群体特征的表征方法.doc

群体特征的表征方法 传统计算机视觉当中的诸如颜色、形状以及纹理等特征仍然非常有效，和传统方法不同的是人群的监控还需要提取人群的整体特征，但是群体特征的有效表征方法仍然在探索中。 典型的人群监控系统与一般的智能视频监控系统类似，都包含图像的提取与采集、图像特征分析提取单元、人工智能单元和预警信息输出与控制单元。特征提取单元是后续智能分析的基础，选择有效的特征表征方法至关重要。下面介绍看到的几篇文章中提取群体的整体特征的方法。 苏航.基于高清视频的大规模群体分析技术研究.2009研究生毕业论文 第四章 大规模群体分析中人群特征与处理技术研究 人群特征的提取是群体分析的核心环节之一，准确鲁棒的人群特征决定了人群特征分析的精度。当前特征提取的算法主要包括人群的像素统计特征、灰度共生矩阵特征、纹理特征。 文章采用的实验数据：分两天5次在广场不同区域和视角采集不同时段不同密度的人群图像。实验中，针对每个不同密度人群提取100幅样本图像，并进行手工标定，将其中20幅作为训练样本，另外80幅作为测试样本，用于进行人群密度估计的测试，得到的结果与手工标定结果进行对比，用来进行不同特征的性能评估。 像素统计特征 可分为前景特征和边缘特征两类：前景比例，在景人数越多，前景像素在图像当中所占比例越大；人群密度越高则人与人之间遮挡严重，遮挡严重区域提取边缘像素数量越多，边缘像素点在图像中所占比例越大。边缘检测对于人群密度分析比较重要，文中采用的是Canny边缘检测算法。 主体算法： 高斯函数对图像进行平滑滤波，去噪 由每一点计算出局部梯度和边缘方向，边缘点定义为梯度方向上其强度局部最大的点。 对梯度进行“非极大值抑制”。 双阈值化和边缘链接，得到边缘图像。 实验结果： 训练样本集数据不同人群密度登记的像素统计特征平均值随密度等级变化曲线： 结论： 随着人群密度等级变高，前景像素比例和边缘像素比例逐渐增大，但是在超过高密度的时，特征差别不明显，说明对于高密度和及高密度人群的区分，这两个特征没有明显的区分度。 分析其根本愿意是像素统计特征不能完全表征人群遮挡的信息。 纹理特征 灰度共生矩阵是用两个位置的像素的联合概率密度来定义，不仅反映亮度的分布特性也反映具有同样亮度或接近亮度的像素之间的位置分布特性。用在群体特征分析时，需要进行摄像机透视效应的矫正。 共生矩阵与纹理的关系：粗纹理区域，灰度共生矩阵的值较集中于对角线附近，因为对于粗纹理，像素对趋于具有相同灰度；细纹理区域，灰度共生矩阵散布在各处。 共生矩阵的一些参数：能量，反映图像灰度分布均匀程度和纹理粗细度；对比度，反映图像的清晰度和纹理沟纹深浅的程度；相关，共生矩阵元素在行或列上的相似程度，水平方向有纹理，则水平方向矩阵的相关大于其余矩阵的相关值；熵，表示图像中纹理的非均匀程度和复杂程度；逆差距，值大说明图像纹理的不同区域间缺少变化，局部非常均匀。 从人群的整体角度考察纹理特征，不同密度的人群在纹理上呈现不同特性。实验针对不同密度登记人群，考察其灰度共生矩阵的各参数变化情况。 实验结果分析：仍有20%错误率，原因是要得到灰度共生矩阵，需要选定一个代表两像素间距的距离参数d，对于细致纹理的分类需要较小的d值，而粗纹理想相反。所以在选择d值时需要这种，造成统计精度的下降。 基于Gabor的纹理特征：选定某一特定的Gabor函数，然后设计Gabor滤波器，滤除图像后再提取能量统计特征作为纹理特征。实验结果： 纹理特征结论： 纹理从本质而言是描述像素点灰度值的变化规律或者说是像素值之间的关系信息，但是当人群密度比较低的时候，人和人之间的关系也不明显。基于只一点，纹理的算法在高密度人群中的表现优于中低密度人群。 纹理的提取是假定在理想状态下获取的：假定纹理表面静态，不考虑视角变化。但实际情况中，不可避免存在视角变化因其的纹理缩放、不规则变形等各种可能的仿射变换。 基于最大稳定极值区域的人群特征提取 问题提出：实际情况下，希望得到的人群特征是集合不变的，即使是在摄像机旋转的情况下。 基于最大稳定极值区域（MSER）的图像特征描述： 对图像进行一定阈值化后输出的连通域。极值特性：MSER区域内所有像素点都有比它边界上的像素点更大或更小的灰度值；最稳定：对图像进行阈值化时，当阈值在某个范围变化时，所得到的极值区域大小基本稳定。 具体做法：检测图像中所有的极值区域；选取所有极值区域中最稳定的部分（当阈值在某一个小范围内由大到小变化时，该区域的面积变化能嵌套在区域中达到一个局部极小值）；MSER区域的规则化，以放射协变的构造方法计算出初始MSER区域的一阶矩和二阶矩，将其拟合成一个椭圆区域。椭圆区域作为最终输出的特征区域。 优点：极值区域是图像灰度相对关系的结果，因此光照等单调变化不影响特征提取的结果；不随摄像机参数、图