基于視頻的人群密度分類(lèi)算法

劉小溶，汪曉飛

(成都師范學(xué)院 計(jì)算機(jī)科學(xué)學(xué)院，成都 611130)

基于視頻的人群密度分類(lèi)算法

劉小溶，汪曉飛

(成都師范學(xué)院 計(jì)算機(jī)科學(xué)學(xué)院，成都 611130)

群體異常行為的發(fā)生將對(duì)社會(huì)公共安全構(gòu)成危害，而不同等級(jí)的群體異常行為對(duì)社會(huì)公共安全構(gòu)成的危害性不同，因此，對(duì)應(yīng)的關(guān)注度和敏感度也不相同。結(jié)合ViBe算法，提出一種改進(jìn)的人群密度分類(lèi)方法。最后，通過(guò)對(duì)自拍視頻數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)測(cè)試，驗(yàn)證了該算法的有效性和準(zhǔn)確性。

人群密度估計(jì)；群體異常行為檢測(cè)；密度分級(jí)

隨著城市人口密度的增加，公共場(chǎng)所人口密集程度不一，設(shè)置在公共場(chǎng)所的傳統(tǒng)監(jiān)控設(shè)備通常只能發(fā)揮監(jiān)控流量的作用，不能進(jìn)行數(shù)據(jù)分析。本文基于視頻情形下探討人群密度的檢測(cè)算法，利用實(shí)時(shí)視頻樣本對(duì)人群密度進(jìn)行估計(jì)，從而得到該視頻中的人群密度，再根據(jù)密度進(jìn)行分級(jí)。同時(shí)，可利用其數(shù)據(jù)分析的功能，通過(guò)對(duì)當(dāng)?shù)厝丝诿芏?、人流量的科學(xué)分析，進(jìn)行商業(yè)規(guī)劃，如游樂(lè)場(chǎng)、餐廳、教育機(jī)構(gòu)、超市等的選址；根據(jù)不同時(shí)段的人流量分析來(lái)制定相應(yīng)時(shí)段的銷(xiāo)售方案，發(fā)揮其經(jīng)濟(jì)效益。

1 人群密度檢測(cè)基本原理

本文主要通過(guò)對(duì)異常行為場(chǎng)景中的群體密度進(jìn)行分析，并以此為依據(jù)來(lái)劃分異常行為的等級(jí)。測(cè)試視頻集為自拍視頻。算法設(shè)計(jì)中，當(dāng)檢測(cè)出視頻場(chǎng)景中存在異常行為時(shí)，立即對(duì)場(chǎng)景中的群體密度進(jìn)行估計(jì)，并以此為依據(jù)來(lái)對(duì)異常行為等級(jí)進(jìn)行

劃分[1]。基于視頻的人群密度的檢測(cè)系統(tǒng)的基本原理是采用ViBe算法進(jìn)行前景檢測(cè)，再根據(jù)前景面積占整個(gè)圖像面積的比例是否大于事先定義好的閾值來(lái)選擇不同的方法進(jìn)行密度估計(jì)：當(dāng)該比例小于閾值時(shí)，表明此時(shí)前景目標(biāo)面積較小，群體密度較低；反之，表明此時(shí)的群體密度較高，可采用基于紋理分析的方法對(duì)密度進(jìn)一步劃分。最后將群體密度等級(jí)劃分為低等、中等和高等密度。具體的等級(jí)劃分和人數(shù)關(guān)系如表1所示。

表1 密度等級(jí)定義

對(duì)群體密度進(jìn)行如上劃分，可用于對(duì)群體異常行為分級(jí)，并針對(duì)不同密度等級(jí)發(fā)出不同程度的警報(bào)提示信息。具體流程如圖1所示。

圖1 群體密度劃分流程圖

2 人群密度檢測(cè)算法概述

2.1 基于ViBe算法的前景檢測(cè)方法

為了進(jìn)一步提高前景檢測(cè)的有效性和準(zhǔn)確性，本文采用一種近年來(lái)才被提出但效果明顯的ViBe算法[3]進(jìn)行前景檢測(cè)。與傳統(tǒng)前景檢測(cè)算法相比，ViBe算法采用的是一種與時(shí)間無(wú)關(guān)的更新策略[4]，該算法對(duì)視頻分辨率較差、場(chǎng)景背景存在不規(guī)律變化等情況都有良好的適應(yīng)性。同時(shí)，該算法運(yùn)算量小，運(yùn)算速度快，在復(fù)雜場(chǎng)景下的檢測(cè)效果和時(shí)間效率上有較大的優(yōu)勢(shì)。下面給出ViBe算法簡(jiǎn)單描述。

