翁佳鑫, 仝明磊

(上海电力大学 电子与信息工程学院, 上海 200090)

人群密度作为人群的基本属性之一,反映了人群在空间中的拥挤程度。人群越拥挤,发生人员伤亡事故的可能性就越大,从而导致更大的人员伤亡和财产损失。对人群密度的实时监控可以及时发现异常状况,通知有关部门采取预防措施,以防止事故的发生。人群密度分布图可以直接反映人群密度的空间分布,连续的密度分布变化反映了人群行为的动态变化。聚集、奔跑、逃逸等异常行为经常导致人群的混乱和恐慌,增加事故的发生率,因此加强对异常行为的检测和报警,是降低事故风险的有效手段之一。

早期的人群密度估计相关研究大多是基于检测的方法,主要分为局部检测和整体检测[1]。其中,整体检测方式在对低密度人群的检测中表现非常出色,但在高密度条件下存在模糊阻挡等问题,检测性能下降。因此,研究人员通过使用基于特殊部位的检测技术[2]来解决这一问题,对特定的身体部位(包括肩膀和头部)使用增强分类器来估计该区域的人数。但该方法计算过程复杂,还需要训练一个能对图像全局扫描的多尺度检测器。另外,研究人员通过已知的图像输入和输出进行回归计数以获得更具鲁棒性和准确性的结果。回归计数由低级特征提取和回归建模两部分组成[3]。但是,这些技术着重于场景的整体属性。方向梯度直方图[4](Histogram of Oriented Gradient,HOG)是针对图像局部特征和纹理的检测技术,可进一步提高分类、检测和人群计数的准确性。……