一種人群聚集區(qū)域檢測方法和裝置制造方法
【專利摘要】本發(fā)明公開了一種人群聚集區(qū)域檢測方法和裝置，屬于視頻處理【技術(shù)領(lǐng)域】。該方法包括：采樣輸入的視頻圖像并進行預(yù)處理，得到灰度圖；利用預(yù)設(shè)的多尺度矩形窗口遍歷灰度圖，并采用分類器粗定位人群密集區(qū)域；當(dāng)存在人群密集區(qū)域時，根據(jù)人群密度對人群密集區(qū)域進行精細定位人群聚集區(qū)域。采用本發(fā)明的檢測方法和裝置，能自動定位人群密集區(qū)域的位置，無需人工設(shè)定區(qū)域位置；同時，采用兩層篩選機制對人群區(qū)域進行粗定位和精細定位，能精確獲取人群聚集區(qū)域，此外，由于沒有采用背景相減法，排除了外界各因素的影響，對于場景復(fù)雜的情況，也能精確檢測到人群聚集事件。
【專利說明】一種人群聚集區(qū)域檢測方法和裝置

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及安防領(lǐng)域，尤其涉及一種人群聚集區(qū)域檢測方法和裝置。

【背景技術(shù)】
[0002]隨著社會經(jīng)濟的高速發(fā)展，我國的城市化進程不斷推進，城市的人口數(shù)量越來越多，城市的公共交通、生活設(shè)施等區(qū)域經(jīng)常會迎來短期的人流高峰，人群的高度擁擠帶來了一些安全隱患，若不能得到及時有效疏散，容易造成重大事故，例如踐踏等危險事故。同時，人口數(shù)量的急劇增長，也容易導(dǎo)致一些群體事件發(fā)生，例如聚眾鬧事，群毆打架等，對城市的治安造成較大的威脅。
[0003]為了及時發(fā)現(xiàn)突發(fā)的人群聚集事件，引入了視頻監(jiān)控系統(tǒng)。但是，傳統(tǒng)的視頻監(jiān)控系統(tǒng)由人工輪崗來監(jiān)視，由于監(jiān)控點比較多，工作人員較少，使得很多人群聚集事件沒有被及時發(fā)現(xiàn)。同時，人眼在長時間盯著監(jiān)控屏幕后極容易導(dǎo)致視覺疲勞，使注意力下降。隨著計算機視覺技術(shù)的不斷發(fā)展和應(yīng)用，已經(jīng)可以利用計算機技術(shù)代替人眼和人腦，來自動分析人群聚集事件。
[0004]目前，利用計算機視覺技術(shù)的人群聚集區(qū)域檢測方法有兩種:(1)基于人群像素統(tǒng)計的方法，該方法通過背景相減的方法來提取運動的前景人群，并統(tǒng)計人群占據(jù)的像素數(shù)目來判斷是否發(fā)生聚集事件，該方法的優(yōu)點是方法簡單、處理速度快，但是在人群擁擠時，存在非常嚴重的重疊現(xiàn)象，導(dǎo)致行人計數(shù)存在較大誤差；并且，由于外面因素的干擾，要想獲取一個穩(wěn)定的背景非常困難，這直接影響到前景的精確提取；同時，如果場景中的人群沒有運動，這直接導(dǎo)致背景獲取失敗，不能檢測到人群聚集。(2)基于人群紋理信息的方法，該方法將人群分為低、中、高密度，低密度人群在紋理上表現(xiàn)為粗模式，高密度人群在紋理上表現(xiàn)為細模式，該方法在背景比較單一場景下效果較好，但在場景復(fù)雜、人群比較稀疏的情況下，誤報較多，容易將其判為人群密集的情況。
[0005]此外，上述兩種檢測方法都需要人工在監(jiān)控畫面中設(shè)置固定區(qū)域來檢測人群聚集，而不能自動檢測人群聚集的位置。


