基于改进混合高斯模型的人群密度估计方法

合集下载

基于改进的卷积神经网络的人群密度估计

基于改进的卷积神经网络的人群密度估计贾翻连;张丽红【摘要】人群密度估计是视频监控的一个研究热点, 为了得到更为准确的估计率, 将卷积神经网络应用到人群密度估计中.卷积神经网络在特征提取时能够高效自适应学习深层次的特征, 体现了其在深度学习领域的优越性, 但在预处理时会出现振荡现象, 且卷积层与子采样层间特征图的大小匹配会影响计算速度和时间.对此, 提出离散小波变换替换卷积神经网络中的子采样层, 并对网络中的权重矩阵进行重新计算, 通过权重自适应改善预处理时的振荡现象, 提高卷积网络中特征图大小的匹配度, 并将之应用到人群密度估计, 以有效地提高数据间的相关性, 增强网络的学习能力, 提高人群密度等级分类的准确率.实验结果表明, 改进后的网络具有较好的学习及分类效果和鲁棒性, 对人群密度能够进行较为准确和快速的估计.%Crowd density estimation is a research hotspot in video surveillance.In order to get more accurate estimation rate, the convolutional neural network is applied in crowd density estimation.Convolutional neural network can efficiently and adaptively learn deep characteristics in feature extraction, which demonstrates its superiority in the field of depth learning.However, o scillation will occur in the preprocessing, and the size matching of feature map between convolutional layer and sub-sampling layer will affect the calculation speed and time.For this, we adopt discrete wavelet transform to replace the sub-sampling layer in convolutional neural network and recalculate the weight matrix in the network.The phenomenon of oscillation is improved in the preprocessing by adaptive weight, and the matching degree of feature map size in convolutionalnetwork is enhanced, which is applied in the crowd density estimation, effectively improving the data correlation and enhancing the learning ability of the network, and also increasing the accuracy of classification of crowd density level.The experiment shows that the improved network has better learning and classification effect and robustness, which can be used to estimate the population density more accurately and quickly.【期刊名称】《计算机技术与发展》【年(卷),期】2019(029)002【总页数】4页(P77-80)【关键词】人群密度;深度学习;小波变换;神经网络;权重自适应;特征提取【作者】贾翻连;张丽红【作者单位】山西大学物理电子工程学院, 山西太原 030006;山西大学物理电子工程学院, 山西太原 030006【正文语种】中文【中图分类】TP1830 引言近年来，人群密度估计成为智能视频分析的一个研究热点，并且越来越多的学者和研究人员使用基于深度学习和机器学习的各种方法研究人群密度。

基于高斯混合模型的人群异常检测

基于高斯混合模型的人群异常检测
于明;郭团团
【期刊名称】《软件导刊》
【年(卷),期】2017(016)011
【摘要】近年来,公众场所安全问题得到了广泛关注,视频监控下的人群异常检测成为智能监控的研究热点.现实场景中的人群异常检测具有容易受到光照亮度变化影响、可能存在大量遮挡以及人群密度大等研究难点.提出一种基于高斯混合模型的人群异常检测方法,能有效应用于复杂的室外场景.首先通过预处理阶段求得视频帧的感兴趣区域(ROI),再在感兴趣区域中计算人群光流,并在此基础上融合SIFT特征,利用图像分块提取特征.对不同分块建立对应的高斯混合模型,进而用模型判断特征点是否属于异常事件.实验结果证明,该方法对于UMN数据库中人群的四散奔跑以及UCSD数据库中人行横道上出现汽车和自行车等异常事件有较高的识别率.【总页数】8页(P114-120,封2)
【作者】于明;郭团团
【作者单位】河北工业大学计算机科学与软件学院 ,天津300401;河北工业大学计算机科学与软件学院 ,天津300401
【正文语种】中文
【中图分类】TP319
【相关文献】
1.基于社会力异常检测改进算法的人群行为模型 [J], 卢丽;许源平;卢军;黄健;张朝龙;王晶
2.基于光流共生矩阵的人群行为异常检测 [J], 曾庆山;宋庆祥;范明莉
3.基于场景相似性和光流的人群异常检测方法 [J], 马国祥; 杨文忠; 温杰彬; 姚苗; 秦旭
4.基于高斯混合模型的受引导人群疏散研究 [J], 刘天宇;杨晓霞;张纪会;赵逸群;周美琦
5.基于高斯混合模型的人群异常检测 [J], 于明;郭团团
因版权原因，仅展示原文概要，查看原文内容请购买。

