一種視頻圖像中人群密度等級分類方法
【專利摘要】本發(fā)明提供了一種視頻圖像中人群密度等級分類方法，其步驟是首先在視頻圖像中選擇一個感興趣區(qū)域，并依據(jù)透視模型對其進(jìn)行圖像塊的劃塊分析；針對所述每個圖像塊求取多尺度紋理特征；對于視頻圖像進(jìn)行聚類分析，建立基于置信度分析的分類器模型，通過設(shè)計基于二叉樹分類思想的糾錯輸出編碼，優(yōu)化組合多個二分類器，然后提取置信樣本，訓(xùn)練SVM二分類器；最后利用信道傳輸模型進(jìn)行解碼，依據(jù)后驗概率最大法則得到樣本所屬的人群密度等級。本發(fā)明的方法在樣本集和特征相同的前提下分類正確率和泛化性能均優(yōu)于傳統(tǒng)分類模型，為以人群密度估計為代表的多類分類問題求解提供了一種思路。
【專利說明】一種視頻圖像中人群密度等級分類方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及智能視頻分析和計算機(jī)視覺的【技術(shù)領(lǐng)域】，特別涉及一種視頻圖像中人 群密度等級分類方法。

【背景技術(shù)】
[0002] 人群密度等級估計是基于計算機(jī)視覺和模式識別技術(shù)，通過對監(jiān)控圖像或視頻進(jìn) 行分析計算，得出人群密度的量化級別。人群密度信息是大范圍人群監(jiān)控管理的有力依據(jù)， 它可以向商場或零售點提供商場內(nèi)部按不同時段分布的人群密度信息，協(xié)助管理層合理分 配服務(wù)與管理資源。它可廣泛應(yīng)用于公共汽車站、客運(yùn)及火車站、飛機(jī)場等設(shè)施的出入通道 和重要區(qū)域的人群監(jiān)控，實時得到旅客數(shù)量及分布的準(zhǔn)確數(shù)據(jù)，預(yù)防由于顧客擁擠引起的 安全隱患，為科學(xué)調(diào)度、安全保障提供依據(jù)。
[0003] 當(dāng)人群密度被量化為密度等級，人群密度估計就轉(zhuǎn)化為多類分類問題：輸入 與人群相關(guān)的特征量，輸出密度等級。解決此多類分類問題的常用方法有多項式擬合 法、神經(jīng)網(wǎng)絡(luò)、最近聚類劃分法等。多項式擬合法往往需要對輸入和輸出之間的函數(shù)關(guān) 系作一定假設(shè)，當(dāng)假設(shè)與實際不符時性能就會受到影響。神經(jīng)網(wǎng)絡(luò)計算較復(fù)雜，而且以 最小化經(jīng)驗誤差為指標(biāo)函數(shù)，容易陷入局部最小或產(chǎn)生過學(xué)習(xí)現(xiàn)象。最近聚類劃分法 (K-MeansandNearestNeighbor，KMNN)是將同一密度等級的訓(xùn)練樣本在特征空間中聚類，形 成M個代表點（對于不同的密度等級，M不必相同），對于某一未知類別的樣本，以其最近鄰 代表點或k個近鄰代表點的類別為依據(jù)確定該樣本的類別。這種方法簡單易行，但是對于 參數(shù)選擇依賴性較大，當(dāng)參數(shù)選擇不當(dāng)會導(dǎo)致性能下降，甚至產(chǎn)生過擬合。
[0004] 統(tǒng)計學(xué)習(xí)理論是目前針對小樣本統(tǒng)計估計和預(yù)測學(xué)習(xí)的最佳理論，它從理論上系 統(tǒng)研究經(jīng)驗風(fēng)險最小化原則成立的條件、有限樣本下經(jīng)驗風(fēng)險與期望風(fēng)險的關(guān)系及如何利 用這些理論找到新的學(xué)習(xí)原則和方法等問題。支持向量機(jī)（SVM)作為統(tǒng)計學(xué)習(xí)理論的一種 實現(xiàn)方法已被廣泛地應(yīng)用在模式識別和數(shù)據(jù)挖掘的很多領(lǐng)域。SVM分類器的本質(zhì)是線性二 分類器，它基于結(jié)構(gòu)風(fēng)險最小化理論，在特征空間中建構(gòu)最優(yōu)分割超平面，使得學(xué)習(xí)器得到 全局最優(yōu)化，并且在整個樣本空間的期望風(fēng)險以某個概率滿足一定上界。
