基于无人机视觉以及支持向量机分类的人群密度分析方法与流程

本发明涉及人群密度分析技术领域，特别是涉及一种基于无人机视觉以及支持向量机分类的人群密度分析方法。

背景技术：

传统的保障人群安全的途径主要依靠人工实现，即在容易发生群体性安全事件的地方安装视频监控系统，安排工作人员盯着屏幕进行监控。这种方法具有主观性，不能定量分析，而且耗费人力，尤其当监控人员疲惫的时候，容易忽视监视器上的突发状况，从而造成不可挽回的后果。同时在没有布置视频监控的地方，在面对突然增加的人群密度无法进行实时监控，对于突发事件无法进行及时有效回应处理。而在使用基于无人机视觉平台的人群密度估计分析可以对人群进行有效实时监测，以便于应用于临时安保需要，对于公共安全具有重要的意义。

目前，经过众多专家学者的不懈努力，各种智能监控方法不断涌现，智能视频的人群监控系统也得到了初步的发展，但现有的人群监控系统还有着很多局限性，如应用场合受限制、精度不高等问题，技术方面还存在着诸多不足。

技术实现要素：

本发明所要解决的技术问题是提供一种基于无人机视觉以及支持向量机分类的人群密度分析方法，可以实时监测人群密度，并可将无人机释放在需要监测的位置。

本发明解决其技术问题所采用的技术方案是：提供一种基于无人机视觉以及支持向量机分类的人群密度分析方法，包括以下步骤：

(1)无人机拍摄人群图像；

(2)对获得的图像进行灰度处理；

(3)对灰度处理后的图像进行去噪处理；

(4)通过背景减运算获取前景图像；

(5)基于灰度共生矩阵的纹理分析方法提取人群密度特征值；

(6)将结果送入到支持向量机分类器，得到人群密度类别。

所述步骤(1)中无人机通过搭载的摄像机对目标区域进行人群拍摄获取人群图像。

所述步骤(2)中通过对图像的rgb三个分量以不同的权值进行加权平均获得灰度值。

所述步骤(3)中采用中值滤波对灰度处理后的图像进行去噪处理。

所述步骤(4)具体为：假设无人机拍摄到的图像序列亮度分量为ii(x,y)，其中，x,y为像素位置，i为图像的帧数，n为总帧数；x,y像素位置处的像素点在时间轴上变化的曲线表示为其中，d表示图像集中相邻帧的亮度分量的变化，t为阈值，将所述曲线的平稳段部分用{sj(x,y),1≤j≤m}，在像素点{sj}集合中，选取最长的平稳分段且记录其中点对应的帧号为n(x,y)，用第n(x,y)帧处的像素点填充在图像的背景中相应位置的点，具体为其中，en(x,y)和st(x,y)是对应最长平稳分段的终点和起点的帧数号，b(x,y)是重建的背景。

所述步骤(5)采用逆差矩阵特征参数作为纹理识别的特征量。

所述步骤(6)中采用的支持向量机分类器为径向基核函数非线性分类器。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明先使用的摄像机拍摄区域内的人群，获得到彩色图像，再对采集到的人群图像进行灰度化处理过程，之后再对图像进行噪声的消除，然后使用背景减运算得到人群前景图像，再运用基于灰度共生矩阵的纹理分析方法提取人群密度特征，并将其结果送入到支持向量机分类器中，从而得到人群密度类别，本发明可以实时监测人群密度，并可将无人机释放在需要监测的位置，更进一步实现公共安全管理的方法。

附图说明

图1是本发明的流程图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种基于无人机视觉以及支持向量机分类的人群密度分析方法，如图1所示，包括以下步骤：

(1)无人机拍摄人群图像

无人机使用搭载的摄像机对目标区域进行人群拍摄获取人群图像，以便下一步处理。

(2)对获得的图像进行灰度处理

对无人机拍摄的人群图像进行预处理，对采集到的图像进行灰度化处理，提高算法速度以便于下一步处理。在本实施方式中采用加权平均法对彩色图像进行灰度化处理。

加权平均法处理就是根据重要性及其它指标，将r、g、b三个分量以不同的权值进行加权平均。通常情况下，人眼对绿色的敏感度最高，对蓝色敏感度最低。其表达式见下式：

f(i,j)＝0.30r(i,j)+0.59g(i,j)+0.11b(i,j)(1)

(3)对图像进行去噪

通过滤波方法对图像进行去噪处理，在实际图像处理过程中，由于使用的器件和传输通道等的影响而存在噪声，且噪声几乎不可预测，所以本实施方式采用中值滤波方法。因为中值滤波是一种非线性的平滑滤波，它能够很好地抑制噪声，而且对边界影响较小，保护图像的边缘不变模糊，适合行人场景图像的处理。

