1、 本科毕业设计(论文)( 2015 届 )论文题目 监控视频人群密集度计算的研究与实现 Research and Implementation of the crowd density in Surveillance video 浙江传媒学院本科毕业论文 监控视频人群密集度计算的研究与实现监控视频人群密集度计算的研究与实现摘要: 近年来，随着经济的飞速发展，人们的消费水平大幅度提升。公园、银行、超市、车站、路口等场合人群集散水平较大，因而大量的视频监控系统己经普遍应用于各大场合。可是怎样按照所收集到的视频信息，对这些场合中的人群实行有用的监测与管理，是现实中急需解决的课题。目前，对于视频监控中
2、的人群统计往往还是使用人为估算的方法，即依据过往的经验来确定视频中出现的人物目标的多少、拥挤程度等。使用这种方法是比较主观的，目前还不能将其作为定量判断，所以不能满足公共安全领域的需要。我们现在主要是应用目的检测辨认等方法，统计人群的数目和密度等特点指标，保护公开场合中人群的安全，以成为了智能视频监控范畴的钻研热门项目。监控视频中的人数准确统计的研究正愈来愈受到人们的正视。对于监控视频中人群密集度计算的研究，以前就有很多测算理论来统计支撑，如适应于人群稀疏的人体目标特征分析法，较密集时采用的灰度共生矩阵的纹理分析法等等。本文分析并学习了前者们的方法，利用背景差分法及接触过的最小圆覆盖或最小方形
3、覆盖的方法，将其与监控视频图像中的人群有机的结合起来，来统计计算人群密集度参数。利用仿真软件 MATLAB 进行实验，通过大量的监控视频的数据来统计分析出相应的方法在不同的人群密集度中的优劣。关键词：视频监控；人群密集度；最小圆覆盖；背景差分法浙江传媒学院本科毕业论文 监控视频人群密集度计算的研究与实现RESEARCH AND IMPLEMENTION OF THE CROWED DENSITY IN SURVEILLANCE VIDEO Abstract：In recent years, with the rapid development of economy, peoples consu
4、mptionlevel is greatly improved .There is a greater degree of population distribution in the park,bank, supermarket, railway stations, road junctions and other places . So a large number of video surveillance systems have been widely used in various public places.Yet, it remains an urgent problem ho
5、w to implement the supervision and management over people in these areas efficiently based on gathered video information .City managers tend to make public security scheme according to the number of people in public places .At this stage,the methods of statistical number in this scene are still use
6、manual estimation .Based on the experience to determine the human target or the degree of gathered crowded .This method is subjective, cant be the quantitative judgment, and it is difficult to meet the need of public security field. In order to solve this problem,use the target detection and recogni
