摘 要

随着经济快速发展，人群聚集活动愈发频繁，与此同时，人群过度拥挤很可能发生踩踏伤亡等不幸事件，如果未能进行及时的疏散，对城市的安全会造成很大的威胁。 因此,分析人群信息进而估计出人群密度，已然成为了研究热点。

如今主要的人群密度估计方法主要有三种：像素统计法，纹理分析法，目标跟踪法。本文运用前两种方式来分别实现低密度人群人数快速估计和中高密度人群准确的密度等级分类。

对于低密度人群，需要采用混合高斯法检测图像中的人群目标。传统混合高斯模型初始建模速度慢且检测的运动目标包含大量阴影，本文提出一种融入像素过滤和背景修正的改进混合高斯方法，并采取分段式的权值更新速率来更新背景模型，提出四个步骤来进行前景图修缮。最后采用连通域标记统计法，对比线性拟合方式，说明前者在人群数量估计方面有更高的准确度。

对于中高密度人群进行密度等级估计分类，纹理分析法比较合适，其中灰度共生矩阵法是描述纹理经典且成熟的方法，可以灵活地选择生成距离，合理的压缩图像灰度级，并且由其产生的参数可描述纹理多方面统计特征；然后选择支持向量机来根据图像纹理特征量进行人群密度等级分类，训练得到最优参数对应的SVM，然后通过实验说明SVM分类的高准确度和推广性。

本文提出的人群密度估计方法，能够根据实际场景估计出区域的低密度人群人数，当人群密度达到一定程度，切换至纹理分析SVM分类模式，实时地分辨人群密度等级。

关键词：人群密度估计；混合高斯模型；灰度共生矩阵；支持向量机

Abstract

With the rapid economic development, the crowd gathered more frequently, at the same time, the crowd is very likely to occur in the crowd, such as heavy casualties, if not timely evacuation, will threaten the security of the city. Therefore, analyzes and estimates the population density of population information, has become a hot research topic.

Now the main crowd density estimation method mainly has three kinds: pixel statistics, texture analysis method, target tracking method. Respectively in this paper, with the former two ways to achieve population of low density of number in the fast estimation and accurate classification of high density population.

For low density of population, gaussian mixture method is used to detect the image target. Traditional slow initial modeling and testing the gaussian mixture model contains a large number of shadow of moving objects. This paper proposes a filter based on pixel , background correction and an improved gaussian mixture model adopting sectional weights update rate .Then I put forward four steps for future repairs. Finally the connected domain tag statistics, comparing linear fitting method, shows that the former has higher accuracy in population estimates.

For the high density crowd , texture analysis method is more appropriate, including gray level co-occurrence matrix is a classic and mature method to describe texture, the flexibility to choose to generate distance, reasonable compressed grayscale image, and can describe the texture parameters is produced by the various statistical characteristics.And then selecting the support vector machine (SVM) to the crowd density grade classification based on image texture feature and getting the optimal parameters of the corresponding to train.Then throughthe SVM classification shows the high accuracy and popularization of the experiment.

Crowd density estimation method is proposed in this paper, according to the actual scene area of low density estimate the number of people.When the crowd density reaches to a certain extent, the classification model switch to the texture analysis in real time to distinguish the level of population density.

Key words: the crowd density estimation; gaussian mixture model; gray level co-occurrence matrix;the support vector machine (SVM).

目 录

摘 要 I

Abstract II

第1章 绪论 1

1.1 课题背景及意义 1

1.2 研究现状 1

1.3本文主要内容安排 2

第2章 低密度人群人数估计 3

2.1 改进的混合高斯方法 3

2.1.1 混合高斯背景模型的建立 3

2.1.2 改进的混合高斯模型 6

2.2 人物前景图像去噪 8

2.3 人数估计 9

2.3.1 连通域标记统计法 9

2.3.2 线性拟合估计法 10

2.4 实验结果分析 11

2.4.1 人物前景检测结果 11

2.4.2 人数估计结果 13

2.5 本章小结 15

第3章 中高密度人群密度分类 16

3.1 人群图像的纹理特征提取 16

3.1.1 人群前景提取 16

3.1.2 灰度共生矩阵的定义 17

3.1.3 灰度共生矩阵的特征 18

3.2 基于SVM的人群密度等级分类 20

3.2.1 线性分类问题 20

3.2.2 非线性分类问题 22

3.2.3 参数的选择 23

3.3 实验结果分析 24

3.4 本章小结 25

第4章 总结与展望 26

4.1 总结 26

4.2 展望 26

参考文献 27

致谢 29

第1章 绪论

1.1 课题背景及意义

随着国内经济的迅速发展，城市人口密度日益增大，社会生活越来越丰富，城市的公共场合经常出现密集的人流。特别是在节假日，公共场合人群聚集现象很常见，过度拥挤很有可能导致人群流动异常从而引发灾祸。因此，如何实时地监控人群，防范事故的发生，成为了一个有待解决的问题。

国内外因人群过度拥挤引发事故很多，人员伤亡数甚至能达到好几百人。2010年德国杜伊斯堡市的“爱的大游行”电子音乐狂欢节现场发生踩踏事故，21人死亡，约500人受伤；2010年印度北方邦一座寺庙发生踩踏事件，致66人死亡，约40人受伤。2014年上海市黄浦区外滩陈毅广场发生人群过度拥挤踩踏事故，36人死亡，47人受伤。

人群过度拥挤随时可能危及到人的生命，人群聚集可能引发的两种事故（踩踏事故，拥挤事故）是人群密度超过了临界值才发生的，Fruin指出了人群密度若达到7.5人/㎡，人群就有可能失控。根据我国的情况，冉丽君提出了我国人群能忍受的最大密度为9人/㎡。一旦人群密度超过这个临界值，事故发生概率会急剧增大。如果我们能及时地发现密集人群并引导疏散，就能维护公共场所的安全，从而避免事故的发生。