频域基于灰度共生矩阵的人群密度估计

人群密度估计对于大型公共设施的设计和人群的安全十分重要.本文提出了一种基于二维快速傅立叶变换和灰度共生矩阵的人群密度特征提取方法.主要思想是依据不同密度的人群图像在其频谱图上的不同,将频谱图视为纹理图像,利用纹理分析的方法提取能够表现这些不同的纹理特征.进而利用Adaboost实现人群密度级别的分类.实验结果表明本文提出的方法在具有不逊于其他算法的准确率的情况下,计算速度明显提高.     

基于灰度共生矩阵的断口图像识别

研究断口图像的识别是进行失效分析的一个重要组成部分,但普遍存在识别率不高的问题,为了有效提高识别率,提出一种基于灰度共生矩阵的断口识别方法,方法采用灰度共生矩阵法对金属断口图像进行特征提取,利用可分性判据来确定能影响纹理特征参数的构造因子(生成步长d,图像灰度级g和生成方向θ),并通过相关性分析来排除在表达金属断口图像纹理中冗余的特征参数,最后采用BP神经网络分类器进行分类,并进行仿真。结果证明,根据上述方法,对金属断口图像的分类是可行的,并且识别率也达到了满意的要求。     

基于灰度共生矩阵的织物图像分析

以Matlab为研究工具,采用灰度共生矩阵算法,以织物纹理图像为研究对象,设计了基于灰度共生矩阵的织物图像程序,通过设置特征值分析织物图像中是否有疵点.仿真结果表明:不同的织物图像,选择合适的像素点对的方向、距离及灰度级是确定特征值的关键,也是准确地实现织物图像疵点检测的核心.     

基于模糊灰度共生矩阵与隐马尔可夫模型的断口图像识别

纹理通常由空间分布和灰度分布共同描述,灰度共生矩阵(GLCM)能兼顾二者,故广泛应用于纹理分析中。在计算GLCM时,为降低其维数,需对纹理图像进行灰度量化,这必然丢失部分图像信息。灰度量化时,由灰度值与量化区间中心值的不同距离,构造出相应的模糊隶属度函数,并定义了模糊灰度共生矩阵(FGLCM)。通过对断口图像FGLCM的14个特征统计量进行相关性分析,选择角二阶矩和熵等7个统计量作为特征参数,并验证了其有效性。最后,在4类典型断口图像的特征空间上,采用隐马尔可夫模型(HMM)进行分类识别。实践表明,FGLCM比已有的GLCM能更好地表征断口特性,且在HMM状态数为3时,断口分类的平均识别率可达98%。     

基于灰度共生矩阵的火焰图像纹理特征分析

早期火灾是从无到有的发生发展过程,在这一过程中,火焰的纹理特征也会随之产生快速上升或下降,并出现大幅度抖动的现象.本文采用灰度共生矩阵分析法和MATLAB仿真工具,综合分析火焰以及台灯、目光灯、晃动的蜡烛等干扰物在能量、熵、惯性矩和局部平稳性四个主要方面的纹理特征,得到干扰物纹理特征与火焰纹理特征变化规律的异同,为进一步使用神经网络进行火灾图像探测时纹理特征参数判据的确定提供依据.     

灰度共生矩阵纹理特征提取的Matlab实现

图像的特征提取是图像的识别和分类、基于内容的图像检索、图像数据挖掘等研究内容的基础性工作,其中图像的纹理特征对描述图像内容具有重要意义,纹理特征提取已成为目前图像领域研究的热点。文中深入研究了基于灰度共生矩阵（GLCM）的纹理特征提取方法,给出了基于Matlab的简便实现代码,分析了共生矩阵各个构造参数对构造共生矩阵的影响。分析结果对优化灰度共生矩阵的构造、实现基于灰度共生矩阵（GLCM）的特定图像的纹理特征提取等都具有重要参考意义。     

基于灰度共生矩阵的边缘检测方法

对传统的边缘检测算子进行了分析,指出了存在的不足;同时针对目前的纹理分析算法普遍存在计算复杂、运行时间过长的缺点,通过将纹理分析的思想和传统的边缘检测算子相结合,提出了一种基于灰度共生矩阵的边缘检测新方法.该方法对图像进行纹理分析后自适应地选择模板,因此很好地保持了图像边缘的细节并且抑制了噪声.通过MATLAB仿真实现,结果表明由灰度共生矩阵产生纹理特征能有效地描述火焰的纹理特征,具有较好的鉴别能力.     