【發(fā)明內(nèi)容】

[0006]有鑒于此，本發(fā)明要解決的技術(shù)問題是提供一種人群聚集區(qū)域檢測方法和裝置，以解決需要人工在監(jiān)控畫面中設(shè)置固定區(qū)域、且誤報較多的技術(shù)問題。
[0007]本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案如下:
[0008]根據(jù)本發(fā)明的一個方面，提供的一種人群聚集區(qū)域檢測方法包括:
[0009]采樣輸入的視頻圖像并進行預(yù)處理，得到灰度圖；
[0010]利用預(yù)設(shè)的多尺度矩形窗口遍歷灰度圖，并采用分類器粗定位人群密集區(qū)域；
[0011]當(dāng)存在人群密集區(qū)域時，根據(jù)人群密度對人群密集區(qū)域進行精細定位人群聚集區(qū)域。
[0012]優(yōu)選地，利用預(yù)設(shè)的多尺度矩形窗口遍歷灰度圖，并采用分類器粗定位人群密集區(qū)域進一步包括:
[0013]針對每一個預(yù)設(shè)尺度的矩形窗口，將其在灰度圖上滑動，獲取被矩形窗口覆蓋的子圖像的集合；
[0014]提取每個子圖像的HOG特征；
[0015]采用Adaboost級聯(lián)分類器對每個子圖像的HOG特征進行分類，得到人群密集候選區(qū)域；
[0016]將人群密集候選區(qū)域進行融合，得到人群密集區(qū)域。
[0017]優(yōu)選地，提取每個子圖像的HOG特征進一步包括:
[0018]利用梯度算子提取子圖像的水平方向和垂直方向的梯度；
[0019]計算每個像素的梯度大小和梯度方向；
[0020]將子圖像分成至少兩個單元格，在每個單元格內(nèi)建立梯度方向直方圖；
[0021]將相鄰的單元格組成一個塊，將一個塊內(nèi)所有單元格的特征向量串聯(lián)起來，并進行歸一化處理，得到該塊的特征；
[0022]將該子圖像的所有塊的特征串聯(lián)，得到該子圖像的HOG特征。
[0023]優(yōu)選地，根據(jù)人群密度對粗定位的人群密集區(qū)域進行精細定位人群聚集區(qū)域進一步包括:
[0024]根據(jù)人群密集區(qū)域的位置，從輸入的彩色圖像中截取對應(yīng)的人群密集區(qū)圖像；
[0025]將人群密集區(qū)圖像縮放到預(yù)設(shè)的大小，并轉(zhuǎn)換為灰度圖像，得到人群密集區(qū)灰度圖；
[0026]利用傅里葉變換將人群密集區(qū)灰度圖轉(zhuǎn)換到頻率域，得到人群密集區(qū)傅立葉頻譜圖；
[0027]計算人群密集區(qū)傅立葉頻譜圖的傅立葉頻譜特征，并采用分類器進行人群密度等級分類；
[0028]記錄人群密度分類結(jié)果為高密度的區(qū)域位置，輸出人群聚集區(qū)域。
[0029]優(yōu)選地，計算人群密集區(qū)傅立葉頻譜圖的傅立葉頻譜特征，并采用分類器進行人群密度等級分類進一步包括:
[0030]計算人群密集區(qū)傅立葉頻譜圖的熵特征、能量特征和極坐標(biāo)傅立葉頻譜特征描述子;
[0031]采用BP神經(jīng)網(wǎng)絡(luò)分類器對熵特征、能量特征和極坐標(biāo)傅立葉頻譜特征描述子進行人群密度等級分類。
[0032]優(yōu)選地，計算極坐標(biāo)傅立葉頻譜特征描述子包括以下維度:
[0033]
s πs πRπ
ΣΣ F(p, θ)，^ Z F(p，θ)，...f Z ^F(p, β)，
,Ρ=0Θ=0P=J0 =QP =(s-l)*J9 =Q,
π/t R2*n/t RπR
ΣΣ F{p, Θ)， ΣΣ np，θ)，■■■，Z ZF(P，0)
、.沒=0/)=0B—njt p=00=(t—l)^n/t p=0J
[0034]其中，F(xiàn)(P, θ )為極坐標(biāo)下的傅立葉頻譜，P為極坐標(biāo)的極徑，Θ為極角，R為灰度圖像寬度的一半，s表示極徑P被均分的等級個數(shù)，t表示極角Θ被均分的等級個數(shù)。
[0035]根據(jù)本發(fā)明的另一個方面，提供的一種人群聚集區(qū)域檢測裝置包括:
[0036]預(yù)處理模塊，用于采樣輸入的視頻圖像并進行預(yù)處理，得到灰度圖；
[0037]粗定位模塊，用于利用預(yù)設(shè)的多尺度矩形窗口遍歷灰度圖，并采用粗定位人群密集區(qū)域；
[0038]精細定位模塊，用于當(dāng)存在人群密集區(qū)域時，根據(jù)人群密度對人群密集區(qū)域進行精細定位人群聚集區(qū)域。
[0039]優(yōu)選地，粗定位模塊包括:
[0040]子圖像提取單元，用于針對每一個預(yù)設(shè)尺度的矩形窗口，將其在灰度圖上滑動，獲取被矩形窗口覆蓋的子圖像的集合；
[0041]HOG特征提取單元，用于提取每個子圖像的HOG特征；
[0042]HOG特征分類單元，用于采用Adaboost級聯(lián)分類器對每個子圖像的HOG特征進行分類，得到人群密集候選區(qū)域；
[0043]區(qū)域融合單元，用于將人群密集候選區(qū)域進行融合，得到人群密集區(qū)域。
[0044]優(yōu)選地,精細定位模塊包括:
[0045]人群密集區(qū)圖像獲取單元，用于根據(jù)人群密集區(qū)域的位置，從輸入的彩色圖像中截取對應(yīng)的人群密集區(qū)圖像；
[0046]人群密集區(qū)灰度圖獲取單元，用于將人群密集區(qū)圖像縮放到預(yù)設(shè)的大小，并轉(zhuǎn)換為灰度圖像，得到人群密集區(qū)灰度圖；
[0047]傅立葉頻譜圖獲取單元，用于利用傅里葉變換將人群密集區(qū)灰度圖轉(zhuǎn)換到頻率域，得到人群密集區(qū)傅立葉頻譜圖；
[0048]傅立葉頻譜特征分類單元，用于計算人群密集區(qū)傅立葉頻譜圖的傅立葉頻譜特征，并采用分類器進行人群密度等級分類；
[0049]輸出單元，用于記錄人群密度分類結(jié)果為高密度的區(qū)域位置，輸出人群聚集區(qū)域。
[0050]優(yōu)選地，傅立葉頻譜特征分類單元具體用于:計算人群密集區(qū)傅立葉頻譜圖的熵特征、能量特征和極坐標(biāo)傅立葉頻譜特征描述子；采用BP神經(jīng)網(wǎng)絡(luò)分類器對熵特征、能量特征和極坐標(biāo)傅立葉頻譜特征描述子進行人群密度等級分類。
[0051]本發(fā)明提供的人群聚集區(qū)域檢測方法和裝置，與現(xiàn)有技術(shù)相比，通過多尺度矩形窗口遍歷技術(shù)，能自動定位人群密集區(qū)域的位置，無需人工設(shè)定區(qū)域位置，同時，采用兩層篩選機制對人群區(qū)域進行粗定位和精細定位，能精確獲取人群聚集區(qū)域，而且，由于沒有采用背景相減法，排除了外界各因素的影響，對于場景復(fù)雜的情況，也能精確檢測到人群聚集事件。
[0052]此外，通過采用Adaboost級聯(lián)分類器對HOG特征進行分類、以及BP神經(jīng)網(wǎng)絡(luò)對傅立葉頻譜特征進行分類的兩層篩選機制對人群區(qū)域進行粗定位和精細定位，能進一步精確獲取人群聚集區(qū)域。

【專利附圖】

【附圖說明】
[0053]圖1為本發(fā)明實施例提供的一種人群聚集區(qū)域檢測方法的流程圖；
[0054]圖2為本發(fā)明實施例提供的一種人群密集區(qū)域粗定位方法的流程圖；
[0055]圖3為本發(fā)明優(yōu)選實施例提供的一種人群密集區(qū)域粗定位方法的流程圖；
[0056]圖4為本發(fā)明優(yōu)選實施例提供的一種人群聚集區(qū)域精細定位方法的流程圖；
[0057]圖5為本發(fā)明優(yōu)選實施例提供的一種人群聚集區(qū)域檢測裝置的模塊結(jié)構(gòu)圖。