7、tion technology to statistics the number and the density of population ,for the population in public security .It has become a research hot spot in the field of intelligent video surveillance .How to accurate statistics the crowed number in surveillance video is paid more and more attention.There ha
8、ve lots of calculation theory on the research about crowded degree calculation in surveillance videos .such as,The human body target characteristics analysis is adaptation to the sparse population .In the dense population,we can use the method of gray co-occurrence matrix texture .This paper analysi
9、s and study the former methods .By using the background difference method and the minimum circle cover or the minimum square cover method to combine the population in monitoring video image .In order to calculate the population of density parameter .We use the simulation software MTLAB to test .Coun
10、t and analyse the corresponding methods in different population density thought lots of surveillance video data. Keywords： video surveillance;population density;the minimum circle cover;the background difference method浙江传媒学院本科毕业论文 监控视频人群密集度计算的研究与实现目 录1 绪论 11.1 选题背景及意义11.2 国内外研究现状21.3 研究目的及意义3 2 监控视频
11、人群密集度的概要研究 32.1 基本要素32.2 设计思路42.3 覆盖法比较53 监控视频人群密集度的详细设计与实验测试63.1 实验环境63.1.1 实验平台63.1.2 运行环境63.2 监控视频人群密集度计算的详细设计63.2.1 视频读取处理63.2.2 图像处理分析83.3 监控视频人群密集度计算的测试113.3.1 全屏覆盖法113.3.2 最小圆覆盖法113.3.3 最小方形覆盖法123.3.4 三种方法的优劣比较124 总结与展望 144.1 总结 144.2 展望 14致 谢16参考文献 17附 录18浙江传媒学院本科毕业论文 监控视频人群密集度计算的研究与实现第 1 页
12、共 20 页1 绪论1.1 选题背景与意义伴着全球城市化脚步的加速，特别是像中国这类发展中的国家，在城市里，高密度的人群流动在急剧地增加。伴随着城市化、人口密度增多，与之相关的问题也随之而来。在各大城市中，人群大量聚集的群体行为越来越多。大规模人群聚形成城市，带动经济发展的同时也带来了诸多社会压力。因此，为了缓解其带来的社会压力，越来越多的社会研究专家、心理研究专家、社会行为学家和计算机研发人员使用不同侧面、采用不同方法来分析、理解人群聚集和行为的研究己成为当今市场的热点。人群密聚但没有有效的控制管理方法时，一旦现场有意外情况出现，由于人群在公共场合的事故中存在从众心理和盲目的恐慌行为，所以就
