 計圖像的人群密度等級。 上述的人群密度估計裝置，其中，所述分類器為基于最近鄰法則、支持向量機或神 經(jīng)網(wǎng)絡的分類器。 上述的人群密度估計裝置，其中，所述分類器為基于最近鄰法則的分類器時，所述分類器具體包括 查找單元，用于從所有的第一紋理特征向量中，查找與所述待估計圖像的紋理特 征向量最相似的第二紋理特征向量；每一人群密度等級具有各自對應的第一紋理特征向 量，且每一人群密度等級對應的第一紋理特征向量為具有該人群密度等級的所有訓練圖像 的紋理特征向量的均值； 等級確定單元，用于將與所述第二紋理特征向量對應的人群密度等級確定為所述 待估計圖像的人群密度等級。 為了實現(xiàn)上述目的，本發(fā)明實施例還提供了一種監(jiān)控系統(tǒng)，包括
圖像拍攝裝置； 圖像獲取模塊，用于獲取圖像拍攝裝置拍攝的待估計圖像；
紋理獲取模塊，用于獲取所述待估計圖像的紋理特征； 分類器，用于根據(jù)所述待估計圖像的紋理特征對所述待估計圖像進行分類，確定 所述待估計圖像的人群密度等級；所述分類器根據(jù)訓練圖像的紋理特征與訓練圖像的已知 人群密度等級的對應關系得到； 事件輸出模塊，用于在所述待估計圖像的人群密度等級超出預設門限時，輸出一
待估計圖像的人群密度等級超出預設門限的事件。 本發(fā)明實施例具有以下有益效果 本發(fā)明實施例的人群密度估計方法、裝置及監(jiān)控系統(tǒng)中，利用訓練圖像的紋理特 征與訓練圖像的已知人群密度等級的對應關系得到一分類器，進而利用分類器對待估計圖 像進行分類，而不用再統(tǒng)計人數(shù)，因此消除了由直接統(tǒng)計監(jiān)控場景中的人數(shù)帶來的估計結 果非常不準確的問題，更有利于廣場、地鐵站臺等人數(shù)密集程度很高的場合的視頻監(jiān)控應 用。


圖1為本發(fā)明實施例的人群密度估計裝置的結構示意圖；
圖2為本發(fā)明實施例的人群密度估計方法的結構示意圖；
圖3為本發(fā)明實施例的分類器生成模塊獲取分類器的詳細流程示意圖。
具體實施例方式
在對本發(fā)明實施例進行詳細說明之前，先對本發(fā)明實施例涉及到的概念進行詳細 說明，以便于更好的理解本發(fā)明實施例。 本發(fā)明實施例的人群密度估計裝置如圖1所示，包括
圖像獲取模塊，用于獲取圖像拍攝裝置拍攝的待估計圖像；
紋理獲取模塊，用于獲取所述待估計圖像的紋理特征； 分類器，用于根據(jù)所述待估計圖像的紋理特征對所述待估計圖像進行分類，確定 所述待估計圖像的人群密度等級； 所述分類器根據(jù)訓練圖像的紋理特征與訓練圖像的已知人群密度等級的對應關 系得到； 輸入圖像由于圖像采集環(huán)境的不同，如光照明暗程度等，往往存在有噪聲，對比度不夠等缺點。 為了避免圖像采集環(huán)境的不同對紋理獲取造成影響，本發(fā)明實施例的人群密度估 計裝置如圖l所示，還包括 預處理模塊，設置于圖像獲取模塊和紋理獲取模塊之間，用于對所述待估計圖像 進行預處理，消除圖像采集環(huán)境不同帶來的影響，并將預處理后的待估計圖像發(fā)送給所述 紋理獲取模塊。 所述紋理獲取模塊用于獲取預處理后的待估計圖像的紋理特征。 所述估計模塊，根據(jù)所述紋理特征與人群密度的對應關系以及所述預處理后的第
二圖像的紋理特征，獲取與所述預處理后的第二圖像的紋理特征相對應的人群密度估計結果。
在本發(fā)明的具體實施例中，該預處理包括但不限于如下的處理