【具體實施方式】
[0058]為了使本發(fā)明所要解決的技術(shù)問題、技術(shù)方案及有益效果更加清楚、明白，以下結(jié)合附圖和實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
[0059]實施例一
[0060]如圖1所示，本發(fā)明實施例提供的一種人群聚集區(qū)域檢測方法包括以下步驟:
[0061]S101、采樣輸入的視頻圖像并進行預(yù)處理，得到灰度圖。
[0062]具體地，從視頻采集設(shè)備中獲取視頻圖像，對視頻圖像進行下采樣，將下采樣的彩色圖像轉(zhuǎn)化為灰度圖像，并進行濾波去除噪聲等預(yù)處理。
[0063]S102、利用預(yù)設(shè)的多尺度矩形窗口遍歷灰度圖，并采用分類器粗定位人群密集區(qū)域。
[0064]本步驟中，可以通過預(yù)設(shè)多個小尺度矩形窗口來分別遍歷灰度圖，比如預(yù)設(shè)的初始小尺度矩形窗口的尺度為100*100個像素,窗口移動步長選用2個像素,每遍歷完一次圖像后窗口的尺度放大1.1倍。還可以只預(yù)設(shè)一個小尺度矩形窗口，而將灰度圖按預(yù)設(shè)的比例進行縮放，比如，圖像的縮小倍數(shù)為1.1，通過該小尺度矩形窗口來分別遍歷每次縮放后的灰度圖。歸根揭底來說，兩種方式都是采用多尺度矩形窗口遍歷灰度圖。所述分類器可以采用Adaboost級聯(lián)分類器。
[0065]請參閱圖2,作為一種優(yōu)選實施例,步驟S102進一步包括:
[0066]S1021、針對每一個預(yù)設(shè)尺度的矩形窗口，將其在灰度圖上滑動，獲取被矩形窗口覆蓋的子圖像的集合；
[0067]S1022、提取每個子圖像的HOG特征。
[0068]在窗口滑動過程中，依次提取每個位置處被窗口覆蓋的子圖像的HOG特征。HOG特征是一種局部區(qū)域描述符，它通過計算局部區(qū)域上的梯度方向直方圖來構(gòu)成人群特征，能夠很好地描述人群的邊緣。同時，HOG特征能夠適應(yīng)光照變化和目標(biāo)旋轉(zhuǎn)。步驟S1022進一步包括:利用梯度算子提取子圖像的水平方向和垂直方向的梯度；計算每個像素的梯度大小和梯度方向；將子圖像分成至少兩個單元格，在每個單元格內(nèi)建立梯度方向直方圖；將相鄰的單元格組成一個塊，將一個塊內(nèi)所有單元格的特征向量串聯(lián)起來，并進行歸一化處理，得到該塊的特征；將該子圖像的所有塊的特征串聯(lián)，得到該子圖像的HOG特征。
[0069]S1023、采用Adaboost級聯(lián)分類器對每個子圖像的HOG特征進行分類，得到人群密集候選區(qū)域。
[0070]其中，人群Adaboost級聯(lián)分類器是事先訓(xùn)練好的一個兩類分類器，可以將圖像分為人群密集和人群稀疏(或沒有人的圖像)。Adaboost級聯(lián)分類器的核心思想是將許多的弱分類器組合起來，構(gòu)成一些強分類器，然后，再將強分類器串聯(lián)起來，構(gòu)成最終的Adaboost級聯(lián)分類器。其中，弱分類器的分類正確率大于50%就可以，Adaboost級聯(lián)分類器通過提取人群圖像的HOG特征進行訓(xùn)練得到，其訓(xùn)練過程為:首先，準備訓(xùn)練要用的樣本，正樣本為行人密集的圖像，負樣本為行人稀少或沒有行人的圖像，訓(xùn)練樣本的個數(shù)越多越好；其次，將訓(xùn)練用的樣本圖像轉(zhuǎn)化為灰度圖，并縮放到規(guī)定的大小，本發(fā)明的實施例將樣本圖像縮放到50*50個像素；然后，提取正樣本和負樣本的HOG特征；最后，利用訓(xùn)練樣本的特征開始訓(xùn)練Adaboost級聯(lián)分類器，具體的訓(xùn)練方法可以采用現(xiàn)有的開源庫opencv提供的工具來訓(xùn)練。本發(fā)明實施例中，設(shè)定Adaboost級聯(lián)分類器的層數(shù)為20，弱分類器采用2層決策樹。
[0071]具體地，將矩形窗口覆蓋下的子圖像的HOG特征送入人群Adaboost級聯(lián)分類器進行分類，會先利用第一個強分類器對圖像進行分類，如果該圖像被判為行人密集，則繼續(xù)利用第二個強分類器對其分類，依次類推，如果所有強分類器都將該圖像分類為行人密集，則該圖像的真實類型就是行人密集；如果該圖像被其中一個強分類器判為行人稀疏，則直接退出，后續(xù)的強分類器不再對其進行分類。如此，最終分類結(jié)果為兩類:行人密集和行人稀疏(或沒有人的圖像)，如果子圖像被分類為行人密集，保存該區(qū)域的位置作為人群密集候選區(qū)域。
[0072]S1024、將人群密集候選區(qū)域進行融合，得到人群密集區(qū)域。
[0073]具體地，上述步驟得到的人群密集候選區(qū)域可能為一個或者多個，其中多個候選區(qū)域之間會相互重疊，故需要對多個人群密集候選區(qū)域進行融合，得到置信度最高的人群?集區(qū)域。
[0074]S103、當(dāng)存在人群密集區(qū)域時，根據(jù)人群密度對粗定位的人群密集區(qū)域進行精定位人群聚集區(qū)域。
[0075]具體地，對步驟S102中粗定位到的人群密集區(qū)域進一步作精確的分類，分類標(biāo)準根據(jù)人群密度分為低、中、高三個等級。人群密度等級可以根據(jù)固定區(qū)域中的人數(shù)來分，比如人群占總面積小于20%，為低密度；占總面積在20%到75%，為中密度；占總面積大于75%，為高密度。記錄分類結(jié)果為高密度的人群密集區(qū)域為人群聚集區(qū)域。
[0076]綜上所述，本發(fā)明提供的人群聚集區(qū)域檢測方法，與現(xiàn)有技術(shù)相比，通過多尺度矩形窗口遍歷技術(shù)，能自動定位人群密集區(qū)域的位置，無需人工設(shè)定區(qū)域位置；同時，采用兩層篩選機制對人群區(qū)域進行粗定位和精細定位，能精確獲取人群聚集區(qū)域，此外，由于沒有采用背景相減法，排除了外界各因素的影響，對于場景復(fù)雜的情況，也能精確檢測到人群聚集事件。
[0077]實施例二
[0078]如圖3所示，本發(fā)明優(yōu)選實施例提供的一種人群密集區(qū)域粗定位方法包括以下步驟:
[0079]S301、將矩形窗口從圖像左上角開始遍歷。