基于高斯混合模型的人群聚集检测算法研究

基于高斯混合模型的人群聚集检测算法研究随着城市化进程的不断加速，人口越来越多的聚集在城市中心区域，城市人口密度越来越大，城市道路拥挤，那么对于城市管理者和安全人员而言，如何有效地检测和管理人群聚集成为一项十分重要的任务。

本文将探讨基于高斯混合模型的人群聚集检测算法。

一、研究背景随着科技的不断进步和社会的不断发展，城市中的公共场所越来越多，城市中心区的人口也越来越密集。

如何有效识别人群的聚集，监控公共场所的人流量和密度，以及保障人民的人身安全，成为安全管理和城市规划中的重要研究领域。

二、高斯混合模型高斯混合模型（Gaussian Mixture Model，简称GMM）是一个概率模型，它试图用多个高斯分布的线性组合来描述数据分布。

在GMM中，每个高斯分布称为一个“成分”，其参数由均值向量和协方差矩阵组成。

GMM通过最大化似然函数来估计模型参数。

三、人群聚集检测算法目前，较为成熟的人群聚集检测算法基于背景减法，该方法采用一个背景模型来提取前景，从而检测人群聚集。

但是，该方法对于场景变化敏感，处理效果可能不稳定。

为此，本文采用GMM实现人群聚集检测，旨在提高算法的鲁棒性。

该算法具体实现步骤如下：1. 采集视频数据并提取每一帧图像。

2. 对每一帧图像进行GMM背景建模，得到前景掩模。

3. 对前景掩模进行形态学操作，包括膨胀、腐蚀等操作，去除噪声和孔洞。

4. 对前景掩模进行连通域分析，得到若干个人群聚集区域。

5. 对聚集区域进行特征提取，包括人数、面积、中心点等。

6. 根据特征值判断人群聚集情况，如人数超过界限、面积超过阈值或密度过高等情况均可视为聚集。

四、实验结果为验证算法效果，采用UCSD数据集进行实验。

该数据集包含人群聚集场景视频，包括早高峰、中午和傍晚等不同场景。

实验结果显示，基于GMM的人群聚集检测算法具有较高的准确性和鲁棒性，能够有效地监测人群聚集情况，更为稳定而且效率更高。

五、总结人群聚集检测算法是一项十分重要的研究领域。

基于可变矩形框的人群密度数值估计算法研究

基于可变矩形框的人群密度数值估计算法研究刘曼;彭月平;姜源【摘要】Crowd density estimation under the public scene monitoring is an important part of public security management,in order to improve real-time and accuracy of crowd density estimation in the video monitoring,put forward an improved gaussian mixture background modeling to extract the foreground and use the size with the target edge variable rectangular box on the crowd to identify areas instead of the traditional edge pixels and foreground pixels,fitting by the least squares method to estimate the number and the actual number of linear relationship,using the average relative error and mean absolute error to compare the analysis quantitatively.The experimental results show that:compared with statistics based on edge pixels and compared with threshold segmentation algorithm of pixel statistics,the algorithm can directly statistic the number of crowd effectively,estimating the number of people in video images more accurately,and the error is minimum.%公共场景监控下的人群密度估计已经是公共安全管理中的一个重要环节.为了提高对视频监控中人群密度估计的实时性和准确率,提出一种改进的混合高斯背景建模进行前景提取,并用大小随目标边缘可变的矩形框对人群目标进行圈定以代替传统的边缘像素数和前景像素数;通过最小二乘法拟合估计人数和实际人数的线性关系,使用平均相对误差和平均绝对误差进行定量对比分析.实验结果表明:与基于边缘像素统计和阈值分割像素统计的算法相比,该算法能够直接统计出有效人数,较为准确的估计出视频图像中的人群数目,且误差最低.【期刊名称】《科学技术与工程》【年(卷),期】2017(017)017【总页数】6页(P266-271)【关键词】视频图像;混合高斯背景建模;人群密度估计;矩形框【作者】刘曼;彭月平;姜源【作者单位】武警工程大学,西安710086;武警工程大学,西安710086;武警工程大学,西安710086【正文语种】中文【中图分类】T391.41近几年来，由于人群密度过大引起的大规模群体性踩踏事件急剧飙升，这无疑是公共场所下安全问题所面临的极大挑战。

基于高斯混合模型的人群异常检测

基于高斯混合模型的人群异常检测作者：于明郭团团来源：《软件导刊》2017年第11期摘要：近年来，公众场所安全问题得到了广泛关注，视频监控下的人群异常检测成为智能监控的研究热点。

