拥挤情况下的人群计数和短时人群流量预测

发布时间：2025-05-28 22:05

　　近年来,拥挤状况下的人群踩踏事件常有发生,对人群的管理调控就显得尤其重要。因此,人群计数已经成为智能监控中必不可少的一项功能,它不仅在人数预测方面可以发挥作用,而且在安全监管方面也可以达到很好的效果。在本文中,本人参与提出了一种在拥挤情况下对遮挡敏感的人群计数方法,该方法可以有效减少灾难性踩踏事件的发生。第一步,作者分别采用帧差法和高斯混合模型来提取前景图像,然后将两幅提取出的前景图像进行逻辑与操作来生成一幅新的前景图像,得到的新的前景图像比分别得到的前景都要准确。第二步,在场景分割中,作者在大量实验的基础上将每一帧图像在空间上平均分成九个区域,实验证明,这样的分割方式相比于其他的方式结果更加准确。第三步,作者先在已有算法的基础上得到一个粗略的人数统计,然后我们提出了遮挡系数的概念来解决人群计数时的遮挡问题。对每一个区域来说,哈里斯角点的个数和前景像素点的总数都是计算遮挡系数必不可少的因子。最终的人数就可以通过粗略的人数统计和遮挡系数计算得到。通过实验表明,作者提出的方法有较好的精确性和鲁棒性。随着人群计数的实现,准确的人群流量预测也成为了现实。研究表明,人群路段上某时刻的人群流量与本路...

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
ABSTRACT
序言
1 引言
    1.1 研究背景和意义
    1.2 国内外研究现状
    1.3 研究思路与分析方法
        1.3.1 研究思路
        1.3.2 分析方法
    1.4 论文主要工作
    1.5 本章小结
2 高密度人群计数概述
    2.1 智能监控系统结构简述
    2.2 人群计数算法概述
        2.2.1 基于像素统计的拥挤人群计数算法
        2.2.2 基于纹理特征分析的拥挤人群计数算法
    2.3 人群拥挤程度研究
    2.4 小波神经网络的发展
    2.5 本章小结
3 高密度人群计数算法实现
    3.1 图像预处理
    3.2 前景图像提取
    3.3 遮挡系数的计算和人群计数
        3.3.1 特征点提取
        3.3.2 场景分割和遮挡系数计算
    3.4 人数统计
    3.5 本章小结
4 基于小波神经网络的短时人群流量预测
    4.1 小波理论
    4.2 小波神经网络
        4.2.1 神经网络
        4.2.2 反向传播算法
        4.2.3 小波神经网络
    4.3 网络模型建立
    4.4 本章小结
5 高密度人群计数和流量预测的结果与分析
    5.1 前景提取
    5.2 拥挤人群计数
    5.3 短时人群流量预测
    5.4 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
作者简历及攻读硕士/博士学位期间取得的研究成果
学位论文数据集



本文编号：4048277