[0080]具體地，本步驟之前，對視頻采集設(shè)備獲取到的彩色圖像進行下采樣，將彩色圖像下采樣到預(yù)設(shè)的尺度(本發(fā)明實施例中采用320*240)后轉(zhuǎn)換為灰度圖像；然后利用高斯濾波器對灰度圖像進行濾波，去除噪聲。本步驟中，利用小尺度矩形窗口在灰度圖中滑動，從左到右，從上到下滑動，當(dāng)然，也可以沿著其他方向進行滑動，只要能遍歷整副圖像即可。本發(fā)明實施例中，矩形窗口的初始尺度為100*100個像素，窗口移動步長選用2個像素。
[0081]S302、提取窗口覆蓋下的子圖像的HOG特征。
[0082]具體地，首先利用梯度算子[_1，0，I]和[_1，0，1]τ提取圖像的水平方向和垂直方向的梯度，再計算得到每個像素的梯度大小和梯度方向，梯度大小計算公式為
[0083]R(x, y) = J(I(x + l.y) — /(X — l,y))2 + (/(,y + I) — I(x,y — I))2
[0084]其中，R為梯度，I為圖像灰度值，X和y為圖像的像素坐標(biāo)。
[0085]梯度方向計算公式為:
_] ang(x,y) = arctan ^/(χ + , y) _/(χ ? l y) j
[0087]其中，ang為梯度方向，I為圖傢狄度值，x和y為圖像的像素坐標(biāo)。
[0088]然后，將圖像分成若干個單元格，在每個單元格內(nèi)建立梯度方向直方圖。最后，將幾個相鄰的單元格組成一個塊，這些塊互有重疊，將一個塊內(nèi)所有單元格的特征向量串聯(lián)起來，并歸一化，就得到該塊的特征。將所有塊的特征串聯(lián)，就得到該圖像的HOG特征。本發(fā)明的實施例中，單元格的尺度為6*6個像素，4個相鄰的單元格組成一個正方形區(qū)域作為塊，梯度方向等分為9個等級來構(gòu)建梯度方向直方圖。
[0089]S303、采用Adaboost級聯(lián)分類器對HOG特征分類。
[0090]將矩形窗口覆蓋下的子圖像的HOG特征送入人群Adaboost級聯(lián)分類器進行分類，分類結(jié)果為兩類:行人密集和行人稀疏(或沒有人的圖像)，如果子圖像被分類為行人密集，保存該區(qū)域的位置。本發(fā)明實施例中，設(shè)定Adaboost級聯(lián)分類器的層數(shù)為20，弱分類器采用2層決策樹。
[0091]S304、保存分類為人群密集的區(qū)域位置。
[0092]S305、判斷窗口是否滑到圖像右下角，如果是，轉(zhuǎn)至步驟S307，否則轉(zhuǎn)至步驟S306。
[0093]S306、將窗口在圖像上繼續(xù)滑動，并轉(zhuǎn)至步驟S302。
[0094]S307、擴大窗口尺度或者縮小圖像尺度。
[0095]具體地，如果小尺度的窗口滑動到灰度圖的右下角時，則擴大窗口的尺度，重新從灰度圖的左上角開始滑動，并提取HOG特征，送入Adaboost級聯(lián)分類器分類，保留人群密集區(qū)域位置?；蛘弋?dāng)矩形窗口滑動到圖像右下角時，再縮小當(dāng)前灰度圖像的尺度，繼續(xù)從子步驟S301開始，按從左到右，從上到下滑動窗口，并提取每個子圖像的HOG特征，送入Adaboost級聯(lián)分類器，來檢測行人密集區(qū)域，同時保存行人密集區(qū)域。本發(fā)明實施例中，矩陣窗口的放大倍數(shù)和圖像的縮小倍數(shù)都為1.1。
[0096]S308、判斷窗口尺度或者圖像縮小倍數(shù)是否達到上限，如果是，則執(zhí)行步驟S309，否則轉(zhuǎn)至步驟S302。
[0097]具體地，如果矩形窗口的尺度到達設(shè)定的上限時或者當(dāng)圖像總的縮小倍數(shù)到達規(guī)定的上限時，結(jié)束窗口的滑動操作，此時，先前的操作可能會有較多的子圖像被Adaboost級聯(lián)分類器判為行人密集區(qū)域，這些子區(qū)域可能會相互重疊，因此，還需要對這些子區(qū)域進行融合，獲取可信度較高的人群密集區(qū)域，同時輸出人群密集區(qū)域的位置。本發(fā)明實施例中，如果采用矩形窗口放大法，設(shè)定矩形窗口的尺度上限為200*200個像素，如果采用圖像縮小法，則圖像總的縮小倍數(shù)的上限為2。
[0098]S309、融合相互重疊的人群密集區(qū)域。
[0099]本步驟中，將尋找到的多個人群密集區(qū)域進行融合，得到置信度最高的人群密集區(qū)域。
[0100]S310、輸出人群密集區(qū)域的位置。
[0101]本實施例中，通過多尺度矩形窗口遍歷技術(shù)，能自動定位人群密集區(qū)域的位置，無需人工設(shè)定區(qū)域位置；同時，采用Adaboost級聯(lián)分類器對HOG特征進行分類粗定位出人群密集區(qū)域的誤報率小，由于沒有采用背景相減法，排除了相機抖動，光照突變等外界各因素的影響，對于場景復(fù)雜的情況，也能精確檢測到人群聚集事件。
[0102]實施例三
[0103]如圖4所示，本發(fā)明優(yōu)選實施例提供的一種人群密集區(qū)域精細定位方法包括以下步驟:
[0104]S1031、根據(jù)人群密集區(qū)域的位置，從輸入的彩色圖像中截取對應(yīng)的人群密集區(qū)圖像。
[0105]本步驟中，根據(jù)粗定位的人群密集區(qū)域的位置，從輸入的彩色圖像中截取這些位置的圖像，作為候選的人群聚集區(qū)域。
[0106]S1032、將人群密集區(qū)圖像縮放到預(yù)設(shè)的大小，并轉(zhuǎn)換為灰度圖像，得到人群密集區(qū)灰度圖。
[0107]本步驟中，將候選的人群聚集區(qū)域彩色圖像轉(zhuǎn)化為灰度圖像，并將灰度圖像的尺度統(tǒng)一縮放到規(guī)定的大小，這樣便于特征的提取。本發(fā)明實施例設(shè)定圖像縮放后的大小為100*100個像素。
[0108]S1033、利用傅里葉變換將人群密集區(qū)灰度圖轉(zhuǎn)換到頻率域，得到人群密集區(qū)傅立葉頻譜圖。
[0109]傅立葉變換可以將圖像從空間域轉(zhuǎn)換到頻率域。圖像的頻率可以表示圖像灰度變化劇烈的程度，對于人群密度較低的圖像，圖像灰度變化比較平滑，對應(yīng)的頻率較低；對人群密度較高的圖像，圖像灰度變化比較劇烈，對應(yīng)的頻率較高。二維圖像的傅立葉變換公式為