现实场景中的人群异常检测具有容易受到光照亮度变化影响、可能存在大量遮挡以及人群密度大等研究难点。

提出一种基于高斯混合模型的人群异常检测方法，能有效应用于复杂的室外场景。

首先通过预处理阶段求得视频帧的感兴趣区域（ROI），再在感兴趣区域中计算人群光流，并在此基础上融合SIFT特征，利用图像分块提取特征。

对不同分块建立对应的高斯混合模型，进而用模型判断特征点是否属于异常事件。

实验结果证明，该方法对于UMN数据库中人群的四散奔跑以及UCSD数据库中人行横道上出现汽车和自行车等异常事件有较高的识别率。

关键词关键词：人群异常检测；感兴趣区域；SIFT特征；光流法；高斯混合模型DOIDOI：10.11907/rjdk.171847中图分类号：TP319文献标识码：A文章编号文章编号：16727800（2017）0110114070引言近年来，人群异常检测在智能监控视频中扮演着越来越重要的角色。

异常本身是指行为不规则、不寻常、偏离正常类型，例如摔倒、斗殴、逆行、闯入禁止区域等[1]。

因此，在不同应用上，异常定义方式不同。

本文在监控视频场景下对异常的定义是低概率发生的事件，或者是出现次数很少的事件[23]。

面对监控视频中的高密度人群场景，异常检测面临着3大挑战：①异常与正常定义比较模糊；②高密度人群中存在遮挡情况，行为动作难以分析；③视频监控场景具有多样性，以及视频监控角度不同造成区域运动大小不一致。

由于存在这些挑战，导致传统的行人动作分析技术不能直接用于人群异常检测，而人群异常检测又在保障公众场所人身安全上具有重要意义，所以异常检测成为热门的研究方向，一系列检测方法被不断提出。

大量相关方法都指出，现实场景具有时间和空间两个特性，异常也具有这两个特性，通常将异常分为时间异常事件和空间异常事件。

混合高斯模型(Mixtures-of-Gaussians)和EM算法

混合高斯模型（Mixtures of Gaussians）和EM算法这篇讨论使用期望最大化算法（Expectation-Maximization）来进行密度估计（density estimation）。

与k-means一样，给定的训练样本是，我们将隐含类别标签用表示。

与k-means的硬指定不同，我们首先认为是满足一定的概率分布的，这里我们认为满足多项式分布，，其中，有k 个值{1,…,k}可以选取。

而且我们认为在给定后，满足多值高斯分布，即。

由此可以得到联合分布。

整个模型简单描述为对于每个样例，我们先从k个类别中按多项式分布抽取一个，然后根据所对应的k个多值高斯分布中的一个生成样例，。

整个过程称作混合高斯模型。

注意的是这里的仍然是隐含随机变量。

模型中还有三个变量和。

最大似然估计为。

对数化后如下：这个式子的最大值是不能通过前面使用的求导数为0的方法解决的，因为求的结果不是close form。

但是假设我们知道了每个样例的，那么上式可以简化为：这时候我们再来对和进行求导得到：就是样本类别中的比率。

是类别为j的样本特征均值，是类别为j的样例的特征的协方差矩阵。

实际上，当知道后，最大似然估计就近似于高斯判别分析模型（Gaussian discriminant analysis model）了。

所不同的是GDA中类别y是伯努利分布，而这里的z是多项式分布，还有这里的每个样例都有不同的协方差矩阵，而GDA中认为只有一个。

之前我们是假设给定了，实际上是不知道的。

那么怎么办呢？考虑之前提到的EM的思想，第一步是猜测隐含类别变量z，第二步是更新其他参数，以获得最大的最大似然估计。

用到这里就是：循环下面步骤，直到收敛：{（E步）对于每一个i和j，计算（M步），更新参数：}在E步中，我们将其他参数看作常量，计算的后验概率，也就是估计隐含类别变量。