13、可能带来场面混乱，就有可能引发次生事故。据研究表明，近年来，我国大型名华功举办数量每年以 20%的高速度增长，但从事前的安全检查情况来看，形势不容乐观 1。由人群拥塞引起灾祸的案例在国内外屡见不鲜，下面我们就看几个例子：1）、2010 年 11 月 22 日是柬埔寨进行的第三天送水节，当时全球约有 300 万人涌向金边想一睹龙舟大赛的风采，当时半晚十分，由于游客众多，金边市区通往钻石岛的一座桥发生了剧烈的震动，人们非常的惊慌，结果发生了群众相互踩踏的悲剧。2）、2009 年 5 月 24 日，在北欧的“音乐大联欢”的街舞狂欢节活动上，发生了大规模踩踏事件。根据官方发布的数据，踩踏事件造成 20
14、 人死亡、248 人负伤，在这之中有 3 名受难者是中国公民。3）、2010 年 2 月，在廷巴克图正在举办穆罕默德生日纪念活动，当时有个清真圣寺引发了踩踏事故，导致 26 人死亡，40 人受伤。2005 年 1 月 25 日在马哈拉斯特拉邦也是在一个宗教聚会场所发生了一场非常严重的踩踏事件，当时造成 1 50 人死亡，好几百人受伤。4）、2003 年 4 月 13 日，香港九龙迎接新年时举办的灯展。当时就发生了恶性踩踏事件，其中有 25 人死亡、14 人负伤。在全球范围内，死亡人数在百人以上的大规模踩踏事件每年均有发生，而事后分析表明，这些事故都有人群密度太大、人群过度拥挤的特点 2。试想如
15、果我们的在事故发生之前，对人群做有效的分析统计，并能够进行及时的疏导，那么就可以很大程度上的减少人员伤亡和财产损失，甚至可以完全躲避拥挤事件的产生。而要想做到这种详细又完美的预警措施的话，必须能及时的获取视频监控中人群密集度的相关信息。针对这一近况，近年来各大城市的很多公共场合都升级了监控系统来对人群实行监控。古老的监控设备系统往往都是采用闭路电视对每个场地进行监视，工作人员会根据监看视频中的人群情况做出人为的评判。但是这种方案有很大的主观性，不可以做出定量的分析，而且对人力的成本要求很高，尤其是在监看人员疲倦的时，很可能造成对监视器上发生的浙江传媒学院本科毕业论文 监控视频人群密集度计算的研
16、究与实现第 2 页 共 20 页情况视而不见，造成不可估量的后果。为了得到精确的分布，最经典的解决方案是使用图像和视频来分析。通过背景建模，改变检测，分组和事件的解释，他们能够获得人群密度的分布 3。随着现代数字图像和视频处理技术的发展，自动、实时的智能化人群密度监控系统成为人们的研究重点 4。视频监控中的人数统计（即密集度问题）在不同的应用场合可以发挥不同的作用。在公共交通场合，人群密集度系统能广泛应用在大型火车站、公共汽车站、高铁等设施的出入通道和重要区域，从而实时地获取游客的数量以及分布的准确数据，为合理分配服务与管理资源、科学调度、安全保障提供了可靠依据 5。1.2 国内外研究现状很多
17、视频监控系统，特别是大规模布控的网络视频监控系统通常拥有数量巨大的视频采集前端，一般由管理人员在监控中心通过视频监视器对实时视频经行自动轮询或人工观看，由此引发的轮询周期的问题。轮询周期可以被称为监控的空白区，在这一时间段中，监控人员可能在几分钟之内不能有效的反应监控中的内容，所以一旦重大事件在此期间发生，那么后果真的不堪设想，这大大降低了视频监控的有效性。经实验显示，当监视人员连续的盯着监视屏幕长达几十分钟时，那么对监看视频的注意力就会下降了 40%左右。如果在较长时间内，监视人员不断监视多幅画面，那么就会有80%的几率漏失重要的信息。所以科研人员提出了智能视频监控的理念，其来源于计算机的视
