基于纹理分析的人群密度估计

《基于纹理分析的人群密度估计》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、万方数据AThesisinAppliedMathematicsCrowdDensityEstimationBasedonTextureAnalysisByWangRanSupervisor：ProfessorStmYanruiNortheasternUniversityJune2012万方数据独创性声明本人声明，所呈交的学位论文是在导师的指导下完成的。论文中取得的研究成果除加以标注和致谢的地方外，不包含其他人己经发表或撰写过的研究成果，也不包括本人为获得其他学位而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均己在论文中作了明确的说明并表

2、示谢：正思。学位论文作者签名：记冉日期：石，≥。占．≯午学位论文版权使用授权书本学位论文作者和指导教师完全了解东北大学有关保留、使用学位论．j文的规定：即学校有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人同意东北大学可以将学位论文的全部或部分内容编入有关数据库进行检索、交流。作者和导师同意网上交流的时间为作者获得学位后：半年口一年口一年半口两年∥学位论文作者签名：三闫签字日期：≯。／2．151．2午导师签名：签字日期：护戈磁厶仁‘≥y万方数据东北大学硕士学位论文摘要基于纹理分析的人群密度估计摘要随着经济社会的飞速

3、发展，各种大型广场、娱乐场所层出不穷，大型人群活动也日益频繁，与此同时，高度拥挤的人群导致的人群灾祸屡见不鲜。在这种严峻的形势下，对监控区域进行人群密度估计，进而对高密度区域人群及时采取疏散措施有着极为重要的意义。人群密度估计最常用的模式是对样本图片提取特征，再用分类器对特征进行分类，从而得到人群密度的级别。从灰度共生矩阵中提取出纹理特征是当前最常用的特征，但是这种纹理特征只利用了人群图像的灰度信息，分类的正确率不高。针对这个问题，本文提出结合灰度共生矩阵的特征参数和灰度．梯度矩阵的特征参数的方法，将这些特征参数结合成一个二十维的特征向量用于后续

4、分类。这样，不仅利用了人群图像的灰度信息，同时还融合了人群图像的梯度信息，具有更好的分类效果。在用分类器对特征进行分类的阶段，传统的做法采用一对一、一对多或者有向无环图的支持向量机(SupportVectorMachine，简称SVM)对人群密度等级进行分类。但是这种构建多分类SVM的方法需要的子SVM数目多，训练时间和测试时间较长。针对这种情况，本文提出用一种改进的多类分类SVM一基于最短距离的二叉树SVM，用它对特征进行分类，减少了所需的子SVM的数目，缩短了测试时间。除了使用支持向量机作为分类器外，本文还提出用极速学习机(ExtremeLe

5、arningMachine，简称ELM)对纹理特征进行分类。ELM是近年来基于单隐层神经网络模型提出的一种新算法，其对输入权值和偏差随机赋值，然后通过简单的计算得到输出权重，取代传统的梯度下降法。实验表明，ELM在实时性方面能达到更好的效果。此外，本文将支持向量机和极速学习机从理论上进行比较，分析这两种分类器的异同。之后再从实验结果上进行验证，发现使用这两种分类器进行人群密度估计的准确率相当，但是ELM的实时性更佳，其训练速度约为SVM的十倍，测试速度约为SVM的五倍。关键词：纹理分析；支持向量机；极速学习机；人群密度估计．II．万方数据东北大学

6、硕士学位论文第1章绪论CrowdDensityEstimationBasedonTextureAnalysisAbstractWiththerapiddevelopmentoftheeconomyandsociety,varietiesoflargesquaresandentertainmentfacilitiesemergeinailendlessstream，andcrowdactivitiesoflargescalehavebecomecommon．Atthesametime，thedisasterscausedbyhighdensity-

7、crowdhappenedfrequently．Insuchasituation，makingacrowddensityestimationofthemonitorareaandtakingevacuationmeasurestohighdensityareabecomeimportant．Themostcommonlyusedmethodofcrowddensityestimationistoextractfeaturesofcrowdimagefirstly,andthentoclassifythefeaturesusingaclassifi

8、ertogetthelevelofcrowddensity．TexturefeaturesextractedfromgraylevelC