直方圖均衡 直方圖均衡是一種點操作，它逐點改變圖像的灰度值，盡量使各個灰度級別都具 有相同的數(shù)量的像素點，使直方圖趨于平衡。直方圖均衡可以使輸入圖像轉換為在每一個 灰度級上都有相同像素點數(shù)的輸出圖像(即輸出的直方圖是平的)。
灰度歸一化 灰度歸一化用來對不同光強，光源方向下得到的圖像進行補償，以減弱單純由于 光照變化造成的圖像信號的變化。
光照補償 光照補償能夠使圖像得到最佳的反差，有效的解決因光線不足、逆光現(xiàn)象而造成 的圖像偏黑問題。 當然，上述的預處理僅僅是舉例說明，應當理解的是，上述的預處理還是可以是其 它的預處理，如中值濾波處理。 本發(fā)明實施例的人群密度估計方法如圖2所示，包括
步驟21，獲取圖像拍攝裝置拍攝的待估計圖像； 步驟22，對獲取的待估計圖像進行預處理，消除圖像采集環(huán)境不同帶來的影響，得 到預處理后的待估計圖像； 步驟23，獲取預處理后的待估計圖像的紋理特征； 步驟24，分類器根據(jù)所述待估計圖像的紋理特征對所述待估計圖像進行分類，確 定所述待估計圖像的人群密度等級；所述分類器根據(jù)訓練圖像的紋理特征與訓練圖像的已 知人群密度等級的對應關系得到。 輸入圖像由于圖像采集環(huán)境的不同，如光照明暗程度等，往往存在有噪聲，對比度 不夠等缺點。為了避免圖像采集環(huán)境的不同對紋理獲取造成影響，本發(fā)明實施例的方法如 圖2所示，還包括 對獲取的第二圖像進行預處理，消除圖像采集環(huán)境不同帶來的影響；
所述步驟22中，獲取預處理后的第二圖像的紋理特征； 所述步驟23中，獲取與所述預處理后的第二圖像的紋理特征相對應的人群密度 估計結果。 在本發(fā)明的具體實施例中，需要通過訓練圖像獲取一分類器，在本發(fā)明具體實施例中，還包括一分類器生成模塊，該分類器生成模塊具體包括 用于獲取人群密度等級已知的多個訓練圖像的單元，每一人群密度等級對應于至 少一個訓練圖像； 用于對所有訓練圖像進行預處理，得到預處理后的訓練圖像的單元；
用于獲取預處理后的訓練圖像的紋理特征的單元； 用于根據(jù)所述訓練圖像的紋理特征以及訓練圖像的已知人群密度等級生成所述 分類器的單元。 該分類器可以是基于最近鄰法則、支持向量機或神經(jīng)網(wǎng)絡的分類器，當然也可以 是基于其他一種或多種技術形成的分類器。 如圖3所示，本發(fā)明具體實施例中，分類器生成模塊通過如下步驟獲取分類器
步驟31，獲取人群密度等級已知的多個訓練圖像，每一人群密度等級對應于至少 一個訓練圖像； 步驟32，根據(jù)所述訓練圖像得到訓練數(shù)據(jù)，所述訓練數(shù)據(jù)包括每一訓練圖像及其 對應的人群密度等級； 對于訓練圖像的人群密度可以先人工標定出其中的人數(shù)，然后再根據(jù)其中人數(shù)的 多少確定該圖像的人群密度情況，舉例說明如下 假定有10張訓練圖片A1、A2、. . . 、A10，其中的人數(shù)分別為11、31、47、81、103、54、 66、75、28和22，則可以設置3個人群密度等級，分別為1、2和3，對應的人群密度分別為低、 中和高，此時 可以設置如下的規(guī)則來劃分，人數(shù)在30以下為低人群密度，31-60為中人群密度， 61以上為高人群密度； 此時，可以得到如下的訓練數(shù)據(jù) (Al，l)、 (A2，2)、 (A3， 2)、 (A4，3)、 (A5，3)、 (A6，2)、 (A7，3)、 (A8，3)、 (A9， 1)和 (AlO，l)。 步驟33，對所有訓練圖像進行預處理(如光照補償、直方圖均衡、灰度歸一化等)， 達到去噪和灰度均衡的目的，得到預處理后的訓練圖像；