18、觉计算技术，可以对视频不断地经行提取分析，从监控视频中提取出活动目标的信息，并分析有状况的目标或事件，并根据提前设置的模板或用户定义的规则来自动识别感兴趣的目标并分析提取用户感兴趣的数据。目前，伴随着技术的进步，智能化的视频监控系统已经被广泛应用于大中小城市、道路交通、保卫环保等监控领域，相信在不久的将来其应用会更加宽广。现有工作主要分为两类：第一类方法是人体目标特征分析法。第一步检测监控视频图像帧中的人体的特征，辨识该目标是否是人，然后做统计运算。这类方式适用于室内的小环境下，而且环境中人群数目相对稀少。然而，在有人出现的公共场合中，人群密集度通常是非常高的，所以很难使用特征分析法来分割出人
19、体目标。所以有第二种计算统计的方法称作人群密度估计法。人群密度估计发这种方法起源于欧盟，Velastin 等人分析了利物浦街火车站的人群监控图像，通过提取人群前景和边缘的总像素数，建立与密度变化相关的统计关系，但是无法解决人体目标的重叠问题，当人群密度较高的场景时会出现很高的误判率 6。在 London和 Genova 这两座城市存在两个闭路电视类型的实时性的人群监看系统。这两个系统只是简单的使用了相应的图像处理方法来提取图像中人群密度特征。运用视频图片背景相减来测算视频中人群占有空间的大小；另一种是运用边缘提取法，通过边缘周长检测来估计人群密度。然后利用 Kalman 滤波器对这两个特征值进
20、行综合判断，经过优化得出人群密集浙江传媒学院本科毕业论文 监控视频人群密集度计算的研究与实现第 3 页 共 20 页度数值。这种技术在人群低密度状态下能够得到令人确信的结果，但是应用于人群高密度场合时会出现很高的误判率。原因在于高密度人群存在人与人之间的重叠现象 7。后来 Marana 等人提出了利用灰度共生矩阵的纹理信息估计人群密度范围的方法，基于纹理分析的为一法，是根据低人群密度图像呈现粗纹理、高人群密度图像呈现细纹理的原理，解决高密度人群重叠的问题，从此基于纹理分析的方法成为主流，相继出现了基于统计、结构、频谱、模型的人群密度估计为一法 8。Marana 等人通过实验了解，人群在高密度图
21、像上的纹理显现为细腻模式，低密度图像上则显现为粗糙模式；胡波等人提出了利用小波变换与灰度共生矩阵提取人群密度特征，进而利用支撑向量机估计人群密度级别 9。后来提出，当一对点之间的距离在 L2 度量（欧几里德度量）被测量，这引出了欧几里德1-中心的概念和一组点的最小外接圆（MEC） 10。采用区间逼近的方法，把最小覆盖圆限制在二个较接近的同心圆中，然后用较大的覆盖圆代替最小覆盖圆 11。巧妙的利用覆盖圆的方法对图像经行人群统计也是很适用的。其实人通过视觉在估算人群密度的范围时，往往是根据以前的经验将其判断为相应的范围内。所以说其密度估计的范围是不精确的，是人脑通过模糊思维而得出的一个概念性的密度
22、范围。人眼视知觉感知功能的复杂性在于它不是建立在精确数学模型基础之上的，而是通过样例学习将具体经验积累、存储在神经元上进而用于综合判断 12。所以，一种模糊的叙述方式与神经网络的学习分类功能相结合的方式产生了，用于模拟人类的视觉处理人群密度计算的问题。1.3 研究目的及意义现阶段，对于该类场景中的人数统计通常还是采用人工估计的方法，即依据经验来确定场景中聚集的人体目标的多少、拥挤程度等 13。深入研究了一些常用的人群密度估计算法发现，如基于像素统计的人群密度估计算法、基于纹理分析的人群密度估计算法以及基于个人特征提取的人群密度估计算法 14。本文重点研究了几种测算方法，并通过大量的监控视频作人
23、群密度的分析统计，得到最优的解决方法，亦或是几种方法并存的形式。在文中研究了最小圆覆盖或最小方形覆盖的方法，觉得可以将理论与监控视频中的人群相结合，得到较为可靠的人群密集度参数。研究的成果很容易集成到相应的视频监控器上，并很方便地进行实时的参数读取。视频监控中的人数统计（即密集度问题）在不同的应用场合可以发挥不同的作用。因此，研究监控视频人群密集度的计算具有广泛和实际的意义。2 监控视频人群密集度的概要研究 2.1基本要素（1）空前发展的监控视频行业。从 2002 年到现在，人类经历了模拟监控和数字监控的时代，并且 IP 网络监控已经成熟，并不断向着高清化智能化的时代不断的发展。作为首推项目国