[0005] 當(dāng)利用SVM處理多類問題時，就需要構(gòu)造合適的多類分類器?；诖耍景l(fā)明提出 一種人群密度等級分類的方法，基于置信度分析的SVM分類模型解決人群密度分類的"近 鄰相似"、"模糊邊界"等問題。在中國CNKI、萬方、維普、中國專利等數(shù)據(jù)庫中查找了目前異 常群體事件檢測的相關(guān)論文及專利，CN101751553A、CN101587537A以及CN102044073A分 別提出一種人群密度分析和預(yù)測的方法，但存在以下缺點：1)無法適應(yīng)場景變化，模型參 數(shù)需要重復(fù)學(xué)習(xí)；2)在人群密度較高，遮擋嚴(yán)重的情況下，線性關(guān)系不再成立，導(dǎo)致誤差增 大；3)基于前景檢測的方法只能用于運(yùn)動人流。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明要解決的技術(shù)問題在于，針對視頻圖像中人群密度等級分類的相鄰相似和 漸變分界特點，提供一種視頻圖像中人群密度等級分類方法。
[0007] 本發(fā)明的視頻圖像中人群密度等級分類方法依次包括如下步驟： 51 :在視頻圖像中選擇一個感興趣區(qū)域，并依據(jù)透視模型對其進(jìn)行圖像塊的劃塊分 析； 52 :針對所述每個圖像塊求取多尺度紋理特征； 53 :對于視頻圖像樣本進(jìn)行聚類分析，建立基于置信度分析的分類器模型； 54 :依據(jù)后驗概率最大法則得到圖像樣本所屬的人群密度等級。
[0008] 在本發(fā)明所述一種人群密度等級分類方法中，所述的建立基于置信度分析的分類 器模型，其步驟如下： 51 :基于二叉樹的糾錯輸出碼設(shè)計； 52 :基于置信樣本的SVM訓(xùn)練； 53 :基于信道傳輸模型的解碼算法。
[0009] 在本發(fā)明所述建立基于置信度分析的分類器模型中，基于二叉樹的糾錯輸出碼設(shè) 計步驟如下： si:初始化，類別集合β=(υ=ι義…，令5=ρ ; 52 :設(shè)巧(￡) = 0,?|馬。= 04 U5} = 4為當(dāng)前全集合的一種二分類方法，計算出 所得的兩個類別子集之間的Fisher距離； 53 :對于集合E中任一二分類$￠1)重復(fù)St印2,求二分類使其對應(yīng)的兩個類 別子集和之間的Fisher距離為最大； 54 :以CS：!代表的二分類器為糾錯輸出碼矩陣中的一列； 55 :分別令并重復(fù)St印1、St印2、St印3,直至所有類別子集中均只包 含一個類別，輸出所得的糾錯輸出碼。
[0010] 在本發(fā)明所述建立基于置信度分析的分類器模型中，基于置信樣本的SVM訓(xùn)練步 驟如下： si:估計后驗概率p(w+ |,τ); 52 :選擇置信樣本,權(quán)重為I; 53 :利用所有置信樣本點（權(quán)重不為0的訓(xùn)練樣本），按照傳統(tǒng)SVM訓(xùn)練算法訓(xùn)練SVM 分類器。
[0011] 在本發(fā)明所述建立基于置信度分析的分類器模型中，基于信道傳輸模型的解碼算 法如下： 在二分類器的傳輸模型中，其輸入端為樣本的真實類別，1代表該樣本在此分類器中應(yīng) 屬于正類別，-1表示該樣本在此分類器中屬于負(fù)類別，0表示該樣本在此分類器中未涉及， 其輸出端表示該樣本經(jīng)過此分類器分類后的輸出類別，1表示該樣本被分為正樣本，-1表 示該樣本被分為負(fù)樣本，未涉及的類別（類別〇)以一定概率分別劃分到這兩類當(dāng)中，模型 中的傳輸參數(shù)a、b、c的可用經(jīng)驗值估計如下：

【權(quán)利要求】
1. 一種視頻圖像中人群密度等級分類方法，其特征在于，包括如下步驟： 51 :在視頻圖像中選擇一個感興趣區(qū)域，并依據(jù)透視模型對其進(jìn)行圖像塊的劃塊分 析； 52 :針對所述每個圖像塊求取多尺度紋理特征； 53 :對于視頻圖像樣本進(jìn)行聚類分析，建立基于置信度分析的分類器模型； 54 :依據(jù)后驗概率最大法則得到圖像樣本所屬的人群密度等級。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，建立基于置信度分析的分類器模型包括 如下步驟： 51 :基于二叉樹的糾錯輸出碼設(shè)計； 52 :基于置信樣本的SVM訓(xùn)練； 53 :基于信道傳輸模型的解碼算法。
