基于Hadoop的景区人流密度预测模型设计与实现

摘要

针对景区人流监控精细化、高效化的需求,文中对视频图像的背景建模与轮廓提取方法进行研究,构建了面向海量计算需求的人流密度预测模型.该模型需要对输入模型的图像质量进行检测,校核图像的分辨率、像素是否满足算法的输入要求.对图像的背景引入混合高斯模型进行建模,并借助图像的前景边缘检测描绘人体轮廓,基于Canny算子对人体轮廓进行跟踪、提取特征,以这些轮廓为基础实现人流密度的计算.将最终的提取结果输入到神经网络中,根据时间分布完成人流的预测.在算法的实现上考虑到计算需求,文中搭建了7个计算集群的Hadoop分布式计算平台,实现了算法的分布式存储和并行化计算.计算结果表明,相较于传统算法,该算法提取的人体轮廓更精细、轮廓长度更长,漏检率由13.21％降低到5.24％,人流的预测精度达到了92.43％,提升了7.12％.