24、家平安城市和科技强警浙江传媒学院本科毕业论文 监控视频人群密集度计算的研究与实现第 4 页 共 20 页示范城市的建设，智能化视频监控在其中的贡献是相当大的，并且集中体现了网络时代给视频监控带来的极大便利。其中的集中指挥，分布式的管理，将各城市的监控点进行联网，充分的优化了设备资源，真正实现了高效监控。在国内各厂商的主打产品 DVR 取代了硬盘录像机，DVR 是一种比较强力的数字视频信号存储方案。数字化的视频监控设备开始取代模拟产品，这一时期，视频监控设备市场的发展风生水起，一片繁荣景象 15。2008 年举行了北京奥运会，期间出现了很多新兴的技术产品，例如：IP 网络摄像机、4K 摄像机、专
25、业级 NVR 等等，这些产品在监控行业中受到了极高的肯定。高清视频监控在 APEC 博览会等这种高端项目的应用起到了对中国高清监控市场发展的推动作用。与此同时，各大设备厂商不断的向新兴监控设备和行业解决方案方向大力发展。在国内，视频监控广泛应用于各行业的市场：智能交通监控、金融管理监控、文化博览会监控、住宅与商业小区的监控、水利水电设备监控等。（2）人群密集度参数。人群密集度反应了一个空间中人群的浓密水平，一般会使用单位面积上人口的数目来表示，单位为人/m2。人口密度是人群密集程度的定量表达，当人口密度过大时，就会形成人口拥堵。当人群密集度突破某一范围时，就可能出现由于拥挤导致的人与人之间的推
26、搡甚至踩踏的事件。 2.2 设计思路由于视频监控行业的快速发展，其在各大领域都有充分的应用。其中对于人群的监控管理显得尤为重要，我们学习过最小圆覆盖的数学逻辑思想，并猜想可以充分的应用到视频监控中的人群密度计算中，方便又快捷。我们还推出最小方形覆盖的思想，也将其应用到监控视频人群密集度的计算当中。我们通过 MATLAB 仿真软件进行测试，并通过大量数据统计计算，得出几种方法的优劣。希望能对以后的视频监控行业做点贡献。因此，本论文将监控视频人群密集度计算的研究分为几个独立的逻辑部分，我们把设计过程分为如下这几个步骤（如图 2-1）：浙江传媒学院本科毕业论文 监控视频人群密集度计算的研究与实现第
27、5 页 共 20 页图 2-1 总体设计流程图如图 2-1 所示，开启 MATLAB 仿真软件，新建工程并读取摄像头中的视频文件，这里我们用事先录制好的视频做测试。然后将视频转存为一个一个的帧图片进行保存，为以后的处理做准备。抽取某帧进行测试，将事先准备好的背景图片读入，与测试帧做差分处理，获得人群图片帧。通过像素统计得出大致的人口数量。接下来是我们工作的重点，那就是如图中我们列出的三种方法，有全屏覆盖法、最小圆覆盖法和最小方形覆盖法。我们将这三种方法应用到获得的人群图片中，圈定人口的有效范围，测出面积，并与人口数量结合，得出人群密集度参数值。我们将通过大量的视频图像帧做测试，统计比较出这几种
28、方法的优劣，并将合适的人群密集度参数进行输出。2.3 覆盖法比较2.3.1 全屏覆盖法实验在利用像素统计的方法求出人群数量之后，直接利用截取的图片大小作为测算因子，与人口数量作除法，获得人群密集度的参数。对于人群全部覆盖视频的这种情况来说，全屏覆盖的测量方法的好处在于可以方便快捷，不用考虑其他线框的限制，并且测得数据较为准确。但是暴漏的缺点也是有很多的，比如说利用最小圆覆盖、最小方形覆盖的方法，它会划定最小最有效的人群覆盖范围，缩小了测算的面积基底，增加了人群密集度的准确度。2.3.2 最小圆覆盖法设想在一个平面上存在 n 个点，给定 n 个点的坐标。此刻有一个足够大的圆形，将其逐步缩小并不断
29、挪动这个圆形，直到存在两点在这个圆形的边界上。若是这两个点的连线不是这个圆形的直径。那么此时可以表明还应该不断移动这个圆并不断缩小直到另一个点的出现。且这个点也在这个圆周上，那么这三个点所确定的圆就是能完全覆盖这 n 个点的最小圆。在本论文中，本人将使用 MATLAB 仿真软件，通过对遗传算法函数 GA 的调用进行最优解的寻找。GA 算法由一位美国科学家 John Holland 教授提出，其借鉴了生物遗传学和自然选择机理，是一种通过模拟遗传选择和自然淘汰的生物进化过程的计算算法。2.3.3 最小方形覆盖法首先引入一个凸包的概念，简单的说，其实就是在某平面上的一群点（M 集合），我们把完全包含
