摘 要

随着社会的发展和经济水平的提高，商场大型活动的频率越来越高，节假日旅游景点的人数也逐年攀升，踩踏事件的发生频率越来越高，也越来越难以防范。因此，如何有效防范此类事情的发生成了当下亟待解决的问题。针对这个问题，本文结合视频监控技术，拟研究一个基于视频的实现运动物体追踪及人群密度检测的系统的开发方法。其中详细叙述了系统中图像处理相关算法的原理，然后，在opencv类库和VS2010的基础上，实现所需算法，并且对opencv实现不合理的地方加以改进，使其更好的适合系统要求。该系统实现了对待检测区域运动目标对象的提取、跟踪、人群密度分析以及当人群密度达到阈值时的报警过程。通过本地视频的检测表示，系统工作情况良好，且具有很好的准确性。关键词：图像处理；opencv；运动目标；提取与跟踪；人群密度

Abstract

With the improvement of social and economic levels, the frequency of large-scale shopping malls activities is increasingly going, the number of holiday attractions are also increasing year by year, the frequency of stampede is also increasing, making it more and more difficult to prevent. Therefore, how to prevent such things from happening would be the current problems to be solved. To address this issue, this paper, combining video surveillance technology, aims to research and develop a system of a tracking method of crowd density detection based on the realization of video moving object. It describes in detail the principles of the algorithms related to image processing in the system, and then, based on the opencv tools and VS2010, to achieve the desired algorithm, and to improve something unreasonable of the opencv tools to make it better to fit the system requirements. The system realized the extraction, tracking, analysis of crowd density of the moving target in the inspected area and run the alarm process when crowd density reaches the threshold. Through local video detection, the system has been tested to be performed well,with good accuracy.

Keywords: Image processing; opencv,;Moving Objective;Extracting and Tracking;crowed density

目 录

摘 要 I

Abstract II

第1章 概述 1

1.1本文研究的目的及意义 1

1.2与本文相关的国内外研究现状综述 2

1.3本文的主要研究内容及技术路线 3

第2章 运动目标的检测及跟踪模型和人群密度分析算法 4

2.1图像结构体简介 4

2.2 运动目标的检测算法及模型 5

2.2.1 常用的运动目标检测算法 5

2.2.2 混合高斯背景建模模型 5

2.3 运动目标的跟踪 8

2.4 封闭区域内运动目标的检测 9

2.5 人群密集度分析 10

第3章 基于高斯背景建模的运动目标检测实现及噪声消除 11

3.1基于opencv的高斯背景建模算法的实现 11

3.1.1高斯背景建模算法的实现 11

3.1.2 相关的变量和函数 13

3.2噪声消除处理 14

第4章 基于meanshift算法的运动目标跟踪算法的实现 16

4.1 单目标跟踪算法的实现 16

4.1.1基于反向投影图的运动目标的特征提取 16

4.1.2 基于meanshift算法的单帧运动目标的发现 17

4.1.3 基于camshift算法的运动目标的跟踪 17

4.2多目标跟踪算法的实现 18

第5章 人群密度密集度判断与报警 20

5.1 人群密集度分析与预警的实现 20

5.1.1人群密度分析和预警的实现 20

5.1.2 相关的结构体及变量说明 22

5.2 实验结果分析 24

第6章 总结与展望 26

6.1 全文总结 26

6.2 研究展望 26

参考文献 27

致 谢 28

第1章 概述

1.1本文研究的目的及意义

随着大型活动的开展越来越频繁，踩踏事件发生的可能性也越来越高， 这是一个很大的安全隐患。如果人群中发生踩踏事件，后果将不堪设想。

目前为止，国内外发生的人群踩踏事件更是不计其数。

2015年9月24日，沙特麦加东部发生踩踏事故。官方数据表示，事故导致至少717人遇难，另有800多人受伤。

2014年12月31日，上海外滩陈毅广场发生大型踩踏事件，事故导致导致36人死亡，47人受伤。

2014年9月26日，昆明市明通小学发生踩踏事件，导致6名学生受挤压窒息死亡，26名学生不同程度受伤。

2013年10月13日，印度中部一所寺庙外发生踩踏事故。此次事故造成115人丧生，受伤人数超过100人。

……

当然，发生踩踏事故的原因有很多，包括群众对踩踏情况发生时逃生知识的缺乏、轻信谣言等等。但是，预防力度不够是其中的一个主要原因。有关部门没有在事故发生前做到有效的预防与控制，使得他们只能在事故发生后进行抢救，十分被动。因此，若能在事故发生前，通过对视频图像的监控和分析，有效的统计区域内的人数、分析人群密度，以及对人群的异常行为进行预测和捕获，就能有效的预防或避免踩踏事件的发生。