步驟34，獲取預處理后的訓練圖像的紋理特征； 步驟35，根據(jù)所述訓練圖像的紋理特征以及訓練圖像的已知人群密度等級生成所 述分類器。 步驟23和步驟34中，都需要獲取圖像的紋理特征，下面進行詳細說明。 在本發(fā)明的具體實施例中，可以采用多種方式來獲取圖像的紋理特征，如小波分
解、Gabor濾波、灰度共生矩陣等，下面以以灰度共生矩陣(Gray LevelD印endency Matrix)
為基礎來描述圖像的紋理特征為例進行詳細說明。 共生矩陣用兩個位置的象素的聯(lián)合概率密度來定義，它不僅反映亮度的分布特 性，也反映具有同樣亮度或接近亮度的象素之間的位置分布特性，是有關圖像亮度變化的 二階統(tǒng)計特征。它是定義一組紋理特征的基礎。 —幅圖像的灰度共生矩陣能反映出圖像灰度關于方向、相鄰間隔、變化幅度的綜 合信息，它是分析圖像的局部模式和它們排列規(guī)則的基礎。 紋理特征提取的一種有效方法是以灰度級的空間相關矩陣即共生矩陣為基礎的，因為圖像中相距(Ax， Ay)的兩個灰度像素同時出現(xiàn)的聯(lián)合頻率分布可以用灰度共生矩 陣來表示。
—0102] 假設圖像是一個矩形圖像，將圖像上的像素點的像素值分為N個灰度級。將e方
向上，相隔為d的一對像素，分別具有灰度級i和j的出現(xiàn)次數(shù)定義為p(i， j|d， e)，參數(shù) e和d可以根據(jù)實際需要選取。
0103] 為了能更直觀地以灰度共生矩陣描述紋理狀況，從灰度共生矩陣導出一些反映灰 度共生矩陣狀況的參數(shù)，典型的有以下幾種 0104] 能量
0106] 能量是灰度共生矩陣元素值的平方和，所以也稱能量，反映了圖像灰度分布均勻
程度和紋理粗細度。 0107] 熵
0108] //(CZ， 。 = - J]_/ I "， 。 bgJ' I d， ^
'》'
0109] 熵是圖像所具有的信息量的度量，紋理信息也屬于圖像的信息，是一個隨機性的 度量，當共生矩陣中所有元素有最大的隨機性、空間共生矩陣中所有值幾乎相等時，共生矩 陣中元素分散分布時，熵較大。它表示了圖像中紋理的非均勻程度或復雜程度。
o"o: o川: o"2: o"3:
o"4:
o"5:
o"6:
0117'
其中
乂 '-
相關度量空間灰度共生矩陣元素在行或列方向上的相似程度，因此，相關值大小
反映了圖像中局部灰度相關性。當矩陣元素值均勻相等時，相關值就大；相反，如果矩陣像
元值相差很大則相關值小。
—0118] 慣性矩
酬/(") = 5>.-力2尸("'網(wǎng)
0120] 局部平穩(wěn)
9
Z(c/，0 = S P(/j|J，。
當然還可以包括對比度、逆差距等，在此不一一列舉。
假定 d=l， 9 =0° ，45° ，90° ，135° 以度量為能量、熵、慣性矩、局部平穩(wěn)以及相關說明，則一個矩形圖像就可以得到 20個度量，從而獲得一個20維的紋理特征向量。 當然，在實際應用時，還可以將待分析圖像分成相同大小的若干個矩形的圖像塊， 假設訓練圖像大小為100X100，用一個大小為20X20的矩形窗口在圖像上以IO個像素為 單位從左到右、從上到下進行移動，這樣可以得到81個矩形圖像塊，每個圖像塊20個特征， 該訓練圖像的總的紋理特征數(shù)為1620維紋理特征向量。 假設具有N個訓練圖像，則N個訓練圖像的紋理特征向量分別如下所示