30、这群点的最小的凸多边形叫做该集合 M 的凸包。本实验中考虑到凸包是可以覆盖平面上的一群不规则的点的，并且利用凸包的性质来确定一个最小的矩形是很方便的。其规则是矩形的四条边上必须有凸包的顶点，如果某条边没有碰触到凸包的顶点，那么我们就可将这条边向里压缩。这样在 MATLAB 中我们就利用凸包这个介质获得了人群（一群点）的最小方形的覆盖。浙江传媒学院本科毕业论文 监控视频人群密集度计算的研究与实现第 6 页 共 20 页在下面的实验中，本人将这种基本的思想，根据 MATLAB 软件的具体情况进行了编程结合，并获得了较好的效果。3 监控视频人群密集度的详细设计与实验测试3.1 实验环境3.1.1 实
31、验平台本实验采用 MATLAB R2014a 仿真软件来实现的，MATLAB 是由美国 mathworks 公司发布的通过矩阵作为最基本的数据单位，组建了高科技的实验环境，其主要针对可靠的且可视化很强的科学计算并且还提供方便的交互式程序的设计。在 MATLAB 可以做很多事情，例如：矩阵运算、图形绘制和算法的实现，在创建用户界面并连接其他编程语言都提供了很大的方便性。其主要应用于建筑工程计算、图像处理、控件设计、通讯信号处理、金融领域的建模分析等领域。MATLAB 拥有强大的图形功能以及世界一流水平的数值计算函数库，它可以将数字图像以及文字以矩阵形式表示出来，这意味着 MATLAB 强大的矩阵
32、运算能力，这对于视频、图像及文字的处理是非常有利的，不仅能改变视频与图像的多个属性，而且还便于对图像与视频间转换的处理。因此本次实验首选 MATLAB 仿真软件来实现视频监控人群密集度计算的研究。3.1.2 运行环境（1）操作系统：Windows 7（2）CPU：Intel（R）Core (TM) i5-2430M CPU 2.40GHz（3）内存：4.00G（4）显卡：NVIDIA GeForce GT 540M（5）硬盘：750G3.2 监控视频人群密集度计算的详细设计3.2.1 视频读取处理监控视频人群密集度的计算中，首先要对视频这一主体进行充分利用，获取有用信息。视频是指经由电信号将静
33、态图像经行存储与重现的技术。根据人类的视觉暂留特征，当转变的图像以 24 帧每秒以上的速度播放时，人的眼睛是不能分辨静态画面的，看上去有平滑且持续不断的视觉效果，这是视频的基本含义。本实验中，视频数据的读取要使用函数 VideoReader，在 MATLAB 软件中，本人学习了案例，其基本过程是用 VideoReader 建立一个 obj，然后采用 read 函数来读取一帧帧图像，最后用 movie 函数来放映视频。1）找到合适 Matlab 读取的基本格式视频。getFileFormats - 获取在该系统平台下， VideoReader 可以支持读取的视频类型。浙江传媒学院本科毕业论文 监
34、控视频人群密集度计算的研究与实现第 7 页 共 20 页调用格式：formats = VideoReader.getFileFormats()。如下图 3-1。图 3-1 视频文件格式图2）对于外接探头视频获取的方法，通过电脑运行相应程序读取。应用 imaqhwinfo 函数查看连接本机的摄像头信息，以便下一步读取。摄像头的读取应用 videoinput 函数，其中摄像头的名字须对应起来。读取完后用 preview 函数来显示读取出来的摄像头数据。如下图 3-2。图 3-2 摄像头读取信息图从上述信息可以看出：通过imaqhwinfo函数，读取到一个名字叫“winvideo”的摄像头，查看到摄
35、像头的DeviceIDs编号是1 ，驱动信息为 1 x 1 ，表示摄像头可用。在命令行窗口中运行代码：src = videoinput( winvideo); preview( src );%以默认格式显示数据。即可以实现摄像头的实时读取。3）运用函数讲录制好的视频在 Matlab 中读取出来。将提前录制好的一段视频读入到 MATLAB 测试软件中，并进行测试处理。运用VideoReader 函数建立一个 obj 结构体，用 NumberOfFrames 计算出视频的总帧数，并通过for 循环将视频按照设定的步长进行视频帧有规律的截取并用 imwrite 函数来存储视频帧，并显示出来。由于监控