M-1 N-1
[0110]FCu, V) = ^ ^ f(x, y^e-j2n(ux/M+vy/N)

χ=? y=0
[0111]其中，F(xiàn) (U，V)為傅立葉變換結(jié)果，是一個復(fù)數(shù)，M = N= 100，為圖像的邊長，f(x，y)為圖像在點U，y)處的灰度值，X和y為圖像空間域坐標(biāo)，u和V為圖像頻率域坐標(biāo)。
[0112]傅立葉頻譜的計算公式為
[0113]\F(u, I?) I = JRz (u, v) + I2 {u, v)
[0114]其中，F(xiàn)(u, v)為點(u, v)處的頻譜值，R(u，v)和I(u,v)分別為F(u，v)實部和虛部。
[0115]S1034、計算人群密集區(qū)傅立葉頻譜圖的傅立葉頻譜特征，并采用分類器進行人群密度等級分類。
[0116]具體地，本步驟可以采用BP神經(jīng)網(wǎng)絡(luò)分類器、SVM分類器、隨機森林分類器等對人群密集區(qū)傅立葉頻譜圖的傅立葉頻譜特征進行人群密度等級分類。
[0117]優(yōu)選地，步驟S1034進一步包括:計算人群密集區(qū)傅立葉頻譜圖的熵特征、能量特征和極坐標(biāo)傅立葉頻譜特征描述子；采用BP神經(jīng)網(wǎng)絡(luò)分類器對熵特征、能量特征和極坐標(biāo)傅立葉頻譜特征描述子進行人群密度等級分類。
[0118]其中，熵特征用于描述圖像的平均信息量，計算熵特征之前，先將傅立葉頻譜值規(guī)范化到O至255的范圍，再計算直方圖P，然后，熵特征的計算公式為:

255
[0119]H= -^Pi1gPi

i=0
[0120]其中，H為傅立葉頻譜圖的熵特征值，Pi為頻譜圖的直方圖中第i個元素的值。
[0121]對于傅立葉頻譜圖的能量特征，先將傅立葉頻譜值規(guī)范化到O至255的范圍，然后，能量特征的計算公式為:
M-1 N-1
[0122]E — ΣΣ \F(u, v)\2
U=O v=0
[0123]其中，E為傅立葉頻譜圖的能量特征值，|F(u，v)|為傅立葉頻譜值，u和V為圖像頻率域坐標(biāo)，M = N= 100,為圖像邊長。
[0124]對于極坐標(biāo)傅立葉頻譜特征描述子的計算，先將直角坐標(biāo)系下的傅立葉頻譜利用極坐標(biāo)表示，直角坐標(biāo)到極坐標(biāo)的轉(zhuǎn)換公式為
[0125]P 二 -^u2 + V2