灰度共生矩阵检索纹理图像的算法研究

图像的特征提取和匹配是基于内容的图像检索技术的基础.针对典型纹理图像的检索问题,给出了共生矩阵特征统计量的合理提取方法.在此基础上,结合特征匹配技术实现了基于共生矩阵的纹理图像检索系统.测试了不同度量函数以及不同的特征统计组合对检索结果的影响.研究表明,提取共生矩阵的四参数,用加权街区距离进行图像匹配,可获得相对较好的检索效果.     

基于灰度共生矩阵和BP神经网络的乳腺肿瘤识别

乳腺肿瘤是女性病发率极高的一种肿瘤疾病,但也是一种可以通过早期确诊、提早治疗来降低病死率的一种疾病。提出灰度共生矩阵结合BP神经网络的方法,提高乳腺肿瘤的识别率。首先将红外乳腺图像进行预处理,突出病灶及血管的纹理,利用灰度共生矩阵提取乳腺等灰度曲线图像的纹理特征,然后通过BP神经网络对样本数据训练,得到的BP神经网络模型能有效地将病变区域识别出来。实验结果表明,该方法对乳腺肿瘤病变区域具有较好的识别效果。     

基于灰度共生矩阵特征图像的织物疵点检测方法

提出一种由灰度共生矩阵生成相应特征图像的算法,进行了图像分割和织物疵点检测。先将织物疵点图像进行灰度级量化至16级,再提取0°,45°,90°,135°四个方向上的灰度共生矩阵,通过计算灰度共生矩阵中的熵、相关性、对比度、差异性、逆差矩共五种特征值并生成相应的特征图像,对常见的5种织物疵点进行了分割检测实验。实验结果证明基于灰度共生矩阵生成特征图像的检测算法是一种检测效果良好的疵点检测方法 。     

基于模糊神经网络的大场景人群密度估计方法 *

提出了一种估计大场景下密集人群密度的方法。该方法根据人类视觉的模糊性原理,认为用模糊集来划分人群密度范围比用确定的方法更符合人眼视知觉的认知方式,利用统计的方法确定灰度共生矩阵各指标对于各个密度类别的隶属函数;设计基于误差反向传播训练算法（BP）的模糊神经网络,计算样本模式对于各个密度类别的隶属度,并根据人群密度变化的时域连续性原理对人群密度范围进行合理估计。实验表明该方法提高了估计精度。     

基于群体性行为模型的人群分析及其应用

基于视频分析的人群监控,涉及到获取人群行为和数量,这在智能监控领域具有重要的现实价值。本文建立基于运动特征的群体性行为模型,挖掘复杂人群场景中的群体行为,用于人群行为和数量的分析。群体性行为模型是一种主题模型（LDA）,通过样本学习,可以获得描述不同群体行为的特征集,用于人群分析。实验中,将群体性行为模型应用于挖掘监控场景下的不同人群行为及其特征集,并使用人工神经网络完成人数统计,统计正确率达到92.35%。     

基于密度分类及组合特征的人数估计算法*

为了克服不同人群密度及所采用特征对人数估计的影响,提出了一种基于人群密度分类及组合特征的人数统计算法。该算法包括离线特征组合选取和在线实时估计两个阶段。在离线阶段,选取密度阈值将图像样本分为高、低密度两类,然后通过实验方法选取最优的特征组合。在线估计阶段首先通过分类器将样本分为高、低密度两类,然后利用离线阶段选取的特征组合训练得到高斯模型,并分别对两类样本进行人数估计。实验结果表明,与不分高低密度相比,平均估计误差由10.6%降至8.1%;与目前主流的人数估计算法相比,本文算法的平均估计误差也更小。     

静态图像中采用混合卷积结构进行人群密度估计

提出了一种混合卷积神经网络用于人群数量的感知计算,在高度密集的场景中可以准确地预测人群密度图。模型仅由两个部分组成：前端为扩张卷积神经网络提取二维特征;后端采用分数步长卷积神经网络降低下采样中的信息损失。为了验证和分析算法性能,模型设计基于当前较为流行的Shanghai Tech数据集,使用回归问题的评价指标,即平均绝对误差（MAE）和均方误差（MSE）作为评估算法性能的标准。在Shanghai Tech（MAE=100.8）、UCF_CC_50（MAE=305.3）与WorldExpo’10数据集上进行测试,实验表明模型在密集场景下较以往的方法有效降低了MAE和MSE,提高了密集人群计数的准确率。     

基于完全局部二值模式的人群密度估计

为了实时监控重要场所的人群密度、采取有效措施疏散高密度人群,避免人群密度过大而引发事故,造成生命和财产的损失,提出了一种基于完全局部二值模式的人群密度估计方法.该方法提取人群图像的3种局部纹理特征,建立了3-D联合直方图统计模型,用卡方距离最近邻方法对人群密度级别进行分类,实现了特定场景下人群密度的监测.对比实验结果表明了该方法能兼顾任意密度级别人群图像的分类,不仅准确率高,而且实时性好,同时对场景背景具有较强的鲁棒性.     