36、视频的特殊性，我们将步长暂定为 10。代码见附录。浙江传媒学院本科毕业论文 监控视频人群密集度计算的研究与实现第 8 页 共 20 页3.2.2 图像处理分析1）视频帧的读取。从视频中截取图片信息，并进行后续解读。图片是指由图形或者影像构成的平面媒体。图片的格式有繁多，但是可以归为两类：点阵图和矢量图。我们经常用到的mpg 、jpg 等格式是点阵图形，而swf、ai 等格式属于矢量图形。上一部分主要讲的是对视频的一些处理，那么接下来，我们将要对存储下来的一系列图像做处理。首先，我们用imread 函数读取提前准备好的背景图片，然后任意读取一系列视频帧中的某一视频帧做测试。之后我们用rgb2gr
37、ay函数将RGB彩色图像转化为灰度图像，再用im2bw函数命令将其转化为二值图：im2bw(i,level) ，这里的level为阈值，它的有效范围为0-1 ，0代表黑、1代表白。（PS：利用graythresh 函数可以根据图片的属性自动确定二值化阈值。）本论文中对图片位图模式的研究是本次监控视频人群密集度研究计算实验中的重点，其是用两种颜色（黑和白）来表示图像中的像素。位图模式的图像也叫作黑白图像。本人在设计图像转换时应用位图模式进行处理的，因为这相比于RGB模式的图片，位图模式属于二维图形。虽然只用黑白色来表示图像的像素，在将图像转换为位图模式时会丢失大量细节。但是实验注重的是比对，得出
38、差值结果，所以应用位图模式看起来更加得心应手。图3-3 背景差分法的应用示意图2）背景差分法的应用。浙江传媒学院本科毕业论文 监控视频人群密集度计算的研究与实现第 9 页 共 20 页利用上述方法处理后得到的测试帧和背景帧，将两个帧做异或运算xor(x,y)，x为测试帧，y为背景帧。异或运算原理为x或y非零（真）返回1, x和y都是零（假）或都是非零（真）返回0，其中0为全黑，1为全白。再通过反相处理获得图片Z，如上面图3-3所示，处理后的视频帧Z为只有黑色小人的图片。我们将利用这幅处理好的照片进行后续的操作。代码详见附录1。3）利用像素法加统计的方法获取人口数量最主要的就是统计像素点的个数问
39、题。在三层楼（约 20 米）那么高的监控探头下进行拍摄的图像，其一个人的像素点个数约为 400500 左右。对于统计像素点的方法，本论文利用了两种方法，现将方法列于下面：方法一：在 MATLAB 仿真软件中，有一个函数 bwarea，利用此函数求出二值图像的像素值。首先，测试函数：下图为构建的一个 5*5 的数组。利用函数 bwarea 进行测试： total = bwarea(data); 得到 total 值为 10。结果正确。下面将应用在实际测试中：图 3-4 优化处理后的图由于 bwarea 是求得是二值图像中白色像素点（即值为 1 的点的个数），所以要求的黑点要先对图片做反相处理。经
40、过计算得知黑色像素点数值为 5.1479e+03。利用num2str(n)函数将其以字符串的形式输出的 5147.9 个像素点，测知人数大约为 11 个。经过图片计数得知为 10 个，较为接近。浙江传媒学院本科毕业论文 监控视频人群密集度计算的研究与实现第 10 页 共 20 页方法二：连用两次 sum 将图像中数值的行和列分别加在一起，就可求出像素为 1 的总数。其代码也极其简单：numVal_1 = sum(sum(Z);（Z 为处理好的测试帧）。利用numVal_0 = length(find(bw=0);代码可以求黑色像素点数。（其中“find(bw=0)”输出所有 bw 为 0 的像
