m基于形态学处理和SVM的视频行人密集度分析matlab仿真

1.算法描述

       行人检测技术已经成为计算机视觉领域的关键研究方向。行人检测的最重要的任务就是对行人目标进行准确定位。行人检测技术有很强的使用价值，可以与多人跟踪、行人重识别等技术结合，应用于汽车无人驾驶系统、智能机器人、智能视频监控、人体行为分析、人流量统计系统、智能交通领域。

 

       目前的行人检测任务主要为基于图像特征的方法。基于图像特征的方法，主要通过手动构造行人特征，如hog等，再结合svm、adaboost等分类器训练检测器来实现行人检测。在实际场景下，多个行人与摄像头之间的距离远近不一，摄像头捕获的图像中行人尺寸不同，而现有检测过程中的特征尺寸单一，无法覆盖所有的待检测行人尺寸，出现漏检情况，导致检测效果不佳。另外，在密集人群场景下，行人之间会出现重叠情况，检测出多个目标的候选区域框距离比较近时，在最终去掉重复任务的检测框时，容易误除，导致密集行人检测效果不佳。

 

       支持向量机（support vector machines, SVM）是二分类算法，所谓二分类即把具有多个特性（属性）的数据分为两类，目前主流机器学习算法中，神经网络等其他机器学习模型已经能很好完成二分类、多分类，学习和研究SVM，理解SVM背后丰富算法知识，对以后研究其他算法大有裨益；在实现SVM过程中，会综合利用之前介绍的一维搜索、KKT条件、惩罚函数等相关知识。本篇首先通过详解SVM原理，后介绍如何利用python从零实现SVM算法。

         实例中样本明显的分为两类，黑色实心点不妨为类别一，空心圆点可命名为类别二，在实际应用中会把类别数值化，比如类别一用1表示，类别二用-1表示，称数值化后的类别为标签。每个类别分别对应于标签1、还是-1表示没有硬性规定，可以根据自己喜好即可，需要注意的是，由于SVM算法标签也会参与数学运算，这里不能把类别标签设为0。

 

 

2.仿真效果预览

matlab2022a仿真结果如下：

 

第一步：读取图片视屏序列

 

function [n_frames,I3] = func_readvedio(folder,list);

 

n_frames = 0;

 

for i=1:length(list)

 

    I  = imread(fullfile(folder,list(i).name));

 

    I2 = rgb2gray(uint8(I));

 

    I3(:,:,i) = I2;

 

    n_frames  = n_frames + 1;

 

end

 

这样写可以专门用来读取连续编号的图片序列作为视屏。

 

 

第二步：提取背景

 

对应的代码如下所示：

 

 

 

//以上就是求解图像的差分

 

CDM(1:rows,1:cols,2:frames) = d(1:rows,1:cols,2:frames);

 

CDM(abs(CDM) <  T)=0;

 

CDM(abs(CDM) >= T)=255;

 

//求CDM值

 

m=0;

 

for i=1:rows

 

   for j=1:cols

 

        for k=2:frames

 

             if CDM(i,j,k) == 0

 

             m(k)=1;

 

             end

 

             if CDM(i,j,k) == 255

 

             m(k)=rand(1);

 

             end         

 

        end

 

             position(i,j) = func_position(m);

 

    end

 

end

 

//获得背景

 

 

第三步：当前图片与背景的差

 

function images2 = func_subbackground(image,back,frames,T2);

 

rows = size(image,1);   

 

cols = size(image,2);

 

for k=1:frames

 

    images(1:rows,1:cols,k)  = back(1:rows,1:cols)-image(1:rows,1:cols,k);  

 

    images2(1:rows,1:cols,k) = im2bw(images(1:rows,1:cols,k),T2);

 

end

这里求解差，并将得到的结果求二值图

 

 

第四步：形态学处理

 

rows = size(image,1);   

 

cols = size(image,2);

 

for k=1:frames

 

     images3(1:rows,1:cols,k)=bwareaopen(image(1:rows,1:cols,k),10);

 

end

这里我们主要将视屏中的个别噪点去掉使画面更加’干净’；

 

 

第五步：边缘检测

 

function images = func_edgecheck(image,frames);

 

rows = size(image,1);    

 

cols = size(image,2);