假设滤波前的灰度值用f(x,y)描述，滤波后的灰度值用g(x,y)描述，则有g(x,y)＝median{f(x-k,y-k),(k,t)w}，式中，w表示选定窗口，k，t表示二维模板的行列点。采用中值滤波进行处理后，可过滤人群图像中的椒盐噪声，提高人群图像的质量。

(4)通过背景减运算获取前景图像

背景帧差法的基本思想是在事先获得或随时间更新的完整背景图像的情况下，将当前输入的每一帧图像与背景图像相减，从而获得人群前景图像。背景提取是背景帧差法实现的关键。背景提取的目标就是找出图像中每个像素点的背景值，从而还原出一幅完整的没有前景目标的背景图像，用作前景提取时的参考图像。

人体是运动的，不会在某个位置静止不动，这样就会使得背景显现出来。这种方法使用各个像素沿时间轴的变化信息，生成了没有目标人群的背景图像。在空域上，人群图像的各像素点灰度值是在时间轴上持续变化的随机信号。这个信号的非平稳段表示着有目标人群经过这个像素点，而平稳段则表示着该像素点为背景图像。计算其平稳段的灰度值的平均，则就得到了背景图像中该像素的灰度值。

假设无人机拍摄到的图像序列亮度分量为ii(x,y)，其中，x,y为像素位置，i为图像的帧数，n为总帧数。

d＝|ii+1(x,y)-ii(x,y)|(2)

上式表示拍摄到的图像帧的差，反映出了图像集中相邻帧的亮度分量的变化。

上式中，阈值t用来控制并去除噪声，cdmi表示在(x,y)位置处的像素点在时间轴上变化的曲线，可以根据上述式(2)和式(3)判断值是否大于0将该曲线分段，且将其中的平稳段部分用{sj(x,y),1≤j≤m}来表示。

在像素点{sj}集合中，选取最长的平稳分段且记录其中点对应的帧号为n(x,y)，用第n(x,y)帧处的像素点填充在图像的背景中相应位置的点，用下式表示：

n(x,y)＝[st(x,y)+en(x,y)]/2(4)

b(x,y)＝i[x,y,n(x,y)](5)

上式中，en(x,y)和st(x,y)是对应最长平稳分段的终点和起点的帧数号，b(x,y)是重建的背景。

(5)基于灰度共生矩阵的纹理分析方法提取人群密度特征值

纹理的统计分析可以在空域和频域上进行。在空域上统计分析方法包含有:矩，边缘频率，游程长度，自相关函数以及灰度共生矩阵分析等；在频域上有频谱分析法。由于灰度共生矩阵方法不受分析对象的制约，能很好的用来反映图像空间的灰度分布的情况，从而真正做到了反映图像纹理的特征，例如均匀，粗细，稠密度等，所以它的应用较为广泛，本发明中人群图像大多具有随机性的纹理，服从统计分布，因而本实施方式采用灰度共生矩阵的纹理分析法来提取人群图像的纹理特征。

对于一幅待分析的矩形图像，其水平方向为x轴，垂直方向为y轴。其中水平方向含有nx个像素，对应垂直方向则含有ny个像素，图像灰度等级为g。如果水平方向取值范围为x＝{1,2，...，nx}，垂直方向取值范围为灰度级取值范围为n＝{1,2，...，g}，那么图像就可以用函数来表达f:x*y→n。在图像中某特定方向上，距离也为定值的一像素对的灰度分布具有统计规律，且能够很好地表现图像纹理的特征。而该统计规律能用矩阵来描述，即灰度共生矩阵(记为w阵)。

灰度共生矩阵是描述在θ方向上，相隔一定的像元距离d，灰度值分别为i和j的像元对出现的频率p(i,j|d,θ)，即为矩阵元素。由所有像元对出现频率所组成的矩阵[p(i,j|d,θ)]g*g则被称为灰度共生矩阵，即w＝[p(i,j|d,θ)]g*g。通常情况下，θ一般取0°，45°，90°和135°等四个方向。

本实施方式采用的是用逆差矩阵特征参数作为纹理识别的特征量。逆差矩特征度量的是图像纹理的局部变化大小。逆差矩大就说明了图像纹理不同区域之间缺乏变化，即局部很均匀。

通过研究参数对特征值的影响，确定出构造参数的合理的参数取值，对不同人群密度的图片进行特征提取，分析其特征值的特点，以便于下一步的人群密度分析处理。

(6)将结果送入到支持向量机分类器

在本实施方式中采用的是径向基核函数非线性分类器。因rbf核函数对应的特征空间是无穷维的，有限的数据样本在该特征空间中一定是线性可分的，且rbf核函数具有较好的学习能力和较宽的收敛域，是较为理想的分类依据函数，其参数少，易于掌握。

通过研究核函数参数对分类器性能的影响，选取合适的最优参数，以便于进一步处理。

(7)得到人群密度类别

得到人群密度，按照要求对人群密度进行划分分类标准，然后通过代入合适参数对监控场景下的人群图像进行密度估计，之后对数据进行分析，并进行相应决策。