V
[0126]Θ = arctan —

u
[0127]其中，P為極坐標(biāo)的極徑，Θ為極角，u和V為圖像頻率域坐標(biāo)。
[0128]計算極坐標(biāo)傅立葉頻譜特征描述子包括以下維度:
[0129]
(K2*-飛
s Tis nRπ
ΣΣ F〔P，Φ ΣΣ F(p, θ)，..., Z ^ F〔p，θ)，
ρ=Ο0=Ο0=0(, ι \β.θ =0
<fP=JP=^-O*J>
π/t R2*n/t RπR
ΣΣ F(P，θ) ΣΣ F(ρ，θ) ,...， ^ ^ F(ρ，θ)
<θ=0 P=Oθ—fi/t ρ=0ρ=?>
[0130]其中，F(xiàn)(P，θ)為極坐標(biāo)下的傅立葉頻譜，P為極坐標(biāo)的極徑，Θ為極角，R為灰度圖像寬度的一半，S表示極徑P被均分的等級個數(shù)，t表示極角Θ被均分的等級個數(shù)。本實施例中，R為50，極坐標(biāo)下的極徑P被均分為10個等級，極角Θ被均分為8個等級，因此，極坐標(biāo)頻譜特征描述子的維度為18。將傅立葉頻譜圖的熵特征、能量特征和極坐標(biāo)傅立葉頻譜的特征描述子三種特征組合，構(gòu)建一個20維的紋理特征，作為人群密度等級分類的特征。
[0131]以BP神經(jīng)網(wǎng)絡(luò)分類器為例進行說明，BP神經(jīng)網(wǎng)絡(luò)分類器是先前訓(xùn)練好的分類器，舉例來說，其訓(xùn)練步驟為:首先，準備三類人群密度等級的灰度圖像，各300張，作為訓(xùn)練樣本；其次，將訓(xùn)練樣本圖像縮放到100*100個像素大小；然后，對縮放后的灰度圖像進行傅立葉變換，提取三類傅立葉頻譜特征，作為樣本特征；最后，利用樣本特征對BP神經(jīng)網(wǎng)絡(luò)分類器進行訓(xùn)練，本發(fā)明實施例中，設(shè)定神經(jīng)網(wǎng)絡(luò)的層數(shù)為3層:輸入層、隱含層和輸出層，其中，輸入層的節(jié)點個數(shù)為20，隱含層的節(jié)點個數(shù)為41，輸出層的節(jié)點個數(shù)為3，隱含層的激活函數(shù)為對數(shù)S形函數(shù)，輸出層的激活函數(shù)為線性函數(shù)。
[0132]S1035、記錄人群密度分類結(jié)果為高密度的區(qū)域位置，輸出人群聚集區(qū)域。
[0133]依據(jù)上一步得到的人群密度等級，進一步判斷該區(qū)域是否存在人群聚集區(qū)域，如果該區(qū)域的人群密度被分類為高密度，則說明該區(qū)域發(fā)生人群聚集事件，同時記錄發(fā)生人群聚集的具體區(qū)域位置并輸出。
[0134]本實施例中，通過采用BP神經(jīng)網(wǎng)絡(luò)分類器對傅立葉頻譜圖的熵特征、能量特征和極坐標(biāo)傅立葉頻譜的特征描述子這三類非常適合人群密度的統(tǒng)計的特征進行分類，精細定位出人群聚集區(qū)域，精確度高。
[0135]實施例四
[0136]如圖5所示，本發(fā)明實施例提供的一種人群聚集區(qū)域檢測裝置包括以下模塊:
[0137]預(yù)處理模塊10，用于采樣輸入的視頻圖像并進行預(yù)處理，得到灰度圖。
[0138]具體地，對視頻采集設(shè)備獲取到的彩色圖像進行下采樣，將彩色圖像下采樣到預(yù)設(shè)的尺度(本發(fā)明實施例中采用320*240個像素)后轉(zhuǎn)換為灰度圖像；然后利用高斯濾波器對灰度圖像進行濾波，去除噪聲。
[0139]粗定位模塊20，用于利用預(yù)設(shè)的多尺度矩形窗口遍歷灰度圖，并采用分類器粗定位人群密集區(qū)域。
[0140]粗定位模塊20，可以通過預(yù)設(shè)多個小尺度矩形窗口來分別遍歷灰度圖，比如初始小尺度矩形窗口的尺度為100*100個像素,窗口移動步長選用2個像素,每遍歷完一次圖像后窗口尺度放大1.1倍。還可以只預(yù)設(shè)一個小尺度矩形窗口，而將灰度圖按預(yù)設(shè)的比例進行縮放，比如，圖像的縮小倍數(shù)為1.1，通過該小尺度矩形窗口來分別遍歷每次縮放后的灰度圖。歸根結(jié)底來說，兩種方式都是采用多尺度矩形窗口遍歷灰度圖。
[0141]精細定位模塊30，用于當(dāng)存在人群密集區(qū)域時，根據(jù)人群密度對粗定位的人群密集區(qū)域進行精細定位人群聚集區(qū)域。
[0142]具體地，對步驟S102中粗定位到的人群密集區(qū)域進一步作精確的分類，分類標(biāo)準根據(jù)人群密度分為低、中、高三個等級。人群密度等級可以根據(jù)固定區(qū)域中的人數(shù)來分，比如人群占總面積小于20%，為低密度；占總面積在20%到75%，為中密度；占總面積大于75%，為高密度。記錄分類結(jié)果為高密度的人群密集區(qū)域為人群聚集區(qū)域。
[0143]作為一種優(yōu)選實施例，粗定位模塊20進一步包括:
[0144]子圖像提取單元201，用于針對每一個預(yù)設(shè)尺度的矩形窗口，將其在灰度圖上滑動，獲取被矩形窗口覆蓋的子圖像的集合。
[0145]HOG特征提取單元202，用于提取每個子圖像的HOG特征。
[0146]具體地，首先利用梯度算子[_1，0，I]和[_1，0，1]τ提取圖像的水平方向和垂直方向的梯度，再計算得到每個像素的梯度大小和梯度方向，梯度大小計算公式為
[0147]R(x,y)=、丨Q(x + I,y) -1(x - l,y))2 + (/Cy+ I) — I(x,y — I))2
[0148]其中，R為梯度，I為圖像灰度值，X和y為圖像的像素坐標(biāo)。
[0149]梯度方向計算公式為:
//{x,y + I) -1(x, y - 1)\
[0150]ang(x,y) = arctan^/(x+iy)_/(x_iy)J
[0151]其中，ang為梯度方向，I為圖像灰度值，x和y為圖像的像素坐標(biāo)。
[0152]然后，將圖像分成若干個單元格，在每個單元格內(nèi)建立梯度方向直方圖。最后，將幾個相鄰的單元格組成一個塊，這些塊互有重疊，將一個塊內(nèi)所有單元格的特征向量串聯(lián)起來，并歸一化，就得到該塊的特征。將所有塊的特征串聯(lián)，就得到該圖像的HOG特征。本發(fā)明的實施例中，單元格的尺度為6*6個像素，4個相鄰的單元格組成一個正方形區(qū)域作為塊，梯度方向等分為9個等級來構(gòu)建梯度方向直方圖。
[0153]HOG特征分類單元203，用于采用Adaboost級聯(lián)分類器對每個子圖像的HOG特征進行分類，得到人群密集候選區(qū)域。
[0154]區(qū)域融合單元204，用于將人群密集候選區(qū)域進行融合，得到人群密集區(qū)域。
[0155]作為另一種優(yōu)選實施例，精細定位模塊30進一步包括:
[0156]人群密集區(qū)圖像獲取單元301，用于根據(jù)人群密集區(qū)域的位置，從輸入的彩色圖像中截取對應(yīng)的人群密集區(qū)圖像。
[0157]人群密集區(qū)灰度圖獲取單元302，用于將人群密集區(qū)圖像縮放到預(yù)設(shè)的大小，并轉(zhuǎn)換為灰度圖像，得到人群密集區(qū)灰度圖。
[0158]傅立葉頻譜圖獲取單元303，用于利用傅里葉變換將人群密集區(qū)灰度圖轉(zhuǎn)換到頻率域，得到人群密集區(qū)傅立葉頻譜圖。
[0159]具體的，傅立葉變換可以將圖像從空間域轉(zhuǎn)換到頻率域。圖像的頻率可以表示圖像灰度變化劇烈的程度，對于人群密度較低的圖像，圖像灰度變化比較平滑，對應(yīng)的頻率較低；對人群密度較高的圖像，圖像灰度變化比較劇烈，對應(yīng)的頻率較高。二維圖像的傅立葉變換公式為