估计好后，利用上面的公式重新计算其他参数，计算好后发现最大化最大似然估计时，值又不对了，需要重新计算，周而复始，直至收敛。

基于改进的高斯混合模型算法的说话人识别

Ｖ１０Ｎｏ１ｏ．．．３Ｆｂ２０ｅ．０１
基于改进的高斯混合模型算法
的说话人识别
邵
摘Hale Waihona Puke 妍，霍春宝，金曦
（辽宁工业大学电子与信息工程学院，辽宁锦州１１０）２０１
要：高斯混合模型（ＭＭ）Ｇ已广泛运用于文本无关的说话人识别系统中，该方法具有简单高效的特点。
ＳＨＡ０ｎＨＵＯｕ — ａ，ＩＸｉＹａ，ＣｈｎｂｏＪＮ
（ｌｃｒｎ＆ＩｆｒｔｎＥｎｉｅｒｎｌｇ，ａｎｎｉｅｓｙｏＴｃｎｌｇ，ｉｚｏ２０１Ｃｈｎ）ＥｅｔｏｎｏｍａｉｇｎｅｉｇＣｏｌｅＬｉｏｉｇＵｎｖｒｉｆｅｈｏｏｙＪｎｈｕ１１０，ｉａｏｅｔ
ｉｄｖｄａｌｓｎｅｅｃｌｕａｉｎｐａｅｅｓｗｅｅｔｋｎａｉａａｕｓＥｐｒｍｅｔｅｐｔｔｄｎｉｉｕｃａｓａｄｔｎｔａｃｌｔａｍｔｒｒｅｓｎｔｌｌｅ．ｘｅｌｈｈｏｒａｉｉｖｉｎｓｘａａｅｉ
ＧＭＭｄｌｎｔｌａｉｎｐｒｍｅｅｓｈｄｔｅｆｒｔｄｔｒｎｄＨｅｅｙｔｅｉｒｖｄｆｚｙＣ－ａｓｍｏｅｉａｉｔａａｔｒａｏｂｓｅｅｍｉｅ．ｒｂｈｉｉｚｏｉｍｐｏｅｕｚｍｅｎ
Ｋｅｒ：ｓｅｋｅｅｏｉｉｎ；ａｓａｘｕｒｏｅ；ｕｚｙＣ— ａｓｃｕｔｒｎｙｗｏｄｓｐａｒｒｃｇｎｔｏｇｕｓｉｎｍｉｔｅｍｄｌｆｚｍｅｎｌｓｅｉｇ；ＥＭｌｏｒｔｍａｇｉｈ

基于可变形高斯核的训练数据生成的人群计数方法

基于可变形高斯核的训练数据生成的人群计数方法
陈树骏
【期刊名称】《现代信息科技》
【年(卷),期】2024(8)10
【摘要】人群计数作为计算机视觉和模式识别任务中重要的子课题,在智能监控中发挥着极其重要的作用。

对于被严重遮挡的月牙形人头,传统高斯核生成方法找到
的月牙形视觉中心严重偏离人类标注的完整圆形中心,导致算法在训练中不易收敛。

针对严重遮挡情况下的人群计数误差问题,提出一种基于可变形高斯核的训练数据
生成的人群计数方法,对基于人类标定结果生成的高斯核的形状、角度和位置进行
高效调整,从而提升算法的收敛性和精度。

实验结果表明,该方法可以显著提升人群
计数的性能。

【总页数】5页(P37-41)
【作者】陈树骏
【作者单位】通号通信信息集团有限公司
【正文语种】中文
【中图分类】TP391.4;TP183
【相关文献】
1.基于改进高斯核度量和KPCA的数据聚类新方法
2.基于可变形部件模型的人群
计数方法3.基于嫦娥二号CCD数据的核线影像生成方法4.基于POS数据的核线
影像生成方法5.基于生成对抗网络的恶意域名训练数据生成方法
因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