設(shè)像素點(diǎn)x在t時(shí)刻的灰度值為pt(x)。在初始幀中，我們關(guān)注的對(duì)象是圖像中的每一個(gè)像素點(diǎn)。任意選取某一像素點(diǎn)及其8鄰域內(nèi)的n個(gè)像素點(diǎn)的值并對(duì)其進(jìn)行建模，于是，一個(gè)包含n個(gè)元素的集合被構(gòu)造來(lái)表示該像素點(diǎn)的背景模型{p1，p2，…，pn}。p1，p2，…，pn是像素點(diǎn)pt(x)背景模型的n個(gè)樣本值。定義一個(gè)到像素點(diǎn)pt(x)距離小于R的集合(如圖2所示)。

圖2 以pt(x)為圓心R為半徑的圓中包含的樣本示例

SR(pt(x))={p|dist(p，pt(x))

(1)

如果以為圓心的集合與集合{p1，p2，…，pn}交集的勢(shì)#大于給定的閾值#min，那么pt(x)被判定為背景，否則該像素被判定為前景。

以上準(zhǔn)則可用以下公式表示：

(2)

其中：0表示背景；1表示前景。

背景模型的更新采用一種與時(shí)間無(wú)關(guān)的更新策略。當(dāng)pt(x)被判定為目標(biāo)像素點(diǎn)時(shí)，背景模型中的樣本不變；當(dāng)其被判定為背景點(diǎn)后，它將被作為新樣本用來(lái)替換掉原有模型中的一個(gè)舊樣本。被替換的樣本通過(guò)隨機(jī)決策產(chǎn)生。例如，每個(gè)像素點(diǎn)的模型中如果含有n個(gè)樣本，那么經(jīng)過(guò)時(shí)間t后一個(gè)樣本仍被留下來(lái)的概率為：

p(t)=

(3)

當(dāng)該模型樣本點(diǎn)更新完成后，被判定為背景像素的點(diǎn)的鄰域像素將會(huì)被隨機(jī)更新。背景像素值被用來(lái)隨機(jī)更新一個(gè)鄰域像素的背景模型。這種算法可以將長(zhǎng)久靜止不動(dòng)的目標(biāo)點(diǎn)和先靜止后運(yùn)動(dòng)的物體留下的鬼影區(qū)域消除。

2.2 基于紋理分析的群體密度估計(jì)方法

紋理是一種普遍存在的視覺(jué)現(xiàn)象，是一種反映圖像中同質(zhì)現(xiàn)象的視覺(jué)特征，是指圖像像素的灰度或者顏色的變化。由于人群圖像中的紋理多數(shù)以隨機(jī)型紋理方式存在，服從統(tǒng)計(jì)分布規(guī)律，因此，本文算法采用基于統(tǒng)計(jì)的紋理特征提取方法，對(duì)高密度人群的紋理特征進(jìn)行分析，并實(shí)現(xiàn)不同群體密度的估計(jì)。

1)灰度共生矩陣的構(gòu)建

由于紋理是由灰度分布在空間位置上反復(fù)出現(xiàn)形成的，灰度直方圖的實(shí)質(zhì)是以某一個(gè)灰度值為對(duì)象，統(tǒng)計(jì)出圖像中與該值相同的像素點(diǎn)的個(gè)數(shù)；對(duì)灰度共生矩陣而言，則是依據(jù)圖像上保持某一距離的兩個(gè)灰度像素同時(shí)出現(xiàn)的聯(lián)合概率分布。假定圖像為f(x，y)，圖像尺寸為M×N，圖像寬度、高度分別用M，N表示，圖像灰度水平用L表示，則滿足一定空間關(guān)系的灰度共生矩陣為：

P(m，n)=#{(x1，y1)，(x2，y2)∈M×N|f(x1，y1)=m，f(x2，y2)=n}

(4)

2)灰度共生矩陣特征參數(shù)的選取

為了利用灰度共生矩陣能更直觀的描述紋理狀況，灰度共生矩陣構(gòu)建好以后，需要獲取一些能準(zhǔn)確反映灰度共生矩陣狀況的特征參數(shù)。熵、能量、反差和相關(guān)性四個(gè)特征用于對(duì)人群紋理信息的描述。