M-1N-1
[0160]F(u, V)— ΣΣ ^X)y^e-j2n(ux/M+vy/N)

x=0 y=Q
[0161]其中，F(xiàn)(u，v)為傅立葉變換結(jié)果，是一個復(fù)數(shù)，M = N= 100，為圖像的邊長，f(x，y)為圖像在點U，y)處的灰度值，X和y為圖像空間域坐標(biāo)，u和V為圖像頻率域坐標(biāo)。
[0162]傅立葉頻譜的計算公式為
[0163]\F(u, I?) I = χ!R2 (u, v) + I2 (u, v)
[0164]其中，F(xiàn)(u, v) I為點(u, v)處的頻譜值，R(u，v)和I (u, V)分別為F(u，v)實部和虛部。
[0165]傅立葉頻譜特征分類單元304，用于計算人群密集區(qū)傅立葉頻譜圖的傅立葉頻譜特征，并采用分類器進行人群密度等級分類。
[0166]具體地，傅立葉頻譜特征分類單元304可以采用BP神經(jīng)網(wǎng)絡(luò)分類器、SVM分類器、隨機森林分類器等對人群密集區(qū)傅立葉頻譜圖的傅立葉頻譜特征進行人群密度等級分類。優(yōu)選地，傅立葉頻譜特征分類單元304具體用于:計算人群密集區(qū)傅立葉頻譜圖的熵特征、能量特征和極坐標(biāo)傅立葉頻譜特征描述子；采用BP神經(jīng)網(wǎng)絡(luò)分類器對熵特征、能量特征和極坐標(biāo)傅立葉頻譜特征描述子進行人群密度等級分類。
[0167]其中，熵特征用于描述圖像的平均信息量，計算熵特征之前，先將傅立葉頻譜值規(guī)范化到O至255的范圍，再計算直方圖P，然后，熵特征的計算公式為:

255
[0168]H= -了Pi1g Pi

i=Q
[0169]其中，H為傅立葉頻譜圖的熵特征值，Pi為頻譜圖的直方圖中第i個元素的值。
[0170]對于傅立葉頻譜圖的能量特征，先將傅立葉頻譜值規(guī)范化到O至255的范圍，然后，能量特征的計算公式為:
M-1 N-1
[0171]E — ΣΣ \F(u, v)\2
u=0 ν=?
[0172]其中，E為傅立葉頻譜圖的能量特征值，|F(u，v)|為傅立葉頻譜值，1!和V為圖像頻率域坐標(biāo)，M = N= 100,為圖像邊長。
[0173]對于極坐標(biāo)傅立葉頻譜特征描述子的計算，先將直角坐標(biāo)系下的傅立葉頻譜利用極坐標(biāo)表示，直角坐標(biāo)到極坐標(biāo)的轉(zhuǎn)換公式為
[0174]ρ 二 + 172

V
[0175]Θ — arctan —

U
[0176]其中，P為極坐標(biāo)的極徑，Θ為極角，u和V為圖像頻率域坐標(biāo)。
[0177]計算極坐標(biāo)傅立葉頻譜特征描述子包括以下維度:
[0178]
「一2*~ρ飛
sns πRπ
Θ), ^^F(p θ)，…Z ΙΗρ，Φ
<P=O 0=0ρ=Ηθ=0ρ =(,-1)40=0>
ττ/t R2*n/t RTTR
ΣΣ FiP，θ) ΣΣ F(ρ，θ) ,...， ^ ^ F(ρ，θ)
^θ=0 ρ=06=n/t ρ=0ρ=0>
[0179]其中，F(xiàn)(P，θ)為極坐標(biāo)下的傅立葉頻譜，P為極坐標(biāo)的極徑，Θ為極角，R為灰度圖像寬度的一半，s表示極徑P被均分的等級個數(shù)，t表示極角Θ被均分的等級個數(shù)。本實施例中，R為50，極坐標(biāo)下的極徑P被均分為10個等級，極角Θ被均分為8個等級，因此，極坐標(biāo)頻譜特征描述子的維度為18。將傅立葉頻譜圖的熵特征、能量特征和極坐標(biāo)傅立葉頻譜的特征描述子三種特征組合，構(gòu)建一個20維的紋理特征，作為人群密度等級分類的特征。
[0180]輸出單元305，用于記錄人群密度分類結(jié)果為高密度的區(qū)域位置，輸出人群聚集區(qū)域。
[0181]需要說明的是，上述方法實施例一、實施例二和實施三中的技術(shù)特征在本裝置均對應(yīng)適用，這里不再重述。
[0182]本發(fā)明提供的人群聚集區(qū)域檢測裝置，通過多尺度矩形窗口遍歷技術(shù)，能自動定位人群密集區(qū)域的位置，無需人工設(shè)定區(qū)域位置；同時，采用兩層篩選機制對人群區(qū)域進行粗定位和精細定位，能精確定位人群聚集。此外，由于沒有采用背景相減法，排除了相機抖動，光照突變等外界各因素的影響，對于場景復(fù)雜的情況，也能精確檢測到人群聚集事件。
[0183]本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施例方法中的全部或部分步驟是可以通過程序來控制相關(guān)的硬件完成，所述的程序可以在存儲于一計算機可讀取存儲介質(zhì)中，所述的存儲介質(zhì)，如R0M/RAM、磁盤、光盤等。
[0184]以上參照【專利附圖】