Xl， x2， xN 在得到上述的紋理特征之后，需要根據(jù)訓練圖像的紋理特征向量以及已知人群密 度等級來構建一個分類器，使其能夠根據(jù)待估計圖像的紋理特征向量來確定待估計圖像對 應的人群密度等級。在本發(fā)明的具體實施例中，可以基于多種方式來實現(xiàn)該分類器，詳細說 明如下。〈實現(xiàn)方式一〉 基于最近鄰法則的分類器。 基于最近鄰法則生成分類器進行分類的具體過程包括 保存單元保存每一人群密度等級各自對應的第一紋理特征向量，假定人群密度等 級具有C個等級，則第j個等級對應的第一紋理特征向量；為
_ 1 ^x,.=——y X,-, / 二1，2,…，C
7 W々'7 其中Nj表示第j個等級的樣本的數(shù)目，Xi表示第j個等級的樣本圖像中第i個樣 本圖像的紋理特征向量。 查找單元從所述第一紋理特征向量中，查找與待估計圖像的紋理特征向量的最相 似的第二紋理特征向量； 等級確定單元將與所述查找單元查找到的第二紋理特征均值對應的人群密度等 級確定為所述待估計圖像的人群密度等級。 在本發(fā)明的具體實施例中，判斷兩個紋理特征向量之間的相似可以根據(jù)向量距離
來判斷，如Mahalanobis距離、歐幾里德距離等。〈實現(xiàn)方式二〉 基于支持向量機生成分類器。 在機器學習領域，常把一些算法看作是一個機器(又叫學習機器，或預測函數(shù)，或 學習函數(shù))。支持向量則是指訓練集中的某些訓練點的輸入。它是一種有監(jiān)督學習方法，即 已知訓練點的類別，求訓練點和類別之間的對應關系，以便將訓練集按照類別分開，或者是 預測新的訓練點所對應的類別。
1
對如何獲得分類器詳細說明如下 假定有C個人群密度等級，則需要訓練C-l個SVM分類器，首先，將所有類別分成
兩個子類，訓練第一個分類器SVM1，比如將人群密度等級最低的訓練圖像的紋理特征向量
作為第一子類，其他的訓練圖像的紋理特征向量作為第二子類進行訓練得到SVMl。 然后，將子類進一步劃分成兩個次級子類，比如將上述第二子類進一步分成兩個
次級子類，訓練得到SVM2，依次類推，即可得到C-l個SVM分類器。 支持向量機的具體實現(xiàn)方法可以參考《模式識別》，清華大學出版社，2000. 1。 而分類的時候，將任意一個待估計圖像的紋理特征向量輸入到這C-l個支持向量
機，得到輸出，即可獲得樣本的類別，以上述訓練C-l個的SVM為例說明如下 將待估計圖像的紋理特征向量先輸入到SVM1，如果SVM1輸出結果是正值，則該待
估計圖像屬于最低的人群密度等級，反之，則將待估計圖像的紋理特征向量再輸入到SVM2，
依此類推，即可獲得待估計圖像的密度等級。 當然，在本發(fā)明的具體實施例中，分類器還可以基于人工神經(jīng)網(wǎng)絡等來實現(xiàn)，在此 不一一說明。 該訓練圖像的總的紋理特征數(shù)為1620維紋理特征向量，由于紋理特征的維數(shù)比 較高，在本發(fā)明的具體實施例中使用主分量分析技術對這些紋理特征向量進行降維處理， 假設訓練數(shù)據(jù)的紋理特征為{Xl，x2，…xj，計算其均值和協(xié)方差矩陣，如下


<formula>formula see original document page 11</formula>
然后對協(xié)方差矩陣進行特征值分解，如下 E = U a UT
l:矩陣，a是特征值矩陣；
t矩陣u中與前預訂數(shù)目(假定為t)個特征值對應的特征向:
其中u是特征向: 然后選取特征向l
構成矩陣Ut ;

然后將{Xl，x2，％}投影到矩陣Ut上，得到降維后的紋理特征向量，如下
(yi， y2， 其中
yN} <formula>formula see original document page 11</formula> 在得到降維后的紋理特征向: 程中，第一紋理特征向量為 — 1 W
"、
t后，基于最近鄰法則生成分類器進行分類的具體過<formula>formula see original document page 11</formula>
本發(fā)明實施例的監(jiān)控系統(tǒng)包括
圖像拍攝裝置； 圖像獲取模塊，用于獲取圖像拍攝裝置拍攝的待估計圖像；
紋理獲取模塊，用于獲取所述待估計圖像的紋理特征； 分類器，用于根據(jù)所述待估計圖像的紋理特征對所述待估計圖像進行分類，確定 所述待估計圖像的人群密度等級；所述分類器根據(jù)訓練圖像的紋理特征與訓練圖像的已知 人群密度等級的對應關系得到； 事件輸出模塊，用于在所述待估計圖像的人群密度等級超出預設門限時，輸出一 待估計圖像的人群密度等級超出預設門限的事件。 其中的圖像獲取模塊、紋理獲取模塊、分類器在前面已經(jīng)進行了詳細描述，在此不 再詳細說明。 以上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出，對于本技術領域的普通技術人 員來說，在不脫離本發(fā)明原理的前提下，還可以作出若干改進和潤飾，這些改進和潤飾也應 視為本發(fā)明的保護范圍。
權利要求
一種人群密度估計方法，其特征在于，包括獲取圖像拍攝裝置拍攝的待估計圖像；獲取所述待估計圖像的紋理特征；分類器根據(jù)所述待估計圖像的紋理特征對所述待估計圖像進行分類，確定所述待估計圖像的人群密度等級；所述分類器根據(jù)訓練圖像的紋理特征與訓練圖像的已知人群密度等級的對應關系得到。
2. 根據(jù)權利要求1所述的人群密度估計方法，其特征在于，還包括 對所述待估計圖像進行預處理，得到預處理后的待估計圖像；獲取所述待估計圖像的紋理特征具體為獲取所述預處理后的待估計圖像的紋理特征；所述分類器具體根據(jù)所述預處理后的待估計圖像的紋理特征確定所述待估計圖像的 人群密度等級。
3. 根據(jù)權利要求1所述的人群密度估計方法，其特征在于，所述待估計圖像和訓練圖 像的紋理特征利用小波分解、Gabor濾波或灰度共生矩陣獲取。
4. 根據(jù)權利要求1 、2或3所述的人群密度估計方法，其特征在于，所述分類器利用下述 步驟得到獲取人群密度等級已知的多個訓練圖像，每一人群密度等級對應于至少一個訓練圖像；對所有訓練圖像進行預處理，得到預處理后的訓練圖像； 獲取預處理后的訓練圖像的紋理特征；根據(jù)所述訓練圖像的紋理特征以及訓練圖像的已知人群密度等級生成所述分類器。
5. 根據(jù)權利要求4所述的人群密度估計方法，其特征在于，所述分類器為基于最近鄰 法則、支持向量機或神經(jīng)網(wǎng)絡的分類器。
6. 根據(jù)權利要求5所述的人群密度估計方法，其特征在于，所述分類器為基于最近鄰 法則的分類器時，所述分類器根據(jù)所述待估計圖像的紋理特征對所述待估計圖像進行分 類，確定所述待估計圖像的人群密度等級具體包括從所有的第一紋理特征向量中，查找與所述待估計圖像的紋理特征向量最相似的第二 紋理特征向量；每一人群密度等級具有各自對應的第一紋理特征向量，且每一人群密度等 級對應的第一紋理特征向量為具有該人群密度等級的所有訓練圖像的紋理特征向量的均 值；將與所述第二紋理特征向量對應的人群密度等級確定為所述待估計圖像的人群密度 等級。