2.3 算法流程

為了更清楚地描述群體異常行為分級(jí)方法實(shí)現(xiàn)的整個(gè)過(guò)程，給出如圖3所示的算法流程圖。當(dāng)采用檢測(cè)到視頻中存在群體異常行為后，接下來(lái)使用ViBe算法來(lái)檢測(cè)視頻圖像中的群體運(yùn)動(dòng)前景，然后計(jì)算前景面積占整個(gè)圖像面積的比例σ與閾值ξ之間的關(guān)系(在實(shí)驗(yàn)中，閾值ξ根據(jù)經(jīng)驗(yàn)值取0.34)；如果σ<ξ，得到的密度估計(jì)等級(jí)為低等密度；如果σ≥ξ，則采用基于紋理分析的方法進(jìn)一步劃分群體密度等級(jí)，得到的密度估計(jì)等級(jí)分為中等密度和高等密度；最后，以密度估計(jì)等級(jí)作依據(jù)，將異常行為等級(jí)分為低級(jí)、中級(jí)和高級(jí)三類(lèi)，不同密度示意圖如圖4所示。

3 實(shí)驗(yàn)結(jié)果及結(jié)論

為了驗(yàn)證本算法的有效性和準(zhǔn)確性，我們針對(duì)性地自拍了測(cè)試數(shù)據(jù)集。測(cè)試數(shù)據(jù)集包含3個(gè)場(chǎng)景下18段視頻。參照表1中的定義，實(shí)驗(yàn)結(jié)果中，準(zhǔn)確分類(lèi)的視頻數(shù)量為15個(gè)，錯(cuò)誤分類(lèi)的視頻數(shù)為3個(gè)，準(zhǔn)確率為83.3%。實(shí)驗(yàn)結(jié)果顯示采用本文提出的分級(jí)方法能得到較好的分類(lèi)結(jié)果。圖5到圖7依次表示低等、中等和高等的部分異常行為分級(jí)實(shí)驗(yàn)結(jié)果，并對(duì)視頻中的異常行為等級(jí)分別用“低等”，“中等”和“高等”作標(biāo)記。

由圖5～圖7可知，該算法具有有效性和準(zhǔn)確性。

圖3 群體異常行為分級(jí)方法流程圖

a.低等密度 b.中等密度 c.高等密度圖4 3種不同密度等級(jí)示意圖

圖5 低等密度部分實(shí)驗(yàn)結(jié)果

圖6 中等密度部分實(shí)驗(yàn)結(jié)果

圖7 高等密度部分實(shí)驗(yàn)結(jié)果

[1]張燕，黎寧，劉福美. 一種基于區(qū)域劃分的人群密度估計(jì)快速方法[J].計(jì)算機(jī)與數(shù)字工程，2011，39(4)：128-131.

[2]賈永華，呼志剛，浦世亮. 基于視頻前景邊緣和特征檢測(cè)的人群密度估計(jì)方法[J].中國(guó)公共安全，2011(5)：159-163.

[3]顧西存.視頻中前景檢測(cè)和背景建模算法的研究[D].重慶：重慶郵電大學(xué)，2016.

[4]?；担涡『?，汪曉飛，等.一種改進(jìn)的ViBe目標(biāo)檢測(cè)算法[J].四川大學(xué)學(xué)報(bào)(工程科學(xué)版)，2014(S2)：104-108.

ACrowdDensityClassificationAlgorithmbasedonVideo

LIUXiaorong，WANGXiaofei

(School of Computer Science， Chengdu Normal University， Chengdu 611130， China)

The occurrence of abnormal behavior of groups will endanger the social public security， and different levels of abnormal behavior of groups will lead to different hazards to the social public security. Therefore， the corresponding attention and sensitivity are not the same. In this paper， an improved crowd density classification method combining with a ViBe algorithm was proposed. Finally， the effectiveness and accuracy of the proposed algorithm were verified by experiments on self-video datasets.

crowd density estimation； crowd abnormal behavior detection； density classification

10.13542/j.cnki.51-1747/tn.2017.04.003

2017-03-16

四川省科技廳應(yīng)用基礎(chǔ)項(xiàng)目(2016JY0199)；四川省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目(201614389031)

劉小溶(1994—)，女，計(jì)算機(jī)科學(xué)與技術(shù)專(zhuān)業(yè)，2013級(jí)本科生。

汪曉飛(1981—)，男，副教授，博士，研究方向：群體行為分析、圖像處理等，電子郵箱：21165404@qq.com。

TP391

A

2095-5383(2017)04-0011-04