3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，基于二叉樹的糾錯輸出碼設(shè)計包括如下 步驟： 51:初始化，類別集合β= 肩，令5=ρ; S2:設(shè)g?=^& |名。= 0名υ& = 4為當(dāng)前全集合丑的一種二分類方法，計算 出所得的兩個類別子集馬和$?之間的Fisher距離； 53 :對于集合E中任一二分類巧⑶重復(fù)St印2,求二分類 <㈤，使其對應(yīng)的兩個類 另仔集< 和A之間的Fisher距離為最大； 54 :以(S)代表的二分類器為糾錯輸出碼矩陣中的一列； 55 :分別令^ = ,￡ = 5^.,并重復(fù)St印1、St印2、St印3,直至所有類別子集中均只包 含一個類別，輸出所得的糾錯輸出碼。
4. 根據(jù)權(quán)利要求2所述的方法，其特征在于，基于置信樣本的SVM訓(xùn)練包括如下步驟： si:估計后驗概率ρ〇+|χ); 52 :選擇置信樣本,權(quán)重為1 ; 53 :利用所有置信樣本點，按照傳統(tǒng)SVM訓(xùn)練算法訓(xùn)練SVM分類器。
5. 根據(jù)權(quán)利要求2所述的方法，其特征在于，基于信道傳輸模型的解碼算法內(nèi)容如下： 在二分類器的傳輸模型中，其輸入端為樣本的真實類別，1代表該樣本在此分類器中應(yīng) 屬于正類別，-1表示該樣本在此分類器中屬于負(fù)類別，〇表示該樣本在此分類器中未涉及， 其輸出端表示該樣本經(jīng)過此分類器分類后的輸出類別，1表示該樣本被分為正樣本，-1表 示該樣本被分為負(fù)樣本，未涉及的類別以一定概率分別劃分到這兩類當(dāng)中，模型中的傳輸 參ffrIKr的πτ田怒齡估仕并加下.

其中，a表將輸入正樣本劃分為正樣本的概率；b表將輸入未涉及類別樣本劃分為 正樣本的概率；c表示將輸入負(fù)樣本劃分為負(fù)樣本的概率；乃、Λ分別代表輸入和輸出的 樣本類別；Z、％代表第A個樣本的輸入類別和輸出類別；《代表訓(xùn)練樣本的個數(shù)； 代表示性函數(shù)，
6. 根據(jù)權(quán)利要求1所述的方法，其特征在于，后驗概率最大法則內(nèi)容如下： 考慮由If個二分類器組成的分類系統(tǒng)，假設(shè)樣本X的輸出鏈碼為而類別W|對應(yīng)的 類別鏈碼為M，則最大后驗概率μ)=f(Mi |幻=禁墜' 其中,P(Mi)可看作類別M的先驗概率，在無先驗知識的情況下可設(shè)為丨/為類 別個數(shù)，P(；s)是鏈碼s出現(xiàn)的概率，為似然函數(shù)，假設(shè)各二分類器相互獨(dú)立，則有
其中，5HsAj_r)，/ =H.，麗，汽氣，b.)為第j個分類器的傳輸參數(shù)， 表不類別1'中的樣本相對于第j個分類器的輸入量，取值為-ι，ο,或1，分別表不該 類別樣本在第j個分類器中作為負(fù)樣本、不相關(guān)樣本和正樣本；/為二分類器輸出， 取值為-1或1,戶(氣3)取值為傳輸模型中的6個參數(shù)之一， 其中傳輸模型參數(shù)^,1),^可由訓(xùn)練樣本集的分類結(jié)果估計；在先驗概率相 等的情況下，最大化后驗概率轉(zhuǎn)化為最大化似然函數(shù)值，最后，樣本j的分類決策為 I
I
7. 根據(jù)權(quán)利要求1所述的方法，其特征在于，基于透視模型對感興趣區(qū)域進(jìn)行圖像塊 的劃分步驟如下： SI:設(shè)置容量相同的圖像塊； S2 :指定最小塊和最大塊圖像塊的尺寸； S3 :通過線性差值來近似透視比例模型得到中間塊的尺寸。
8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的求取多尺度紋理特征的步驟如下： 51 :對視頻圖像樣本進(jìn)行確定尺度的平均劃分獲得多層均值圖像塊； 52 :獲得圖像塊均值矩陣； 53 :確定nXn鄰域子矩陣，提取單層塊均值的圖像塊紋理特征； S4:根據(jù)不同尺度多次平均劃分視頻圖像樣本獲得不同尺度的多層均值圖像塊，采取 上述步驟，計算獲得不同尺度的圖像塊紋理特征； S5 :組合所述不同尺度下的圖像紋理塊紋理特征，獲得圖像塊的多尺度紋理特征。
【文檔編號】G06K9/62GK104239896SQ201410447731
【公開日】2014年12月24日 申請日期:2014年9月4日 優(yōu)先權(quán)日:2014年9月4日
【發(fā)明者】程虹霞, 劉治紅, 高潔, 陳陽, 張穎, 李健, 雷雨能, 陳偉 申請人:四川省綿陽西南自動化研究所