7. 根據(jù)權利要求6所述的人群密度估計方法，其特征在于，紋理特征向量之間的相似 根據(jù)向量距離判斷。
8. 根據(jù)權利要求7所述的人群密度估計方法，其特征在于，所述第一紋理特征向量為 降維處理后的紋理特征向量。
9. 一種人群密度估計裝置，其特征在于，包括 圖像獲取模塊，用于獲取圖像拍攝裝置拍攝的待估計圖像； 紋理獲取模塊，用于獲取所述待估計圖像的紋理特征；分類器，用于根據(jù)所述待估計圖像的紋理特征對所述待估計圖像進行分類，確定所述 待估計圖像的人群密度等級；所述分類器根據(jù)訓練圖像的紋理特征與訓練圖像的已知人群 密度等級的對應關系得到。
10. 根據(jù)權利要求9所述的人群密度估計裝置，其特征在于，還包括 預處理模塊，用于對所述待估計圖像進行預處理，得到預處理后的待估計圖像。 所述紋理獲取模塊具體用于獲取所述預處理后的待估計圖像的紋理特征； 所述分類器具體用于根據(jù)所述預處理后的待估計圖像的紋理特征確定所述待估計圖像的人群密度等級。
11. 根據(jù)權利要求10所述的人群密度估計裝置，其特征在于，所述分類器為基于最近 鄰法則、支持向量機或神經(jīng)網(wǎng)絡的分類器。
12. 根據(jù)權利要求11所述的人群密度估計裝置，其特征在于，所述分類器為基于最近 鄰法則的分類器時，所述分類器具體包括查找單元，用于從所有的第一紋理特征向量中，查找與所述待估計圖像的紋理特征向 量最相似的第二紋理特征向量；每一人群密度等級具有各自對應的第一紋理特征向量，且 每一人群密度等級對應的第一紋理特征向量為具有該人群密度等級的所有訓練圖像的紋 理特征向量的均值；等級確定單元，用于將與所述第二紋理特征向量對應的人群密度等級確定為所述待估 計圖像的人群密度等級。
13. —種監(jiān)控系統(tǒng)，其特征在于，包括 圖像拍攝裝置；圖像獲取模塊，用于獲取圖像拍攝裝置拍攝的待估計圖像； 紋理獲取模塊，用于獲取所述待估計圖像的紋理特征；分類器，用于根據(jù)所述待估計圖像的紋理特征對所述待估計圖像進行分類，確定所述 待估計圖像的人群密度等級；所述分類器根據(jù)訓練圖像的紋理特征與訓練圖像的已知人群 密度等級的對應關系得到；事件輸出模塊，用于在所述待估計圖像的人群密度等級超出預設門限時，輸出一待估 計圖像的人群密度等級超出預設門限的事件。
全文摘要
本發(fā)明提供一種人群密度估計方法、裝置及監(jiān)控系統(tǒng)，該方法包括獲取圖像拍攝裝置拍攝的待估計圖像；獲取所述待估計圖像的紋理特征；分類器根據(jù)所述待估計圖像的紋理特征對所述待估計圖像進行分類，確定所述待估計圖像的人群密度等級；所述分類器根據(jù)訓練圖像的紋理特征與訓練圖像的已知人群密度等級的對應關系得到。本發(fā)明不用再統(tǒng)計人數(shù)，因此消除了由直接統(tǒng)計監(jiān)控場景中的人數(shù)帶來的估計結果非常不準確的問題，更有利于廣場、地鐵站臺等人數(shù)密集程度很高的場合的視頻監(jiān)控應用。
文檔編號G06K9/62GK101739569SQ20091024333
公開日2010年6月16日 申請日期2009年12月17日 優(yōu)先權日2009年12月17日
發(fā)明者王磊, 黃英 申請人:北京中星微電子有限公司