基于视频的室内人流量检测系统的设计与实现

摘要

随着计算机技术与数字信号处理技术的飞速发展，计算机视觉技术成为近年的热门研究方向。人们利用摄像机等设备获取视频图像信息，再通过计算机将其转化为数字信号进行分析处理，以便人们更好地理解、利用这些信息。随着数字信息的规模越来越庞大，将信息归类的要求也越来越高，而人工智能领域的发展为这个问题找到新的突破口。利用人工智能的思想，设计合适的分类器，通过分类器实现机器学习，对信息进行分类和甄别，可以更好地实现应用的需求。
　　SVM（Support Vector Machine）一直被认为是现成可用的效果最好的分类算法之一，HOG（Histogram of Oriented Gradient）特征自2005年被提出以来便被广泛地应用于人体检测领域，利用HOG特征加SVM分类器对人体进行检测也成为了最近比较流行的方法。基于HOG特征和SVM分类器的人体识别技术主要包括特征提取和特征检测两步，对样本数据提取HOG特征，以特征向量的形式表示并使用合适的分类器进行训练完成对特定目标的检测和识别任务。本系统旨在通过对室内人流量进行统计分析，帮助决策者掌握人流动态，进行相应的决策。
　　基于视频的室内人流量检测系统利用俯视拍摄人体头部不会互相覆盖的优势结合HOG特征和SVM分类器很好的解决了室内人体头部检测的问题，对于检测出的目标，采用检测指导跟踪的思想利用逻辑分析对目标进行简单有效的跟踪，节省了系统开支，达到了较复杂场景下应用的目标。在此基础上为了应对可能到来的更复杂的情况，研究基于卡尔曼滤波的粒子滤波对系统进行了补充，增强了系统的鲁棒性，拓展了系统的适用范围。

目录

封面

中文摘要

英文摘要

目录

1 绪论

1.1 课题的研究背景和意义

1.2 国内外研究现状

1.3 本论文的研究内容及组织框架

2 相关技术

2.1 模式识别

2.2 特征提取

2.3 SVM分类器

2.4 目标追踪

2.5 本章小结

3 人流量检测系统的需求分析与总体设计

3.1 系统需求分析

3.2 系统总体设计

3.3 本章小结

4 人流量检测系统的详细设计

4.1 人头特征提取

4.2 人头的检测

4.3 人头的跟踪

4.4 本章小结

5 人流量统计系统的实现与结果分析

5.1 系统实现环境

5.2 人头检测的实现

5.3 人头跟踪的实现

5.4 实验结果分析

5.5 本章小结

6 总结与展望

6.1 全文总结

6.2 展望

致谢

参考文献