【附圖說明】了本發(fā)明的優(yōu)選實施例，并非因此局限本發(fā)明的權(quán)利范圍。本領(lǐng)域技術(shù)人員不脫離本發(fā)明的范圍和實質(zhì)，可以有多種變型方案實現(xiàn)本發(fā)明，比如作為一個實施例的特征可用于另一實施例而得到又一實施例。凡在運用本發(fā)明的技術(shù)構(gòu)思之內(nèi)所作的任何修改、等同替換和改進，均應(yīng)在本發(fā)明的權(quán)利范圍之內(nèi)。
【權(quán)利要求】
1.一種人群聚集區(qū)域檢測方法，其特征在于，該方法包括: 采樣輸入的視頻圖像并進行預(yù)處理，得到灰度圖； 利用預(yù)設(shè)的多尺度矩形窗口遍歷所述灰度圖，并采用分類器粗定位人群密集區(qū)域； 當(dāng)存在人群密集區(qū)域時，根據(jù)人群密度對所述人群密集區(qū)域進行精細定位人群聚集區(qū)域。
2.根據(jù)權(quán)利要求1所述的人群聚集區(qū)域檢測方法，其特征在于，所述利用預(yù)設(shè)的多尺度矩形窗口遍歷所述灰度圖，并采用分類器粗定位人群密集區(qū)域進一步包括: 針對每一個預(yù)設(shè)尺度的矩形窗口，將其在所述灰度圖上滑動，獲取被所述矩形窗口覆蓋的子圖像的集合； 提取所述每個子圖像的HOG特征； 采用Adaboost級聯(lián)分類器對所述每個子圖像的HOG特征進行分類，得到人群密集候選區(qū)域； 將所述人群密集候選區(qū)域進行融合，得到人群密集區(qū)域。
3.根據(jù)權(quán)利要求2所述的人群聚集區(qū)域檢測方法，其特征在于，提取所述每個子圖像的HOG特征進一步包括: 利用梯度算子提取所述子圖像的水平方向和垂直方向的梯度； 計算每個像素的梯度大小和梯度方向； 將所述子圖像分成至少兩個單元格，在每個單元格內(nèi)建立梯度方向直方圖； 將相鄰的單元格組成一個塊，將一個塊內(nèi)所有單元格的特征向量串聯(lián)起來，并進行歸一化處理，得到該塊的特征； 將該子圖像的所有塊的特征串聯(lián)，得到該子圖像的HOG特征。
4.根據(jù)權(quán)利要求1所述的人群聚集區(qū)域檢測方法，其特征在于，所述根據(jù)人群密度對所述粗定位的人群密集區(qū)域進行精細定位人群聚集區(qū)域進一步包括: 根據(jù)所述人群密集區(qū)域的位置，從輸入的彩色圖像中截取對應(yīng)的人群密集區(qū)圖像； 將所述人群密集區(qū)圖像縮放到預(yù)設(shè)的大小，并轉(zhuǎn)換為灰度圖像，得到人群密集區(qū)灰度圖； 利用傅里葉變換將所述人群密集區(qū)灰度圖轉(zhuǎn)換到頻率域，得到人群密集區(qū)傅立葉頻譜圖； 計算所述人群密集區(qū)傅立葉頻譜圖的傅立葉頻譜特征，并采用分類器進行人群密度等級分類； 記錄人群密度分類結(jié)果為高密度的區(qū)域位置，輸出人群聚集區(qū)域。
5.根據(jù)權(quán)利要求4所述的人群聚集區(qū)域檢測方法，其特征在于，所述計算人群密集區(qū)傅立葉頻譜圖的傅立葉頻譜特征，并采用分類器進行人群密度等級分類進一步包括: 計算人群密集區(qū)傅立葉頻譜圖的熵特征、能量特征和極坐標(biāo)傅立葉頻譜特征描述子；采用BP神經(jīng)網(wǎng)絡(luò)分類器對所述熵特征、能量特征和極坐標(biāo)傅立葉頻譜特征描述子進行人群密度等級分類。
6.根據(jù)權(quán)利要求5所述的人群聚集區(qū)域檢測方法，其特征在于，所述計算極坐標(biāo)傅立葉頻譜特征描述子包括以下維度:(RΛ s ns πRπΘ), ^ ^F(p, Θ)，..., ^ ^F(p, Θ)， p =0 Θ =0^ R Θ =0n—fc.1 Θ =0 < fP=jP={s-l)*jV π/t r2*n/t rπRΣΣ F(p ’ Θ)， ΣΣ F(β，Θ)，...， [ ^ F{p, Θ)<0=0 p=0θ—njt p=Q0=(t—l)*7r/t p=0 J 其中，F(xiàn)(p , Θ )為極坐標(biāo)下的傅立葉頻譜，P為極坐標(biāo)的極徑，Θ為極角，R為灰度圖像寬度的一半，s表示極徑P被均分的等級個數(shù)，t表示極角Θ被均分的等級個數(shù)。
7.一種人群聚集區(qū)域檢測裝置，其特征在于，該裝置包括: 預(yù)處理模塊，用于采樣輸入的視頻圖像并進行預(yù)處理，得到灰度圖； 粗定位模塊，用于利用預(yù)設(shè)的多尺度矩形窗口遍歷所述灰度圖，并采用分類器粗定位人群密集區(qū)域； 精細定位模塊，用于當(dāng)存在人群密集區(qū)域時，根據(jù)人群密度對所述人群密集區(qū)域進行精細定位人群聚集區(qū)域。
8.根據(jù)權(quán)利要求7所述的人群聚集區(qū)域檢測裝置，其特征在于，所述粗定位模塊包括: 子圖像提取單元，用于針對每一個預(yù)設(shè)尺度的矩形窗口，將其在所述灰度圖上滑動，獲取被所述矩形窗口覆蓋的子圖像的集合； H0G特征提取單元，用于提取所述每個子圖像的H0G特征； H0G特征分類單元，用于采用Adaboost級聯(lián)分類器對所述每個子圖像的H0G特征進行分類，得到人群密集候選區(qū)域； 區(qū)域融合單元，用于將所述人群密集候選區(qū)域進行融合，得到人群密集區(qū)域。
9.根據(jù)權(quán)利要求7所述的人群聚集區(qū)域檢測裝置，其特征在于，所述精細定位模塊包括: 人群密集區(qū)圖像獲取單元，用于根據(jù)所述人群密集區(qū)域的位置，從輸入的彩色圖像中截取對應(yīng)的人群密集區(qū)圖像； 人群密集區(qū)灰度圖獲取單元，用于將所述人群密集區(qū)圖像縮放到預(yù)設(shè)的大小，并轉(zhuǎn)換為灰度圖像，得到人群密集區(qū)灰度圖； 傅立葉頻譜圖獲取單元，用于利用傅里葉變換將所述人群密集區(qū)灰度圖轉(zhuǎn)換到頻率域，得到人群密集區(qū)傅立葉頻譜圖； 傅立葉頻譜特征分類單元，用于計算所述人群密集區(qū)傅立葉頻譜圖的傅立葉頻譜特征，并采用分類器進行人群密度等級分類；輸出單元，用于記錄人群密度分類結(jié)果為高密度的區(qū)域位置，輸出人群聚集區(qū)域。
10.根據(jù)權(quán)利要求9所述的人群聚集區(qū)域檢測裝置，其特征在于，所述傅立葉頻譜特征分類單元具體用于:計算人群密集區(qū)傅立葉頻譜圖的熵特征、能量特征和極坐標(biāo)傅立葉頻譜特征描述子；采用BP神經(jīng)網(wǎng)絡(luò)分類器對所述熵特征、能量特征和極坐標(biāo)傅立葉頻譜特征描述子進行人群密度等級分類。
【文檔編號】G06K9/00GK104268528SQ201410508575
【公開日】2015年1月7日 申請日期:2014年9月28日 優(yōu)先權(quán)日:2014年9月28日
【發(fā)明者】葉必錠, 吳金勇, 王軍 申請人:深圳市科松電子有限公司