所幸的是，随着现在IT和摄影技术的迅速发展，我们已经能够通过电脑实时监控被监测区域内的一举一动。但是，当我们要保证某区域的安全时，却只能通过人力检测的方式来进行。也就是说，视频图像只能为我们提供画面，却没有被我们更好地利用。如果，检测人员出现视觉疲劳、大意疏忽等意外情况，监测数据将会变得非常没有说服力。而且，单纯靠图像往往不如数据能带给我们更多的信息。在这种情况下，我们付出了大量的劳力和财力，却没有得到我们想要的结果，有些得不偿失。

随着视频监控技术的发展、电脑性能、存储容量和运行能力的提高，人们便开始思考，如果能够对视频监控图像包含的信息进行处理，识别并跟踪其中的运动目标，便可以知晓特定时刻特定区域内的总人数^[1][2]。更方便的是，在跟踪运动目标的基础上加入对人群密度的分析和预警过程，便可以在密度值接近危险临界值时发出预警，做好疏散计划，提前做好防备。

本次毕业设计主要利用VS2010工具和opencv类库，通过运动目标提取、运动目标跟踪、人群密度分析相关的算法及其在opencv中的具体实现，开发出基于视频的运动物体追踪及人群密度分析的系统，能够通过视频图像提取出运动目标并进行跟踪，并统计各个区域的密集度，当密集度达到一定的阈值时发出警告，从而有效预防人群踩踏事件的发生。

1.2与本文相关的国内外研究现状综述

目前，已经有很多学者和科学家对运动物体检测和跟踪算法进行了研究，一些比较成熟的算法如混合高斯背景建模方法、背景差分法、meanshift方法也被成功运用在了实现相关功能的系统中。

在现有的运动目标检测方法中，帧差法^[3]应该是最被熟知的同时也是比较简单的检测算法。以连续两帧图像为基础，帧差法将其对应的像素值相减并将相减结果的绝对值对应到每个像素点。然后将该值与设定的阈值相比较，大于阈值则被判为前景。1980年，B.K.P和B.G.Schunck提出了用光流法^[4]算出每个像素的速度信息提取运动前景，而Haritaoglu则提出了直接将帧图像与背景进行相减并不断更新背景得到运动前景的背景相减法^[3]；Ahmed Elgammal等人则提出了一种非参数背景模型的实时运动目标检测背景减方法，利用统计学习的模式进行背景更新从而准确快速的提取前景目标。由于单个运动目标检测算法或多或少都存在一些缺点，比如不能提取整个运动目标或者实时性较差等等。为了提高算法的准确度，也有很多学者开始努力将两个或多个算法同时考虑进行研究，如Robert T Collions提出基于自适应“背景减”与“相邻帧差”两种背景检测方法的混合算法——VSAM，能够在原有两种算法的基础上显著提高从背景中提取运动目标的速度和准确率；而Paul Viola等人采用了“相邻帧差法”与“Adaboost”方法，这样不仅能利用前者检测出帧图像的运动区域，还可以同时利用Adaboost学习方法训练并更新检测器，创造性的实现了对步行者的目标检测。除此之外，现在还出现了一种比较流行的背景建模方法——高斯背景建模。Stauffer与Grimson在自适应的混合高斯背景模型的基础上加入了在线估计实时更新模型过程^[5]，由于后者实现了对模型的实时更新，所以相比一般的混合高斯背景建模方法，其很好的降低了光照变化、背景缓慢移动对检测过程带来的干扰。P．Wayne Powerl对混合高斯算法的理论推导与参数估计进行了比较详细的分析，提出了多种改进算法。