 

for k = 1:frames

 

    for i=2:rows

 

       for j=2:cols

 

         if image(i,j,k)==1 &&(image(i+1,j,k)==0||image(i-1,j,k)==0||image(i,j+1,k)==0||image(i,j-1,k)==0)

 

         images(i,j,k)=255;

 

         else

 

         images(i,j,k)=0;

 

         end

 

       end

 

    end

 

end

 

普通边间求解法

 

 

统计人员像素并分析出对应的密集度。

 

3.MATLAB核心程序 `folder     = 'Vedio\02';

list       = dir('Vedio\02*.jpg');

level      = 60;

level2     = 0.25;

level3     = 8000;%用来区分低密度还是中高密度的门限值

level4     = 1200;

flag       = 0;%1:低密度，0：高密度

density    = 1;%定义一个密度变量，记录不同时刻的密度变化

 

 

%step1:读取图片序列

[n_frames,I3] = func_readvedio(folder,list);

%step2:提取背景

back3 = func_getbackground(I3,n_frames,level);

rows = size(I3,1);    

cols = size(I3,2);

clear  folder list;

 

%由于是基于视屏的，所以下面采用一个循环的处理方法进行处理，每次只处理一个图片

for k = 1:n_frames%下面的处理都是基于逐帧的

    disp('当前帧数');k

    %step3:背景差

    images2(1:rows,1:cols,k) = func_subbackground(I3(1:rows,1:cols,k),back3,level2);

    %step4:形态学处理

    images3(1:rows,1:cols,k) = func_Xintai(images2(1:rows,1:cols,k));

    %step5:统计前景像素数目

    Num(k) = func_pixel(images3(1:rows,1:cols,k));

    

    

        %低密度

        %低密度

        %低密度

        %低密度

        if Num(k) < level3%说明是低密度

        flag       = 1;    

            %step6:边缘检测

            images4(1:rows,1:cols,k) = func_edgecheck(images3(1:rows,1:cols,k));

            %step7:统计前景边缘像素数目

            Num2(k) = func_pixel(images4(1:rows,1:cols,k));

            

            

              if Num2(k) <level4

              disp('人口密度很低，密度等级：1');    

              density(k) = 1;

              else

              disp('人口密度低  ，密度等级：2');

              density(k) = 2;

              end    

    

        end

        %高密度

        %高密度

        %高密度

        %高密度        

        if Num(k) > level3%说明是中高密度

        flag       = 0;    

        %人群密度特征提取

        d=1;

        [Energy8_0(k),Contrast8_0(k),Correlation8_0(k),Homogeneity8_0(k)] = func_different_L_features(images3(1:rows,1:cols,k),k,d);

        

        

        

        level = 8;    

        %选取0度和90度的作为训练数据

        [train1_data_0,train1_data_90,train2_data_0,train2_data_90,test_data_0,test_data_90]=func_loaddata(level);

        %high_low = 1; %中密度分类值

        %high_low = -1;%高密度分类值

        %输出结果为error=1，说明不是该类；输出为0，说明属于某类型

        %0度数据的训练

        [error01,Output01] = func_classifer(train1_data_0,train2_data_0,test_data_0,1);

        [error02,Output02] = func_classifer(train1_data_0,train2_data_0,test_data_0,-1);

        %90度数据的训练

        %[error901,Output901] = func_classifer(train1_data_90,train2_data_90,test_data_90,1);            

        %[error902,Output902] = func_classifer(train1_data_90,train2_data_90,test_data_90,-1);     

            if error01 == 0 & error02 == 1   

            disp('人口密度高  ，密度等级：4');

            density(k) = 4;

            end

            if error01 == 1 & error02 == 0

            disp('人口密度中  ，密度等级：3');

            density(k) = 3;

            end

        end    

        figure(1);

        imshow(I3(1:rows,1:cols,k));

        title(['人口密度等级',num2str(density(k))]);

        drawnow

end

 

 

if flag == 1

figure;    

%1随帧数变化前景像素数变化曲线

subplot(211);plot(Num,'b-*');title('随帧数变化前景像素数变化曲线');

 

 

%3前景人数与人数的拟合曲线

%曲线拟合

xdata1=1:length(Num);

a1=polyfit(xdata1,Num,1);

y1=polyval(a1,xdata1);

%人数曲线拟合

x1=1:8;

y1=5*a1(1)*x1+a1(2);

subplot(212);plot(y1,x1,'r-*');

title('前景人数与人数的拟合曲线');

 

end`