多层次特征融合的人群密度估计

目的 人群数量和密度估计在视频监控、智能交通和公共安全等领域有着极其重要的应用价值。现有技术对人群数量大,复杂环境下人群密度的估计仍存在较大的改进空间。因此,针对密度大、分布不均匀、遮挡严重的人群密度视觉检测,提出一种基于多层次特征融合网络的人群密度估计方法,用来解决人群密度估计难的问题。方法 首先,利用多层次特征融合网络进行人群特征的提取、融合、生成人群密度图;然后,对人群密度图进行积分计算求出对应人群的数量;最后,通过还原密度图上人群空间位置信息并结合估算出的人群数量,对人群拥挤程度做出量化判断。结果 在Mall数据集上本文方法平均绝对误差（MAE）降至2.35,在ShanghaiTech数据集上MAE分别降至20.73和104.86,与现有的方法进行对比估计精度得到较大提升,尤其是在环境复杂、人数较多的场景下提升效果明显。结论 本文提出的多层次特征融合的人群密度估计方法能有效地对不同尺度的特征进行提取,具有受场景约束小,人群数量估计精度高,人群拥挤程度评估简单可靠等优点,实验的对比结果验证了本文方法的有效性。     

人数统计与人群密度估计技术研究现状与趋势

人数统计与人群密度估计是人群分析中的重要分支,也是视频监控所关注的重要信息之一。尽管近几十年来该领域取得了一些重要进展,但仍存在一些具有挑战性的问题。综述了基于计算机视觉的人数统计与人群密度估计方法的研究现状以及发展动态。首先,介绍了人数统计与人群密度估计技术的发展背景及应用方向。其次,总结了近年来提出的比较重要的方法,从机器学习的角度,将其分为浅层学习的方法和深度学习的方法;而从学习到的模型角度又可将其分为直接的方法(即基于检测的方法)和间接的方法(如基于像素的方法、基于纹理的方法以及基于角点的方法)。详细介绍了近二十年来基于浅层学习的方法,并对近些年来基于深度学习的人数统计与人群密度估计技术做了一个简要的总结。然后,对人数统计及人群密度估计方法性能评估技术进行简介,并提供了几个用于人数统计与人群密度估计的测试与评估数据集。最后,总结了该领域存在的技术挑战并对未来的研究方向进行了展望。     

基于PCA和多元统计回归的人群人数统计方法

针对人群人数统计中分割特征与纹理特征相分离以及回归模型精度提高的问题,提出一种基于PCA和多元统计回归相结合的人群人数统计方法。通过PCA对提取到的人群前景分割特征和纹理特征进行降维处理;建立多元线性回归模型,以确定特征量和人群人数之间关系的趋势方向;通过回归出的趋势方向,对高斯过程回归模型进行修正。实验结果表明该方法更适合进行大规模人群人数统计。     

基于多尺度空间注意力特征融合的人群计数网络

针对严重的尺度变化和遮挡导致在不同密集场景人群计数任务中性能差的问题,在密集场景识别网络(CSRNet)的基础上通过增加多尺度特征融合结构并引入空间注意力机制,提出了一种多尺度空间注意力特征融合网络(MAFNet).在MAFNet进行特征提取之前,需要对添加了人头标记的场景图进行高斯滤波生成真实密度图;此外,MAFNe...     

基于尺度融合的密集人群计数

现实场景中人群尺度的巨大差异给密集人群计数算法带来了巨大的挑战,因此提出一种基于尺度融合的密集人群计数算法.首先对密度图构建算法进行优化,利用多个头部检测器获取稀疏人群的部分头部尺度,并用径向基差值进行补全,在人群密集区域辅之以距离自适应的人群密度图生成算法,生成更为精确的人群密度图.其次利用移动翻转瓶颈卷积模块设计尺度融合的人群密度图回归神经网络,并加入膨胀卷积模块进一步提升人体头部边缘特征提取能力.最后,通过将人群区域和非人群区域进行区分对人群密度图回归神经网络损失函数进行优化.在实验部分,将该算法在多个数据集上与多个同类算法进行了充分的对比实验与消融实验,实验结果表明提出的方法能够显著提升密集人群计数算法的准确性.