基于视频的人群密度分类算法

作者：刘小溶 汪晓飞

来源：《成都工业学院学报》2017年第04期

        摘要：群体异常行为的发生将对社会公共安全构成危害，而不同等级的群体异常行为对社会公共安全构成的危害性不同，因此，对应的关注度和敏感度也不相同。结合ViBe算法，提出一种改进的人群密度分类方法。最后，通过对自拍视频数据集进行实验测试，验证了该算法的有效性和准确性。

        关键词：人群密度估计;群体异常行为检测;密度分级

        中图分类号：TP391

        文献标志码：A

        文章编号：2095-5383（2017）04-0088-03

        Abstract：The occurrence of abnormal behavior of groups will endanger the social public security， and different levels of abnormal behavior of groups will lead to different hazards to the social public security. Therefore， the corresponding attention and sensitivity are not the same. In this paper， an improved crowd density classification method combining with a ViBe algorithm was proposed. Finally， the effectiveness and accuracy of the proposed algorithm were verified by experiments on self-video datasets.

        Keywords：crowd density estimation; crowd abnormal behavior detection; density classification

        随着城市人口密度大大增加，公共场所人口密集程度不一，由于设置在公共场所的传统监控设备只能发挥监控流量的作用，不能进行数据分析，本文基于视频的情形下探讨人群密度的检测算法，利用实时视频样本对其人群密度进行估计，从而得到该视频中人群密度，再根据密度进行分级。其次，可利用其数据分析的功能，根据当地的人口密度、人流量进行科学的分析，从而来进行商业规划，如游乐场、餐厅、教育机构、超市等的选址;根据不同时段的人流量分析来制定相应时段的销售方案，发挥其经济效力。

        1 人群密度检测基本原理

        在本文算法中，主要通过对异常行为场景中的群体密度进行分析，并以此为依据来划分异常行为的等级，同时测试视频集为自拍视频。算法设计中，当检测出视频场景中存在异常行为时，我们立即对场景中的群体密度进行估计，并以此为依据来对异常行为等级进行划分[1]。基于视频的人群密度的检测系统的基本原理是采用ViBe算法进行前景检测，再根据前景面积占整个图像面积的比例是否大于事先定义好的阈值来选择不同的方法进行密度估计：当该比例小于阈值时，表明此时前景目标面积较小，群体密度较低;反之，表明此时的群体密度较高，此时采用基于纹理分析的方法对密度进一步划分。最后将群体密度等级划分为低等、中等和高等密度。具体的等级划分和人数关系如表1所示。

        对群体密度进行如上的划分，可用于对群体异常行为分级，并针对不同密度等级发出不同程度的警报提示信息。具体流程如图1所示。

        2 人群密度检测算法概述

        2.1 基于ViBe算法的前景检测方法

        为了进一步提高前景检测的有效性和准确性，本文采用一种近年来才被提出但效果明显的ViBe算法[3]进行前景检测。与传统前景检测算法相比，ViBe算法采用的是一种与时间无关的更新策略[4]，该算法对视频分辨率较差、场景背景存在不规律变化等情况都有良好的适应性。同时，该算法运算量小，运算速度快，在复杂场景下的检测效果和时间效率上有较大的优势。下面给出ViBe算法简单描述。

        设像素点x在时刻t时的灰度值用来pt（x）表示。在初始帧中，我们关注的对象是图像中的每一个像素点。算法设计中，任意选取某一像素点及其8邻域内的n个像素点的值并对其进行建模，于是，一个包含n个元素的集合被构造来表示该像素点的背景模型{p1，p2，p3，…，pn}。p1，p2，p3，…，pn是像素点pt（x）背景模型的n个样本值。定义一个到像素点pt（x）距离小于R的集合（如图2所示）：

        当该模型样本点更新完成后，被判定为背景像素的点的邻域像素将会被随机更新。背景像素值被用来随机更新一个邻域像素的背景模型。这种算法可以将长久静止不动的目标点和先静止后运动的物体留下的鬼影区域消除。

        2.2 基于纹理分析的群体密度估计方法

        纹理是一种普遍存在的视觉现象，是一种反映图像中同质现象的视觉特征，是指图像像素的灰度或者颜色的变化。由于人群图像中的纹理多数以随机型纹理方式存在，服从统计分布规律，因此，本文算法采用基于统计的纹理特征提取方法，对高密度人群的纹理特征进行分析，并实现不同群体密度的估计。

        1）灰度共生矩阵的构建

        由于纹理是由灰度分布在空间位置上反复出现形成的，灰度直方图的实质是以某一个灰度值为对象，统计出图像中与该值相同的像素点的个数;对灰度共生矩阵而言，则是依据图像上保持某一距离的两个灰度像素同时出现的联合概率分布。假定图像为f（x，y），图像尺寸为M×N，图像宽度、高度分别用M，N表示，图像灰度水平用L表示，则满足一定空间关系的灰度共生矩阵为：

        2）灰度共生矩阵特征参数的选取

        为了利用灰度共生矩阵能更直观的描述纹理状况，灰度共生矩阵构建好以后，需要获取一些能准确反映灰度共生矩阵状况的特征参数，在算法中，熵、能量、反差和相关性四个特征用于对人群纹理信息的描述。

        2.3 算法流程

        为了更清楚地描述群体异常行为分级方法实现的整个过程，给出如图3所示的算法流程图。当采用检测到视频中存在群体异常行为后，接下来使用ViBe算法来检测视频图像中的群体运动前景，然后计算前景面积占整个图像面积的比例σ与阈值ξ之间的关系（在实验中，阈值ξ根据经验值取0.34）;如果σ

        3 实验结果及结论

        为了验证本算法的有效性和准确性，我们针对性地自拍了测试数据集。测试数据集包含3个场景下18段视频。参照表1中的定义，实验结果中，准确分类的视频数量为15个，错误分类的视频数为3个，准确率为83.3%。实验结果显示采用本文提出的分级方法能得到较好的分类结果。图5到图7依次表示低等、中等和高等的部分异常行为分级实验结果，并对视频中的异常行为等级分别用“Low”，“Medium”和“High”作标记。

        由图5～图7可知，该算法具有有效性和准确性。

        参考文献：

        [1]张燕，黎宁，刘福美. 一种基于区域划分的人群密度估计快速方法[J].计算机与数字工程，2011，39（4）：128-131.

        [2]贾永华，呼志刚，浦世亮. 基于视频前景边缘和特征检测的人群密度估计方法[J].中国公共安全，2011（5）：159-163.

        [3]顾西存.视频中前景检测和背景建模算法的研究[D].重庆：重庆邮电大学，2016.

        [4]牛化康，何小海，汪晓飞，等.一种改进的ViBe目标检测算法[J].四川大学学报（工程科学版），2014（S2）：104-108.