南京２０１）１０６（南京航空航天大学电子信息工程学院
摘要
人群密度估计对于公共安全管理至关重要。针对视频监控系统下的人群密度估计问题，出了一种基于改进混合高斯模型和提
像素统计的人群密度估计方法。通过计算图像的均值和偏差均值，提取高斯模型特征，在恒定的模型更新速率指导下，重建混合高斯背景图，从而获取人群二值图，最后，利用像素统计的方法实现人群密度快速估计。实验结果表明，较传统方法，该方法可以更准确有效地估计人
ＳＨＥＮＬＩＮｉｇＣＨＡＮＧｎｌｎＮａｎＯｉｇｏｇ
（ｏｌｇｆｌｃｒｎｃａｄＩｆｒｔｎＥｇｎｅｉｇＮａｊｇＵｎｖｒｉｆｒｎｕｉｎｔｏａｔｓＣｌｅｏｅｔｏｉｎｎｏｍａｉｎｉｅｒ，ｎｉｉｅｓｙｏｏａｔｓａｄＡｓｒｎｕｉ，Ｎａｊｇ２０１）ｅＥｏｎｎｔＡｅｃｃｎｉ１０６ｎ
动、光线变化）反映实时背景信息。传统的混合高斯模型，
主要用于运动目标检测，其背景建模后提取的二值图往往含有大量的阴影，若用于人群密度估计，将会严重影响密度估计的准确性。
针对这些问题，文引入混合高斯模型的方法来提取本
群密度。关键词视频监控；人群密度估计；混合高斯模型；像素统计
中图分ｉｎＢａｅｎＩｒｖｄＧａｓｉｎＭｉｔｒｏｅｏｎｉｙＥｓｉｔｏｓｄｏｍｐｏｅｕｓａｘｕｅＭｄｌ
Ｋｅｏｒｖｄｏｓｒｅｌｎｅ，ｃｏｅｉｙｅｔｍａｉｎ，ＧａｓｉｎｍｉｕｅｍｏｌｉｅｔｔｓｉｓｙＷｄｓｉｅｕｖｉａｃｌｒｗｄｄｎｓｔｓｉｔｏｕｓａｘｔｒｄｅ，ｐｘｌａｉｔｃｓＣｌｓｌｔｒＴＰ３ｌａｓＮＵＴｂｅ９
１引言
近年来，随着人们社会活动的增多，一些公共场合在
（超市、铁、场等）常会出现人群过度拥挤的现如地机经象 ¨ 。人群过度拥挤就会存在安全隐患，１ｊ甚至造成人员伤
进方法［］１。混合高斯模型通过建立多个高斯分布，断不学习重建的高斯模型能够适应背景的微弱变化（树叶晃如
ＡｂｓｒｃＣｒｗｄｄｎｉｓｉａｉｎｉｖｅｙｉｐｒａｔｔｕｌｅｕｒｔ．Ｔｏｔｅｑｅｔｏｆｃｏｎｉｓｉｔｏｎｖｄｏｓｖｉｔａｔｏｅｓｔｅｔｔｏｓｒｙｍｍｏｔｎｏｐｂｉｓｃｉｃｙｈｕｓｉｎｏｒｗｄｄｅｓｔｅｔｍａｉｎｉｉｅｕｒｅｌｙ — ｌｎｅｓｓｅ，ａｃｏｅｉｙｅｔａｉｎｔｃｎｑｅｂｓｄｏｐｏｅｕｓｉｎｍｉｕｒｄｌｎｉｅｔｔｓｉｓｗａｒｐｓｄａｃｙｔｍｒｗｄｄｎｓｔｓｉｔｏｅｈｉｕａｅｎｉｒｖｄＧａｓａｘｔｅｍｏｅｄｐｘｌｓａｉｔｃｓｐｏｏｅ．ＴｈｅｔｒｍｍａｅｆａｕｅｏｆＧａｓｉｎｍｏｅｓａｓｒｃｅｙｃｌｕａｉｇｔｅｎａｄｔｅｍｅｎｏｅｉｔｏｎｔｅｉｇ．Ｕｎｅｈｉｅｔｏｆｔｅｃｎｔｎｐａｕｓａｄｌｗａｂｔａｔｄｂａｃｌｔｎｈｅｍａｎｈａｆｖａｉｎｉｈｍａｅｄｄｒｔｅｄｒｃｉｎｏｈｏｓａｔｕｄ — ｔｎａｅｏｈｅｍｏｅ，ｔｅｃｏｉａｙｉｇｓｗｅｅａｈｅｅｙｂｃｇｒｕｎｅｏｓｒｃｉｎｕｉｇＧａｓｉｎｍｉｕｒｄ１ｉｇｒｔｆｔｄｌｈｒｗｄｂｎｒｍａｅｒｃｉｖｄｂａｋｏｄｒｃｎｔｕｔｏｓｎｕｓａｘｔｅｍｏｅ．Ｆｉａｌｉｅｔ— ｎｌｐｘｌｓａｙｔｓｉｓｗａｓｄｔｅｌｅｔａｔｅｔｍａｉｎｏｒｗｄｄｎｉ．ＥｘｅｉｅｔｌｅｕｔｈｗｈｔｔｗｌｏｉｈｏｒｗｄｄｎｉｙｅｔｍａｉｎｉｔｓｕｅｏｒａｉｈｅｆｓｓｉｔｏｆｃｏｅｓｔｃｚｙｐｒｍｎａｓｌｓｓｏｔａｈｅｎｅａｇｒｔｍｆｃｏｅｓｔｓｉｔｒｏｉｍｏｅａｃｒｔｎｆｉｉｎｈｎｐｅｉｕｓｏｅＳｒｃｕａｅａｄｅｆｃｅｔｔａｒｖｏｎ．
总第２３７期２１０２年第７期
计算机与数字工程
Ｃｏｕｅｍｐｔｒ＆ＤｉｉａＥｎｉｅｒｇｇｔｌｇｎｅｉｎ
Ｖｏ．０Ｎｏ７１４．
１Ｏ８
基于改进混合高斯模型的人群密度估计方法
沈娜黎宁常庆龙