一种基于SURF特征的高密度人群计数方法

摘要

一种基于SURF特征的高密度人群计数方法，包括如下步骤：1)通过摄像头采集实时监控数据，并对图像进行预处理；2)对预处理后的图像提取运动人群的特征点；3)特征点聚类：采用基于传统DBSCAN算法的MST-DBSCAN算法；4)人流计数：依照步骤3)的聚类结果通过(4)计算实时的人群特征向量T，采用支持向量回归机得到(5)，经(5)给出预测人数。本发明提供一种有效适用人流量大或人群密度高的场景的基于SURF特征的高密度人群计数方法。

主权项

一种基于SURF特征的高密度人群计数方法，其特征在于：所述计数方法包括如下步骤：1)通过摄像头采集实时监控数据，并对图像进行预处理；2)对预处理后的图像提取运动人群的特征点：经过SURF算法检测得到的特征点同时包含背景和运动人群两部分，采用块匹配算法，通过对相邻两帧的运动信息的分析来判断特征点的归属：$p(x,y)=\left\{\begin{array}{cc}1,& \left|\bar{v}(x,y)\right|>\alpha \\ 0,& \left|\bar{v}(x,y)\right|\le \alpha \end{array}\right.---\left(1\right)$其中，p(x,y)用于标记(x,y)处的特征点是否属于运动人群，1表示是，反之不是，是块匹配计算过程中，当前帧与相邻帧在(x,y)处的运动向量，α为判别阈值；3)特征点聚类：采用基于传统DBSCAN算法的MST‑DBSCAN算法，将需要聚类的数据转化为二维空间的点，并在这些点的基础上构建一棵MST，通过对MST的分析，给出传统DBSCAN算法的搜索最小域，并最终得到具有聚类数目自适应的一个聚类效果：MST‑DBSCAN(data,λ,minPts) (3)其中，δ_i是根据运动人群特征点构造的MST的第i条边的长度，N为该MST的边数，β为调节因子，由(2)得到的λ作为MST‑DBSCAN的搜索最小域，data表示聚类数据集，minPts表示最小域包含对象数目；4)人流计数：依照步骤3)的聚类结果通过(4)计算实时的人群特征向量T，采用支持向量回归机得到(5)，经(5)给出预测人数；人群特征量向量T以及人数评估函数的表达如下：T＝(n_points,S_cluster,d) (4)n_people＝f(T) (5)其中：n_points表示人群特征点的数量，S_cluster表示经IPM逆透视变换后的人群面积；d表示通过IPM逆透视变换后的运动人群与摄像机之间的距离。