41、素序号，“length”函数求序号的长度，也就是所求的数值为“0”的像素个数。）经过计算处理：numVal_0 = 5078，（500 像素点/人）得：人的个数为 10。对于 500 像素点/人的数据，我们是通过大量的视频测算结果分析出来的，我们对此作了一个统计表格（下图为部分表格数据）：不同测试帧总像素 不同测试帧的人数 像素/人5147.9 10 514.797953.15 15 530.216501.95 13 500.159597.09 19 505.1110406.8 20 520.34侧拍视频（距离远）平均值： 514.12不同测试帧总像素 不同测试帧的人数 像素/人22505 1
42、4 1607.530198 20 1509.924646.4 16 1540.421826 14 155933184.2 21 1580.2俯拍视频（距离近）平均值： 1559.4表 3-1 像素与人口关系统计表有表中我们可以看出：其实多少像素代表一个人没有特定的尺寸，是根据视频架设的方位不同、拍摄角度远近不同而实时定论的。如同上表中，对于近距离俯拍的视频信号来说，1559 个像素代表一个人，远超侧拍远景的像素人数。所以在使用此方法的时候，要先根据摄像头的远近，实时的调整数值，才能保证相关数据的准确性。浙江传媒学院本科毕业论文 监控视频人群密集度计算的研究与实现第 11 页 共 20 页图 3
43、-5 侧拍视频（远距离）图 图 3-6 俯拍视频（近距离）图4）利用局部覆盖方法获取人口数量其方法原理就是寻找包含像素的最小矩形，并确定矩形个数，从而获得人数，但是带来的问题在于有些重叠的人却共属于一个小矩形。所以对测算带来了误差。图 3-7 优化处理后的图如图 3-7 所示：计算的人数为 8 人。代码详见附录 1。通过上面的详细设计及实验总结。我们得到了人口数量这一关键的因子。接下来本人将结合这一因子来比较试验中这三种方法的优劣。3.3 监控视频人群密集度计算的测试3.3.1 全屏覆盖法这种方法就是利用监控视频原有的拍摄图像面积作为统计的一个参数，并与人群数量经行结合，获得人群密集度参数并输
44、出。本论文中举例的测量视频有两个：视频 A：是侧拍视频（远距离），其视频像素大小为： 480*640=307200，经由上面统计得到人口数量为 10 人，所占像素值为 5078，所以经计算的人群密集度为：5078/307200（人/面积）约等于 1.65%。视频 B：是俯拍视频（近距离），其视频像素大小为：480*640=307200，经由上面统计得到人口数量为 14 人，所占像素值为 21831.6，所以经计算的人群密集度为：21831.6/307200（人/面积）约等于 7.1%。这里由于视频的拍摄远近不同，所以每个人的像素值不同，由于视频的像素大小是相同的，所以得到的人群密集度是不同的。
45、3.3.2 最小圆覆盖法利用最小圆覆盖的逻辑思想方法，将图像中的人群圈起来，并确定覆盖圆的面积大小，在利用像素法获得当前人口数量，通过这两个数据测算出人群密集度。代码详见附录 1。浙江传媒学院本科毕业论文 监控视频人群密集度计算的研究与实现第 12 页 共 20 页同样的道理，我们先拿测试帧做实验。如下图 3-8 所示：图 3-8 最小圆覆盖示意图图片上的人数是 10 个，圆的面积大小经过计算为：209967，则获得的人群密集度为：5078/209967 约等于 2.4%。3.3.3 最小方形覆盖法利用最小方形覆盖的逻辑思想方法，将图像中的人群圈起来，获取最小方形的面积大小，在利用像素法获取当
46、前的人口数量，通过这两个数据测算人群密集度。同样的道理，我们先拿测试帧做实验。如下图 3-9 所示：图 3-9 最小方形覆盖示意图图片上的人数是 10 个，圆的面积大小经过计算为：66798，则获取的人群密集度为：5078/66798（人/面积）约等于 7.6%。3.3.4 三种方法的优劣统计比较第一种方法全屏覆盖法，优点在于不用考虑其他线框的限制，直接利用所拍摄的视频面积大小作为测算基底，计算方便，不用其他的代码实现。但是相对来说暴漏的缺点也有很多。相比于最小圆覆盖、最小方形覆盖的方法，它会划定最小最有效的人群覆盖范围，浙江传媒学院本科毕业论文 监控视频人群密集度计算的研究与实现第 13 页 共 20 页缩小了测算的面积基底，增加了人群密集度的准确度。下面我们就列举几个，并比较他们的优劣：当出现如图一的情况时：人群
