m基于形态学处理和SVM的视频行人密集度分析matlab仿真

1.算法描述

   行人检测技术已经成为计算机视觉领域的关键研究方向。行人检测的最重要的任务就是对行人目标进行准确定位。行人检测技术有很强的使用价值，可以与多人跟踪、行人重识别等技术结合，应用于汽车无人驾驶系统、智能机器人、智能视频监控、人体行为分析、人流量统计系统、智能交通领域。

   目前的行人检测任务主要为基于图像特征的方法。基于图像特征的方法，主要通过手动构造行人特征，如hog等，再结合svm、adaboost等分类器训练检测器来实现行人检测。在实际场景下，多个行人与摄像头之间的距离远近不一，摄像头捕获的图像中行人尺寸不同，而现有检测过程中的特征尺寸单一，无法覆盖所有的待检测行人尺寸，出现漏检情况，导致检测效果不佳。另外，在密集人群场景下，行人之间会出现重叠情况，检测出多个目标的候选区域框距离比较近时，在最终去掉重复任务的检测框时，容易误除，导致密集行人检测效果不佳。

   支持向量机（support vector machines, SVM）是二分类算法，所谓二分类即把具有多个特性（属性）的数据分为两类，目前主流机器学习算法中，神经网络等其他机器学习模型已经能很好完成二分类、多分类，学习和研究SVM，理解SVM背后丰富算法知识，对以后研究其他算法大有裨益；在实现SVM过程中，会综合利用之前介绍的一维搜索、KKT条件、惩罚函数等相关知识。本篇首先通过详解SVM原理，后介绍如何利用python从零实现SVM算法。
     实例中样本明显的分为两类，黑色实心点不妨为类别一，空心圆点可命名为类别二，在实际应用中会把类别数值化，比如类别一用1表示，类别二用-1表示，称数值化后的类别为标签。每个类别分别对应于标签1、还是-1表示没有硬性规定，可以根据自己喜好即可，需要注意的是，由于SVM算法标签也会参与数学运算，这里不能把类别标签设为0。

2.仿真效果预览
matlab2022a仿真结果如下：

第一步：读取图片视屏序列

function [n_frames,I3] = func_readvedio(folder,list);

n_frames = 0;

for i=1:length(list)

I  = imread(fullfile(folder,list(i).name));

I2 = rgb2gray(uint8(I));

I3(:,:,i) = I2;

n_frames  = n_frames + 1;

end

这样写可以专门用来读取连续编号的图片序列作为视屏。

第二步：提取背景

对应的代码如下所示：

//以上就是求解图像的差分

CDM(1:rows,1:cols,2:frames) = d(1:rows,1:cols,2:frames);

CDM(abs(CDM) < T)=0;

CDM(abs(CDM) >= T)=255;

//求CDM值

m=0;

for i=1:rows

for j=1:cols

    for k=2:frames

         if CDM(i,j,k) == 0

         m(k)=1;

         end

         if CDM(i,j,k) == 255

         m(k)=rand(1);

         end         

    end

         position(i,j) = func_position(m);

end

end

//获得背景

第三步：当前图片与背景的差

function images2 = func_subbackground(image,back,frames,T2);

rows = size(image,1);

cols = size(image,2);

for k=1:frames

images(1:rows,1:cols,k)  = back(1:rows,1:cols)-image(1:rows,1:cols,k);  

images2(1:rows,1:cols,k) = im2bw(images(1:rows,1:cols,k),T2); 

end
这里求解差，并将得到的结果求二值图

第四步：形态学处理

rows = size(image,1);

cols = size(image,2);

for k=1:frames

 images3(1:rows,1:cols,k)=bwareaopen(image(1:rows,1:cols,k),10);

end
这里我们主要将视屏中的个别噪点去掉使画面更加’干净’；

第五步：边缘检测

function images = func_edgecheck(image,frames);

rows = size(image,1);

cols = size(image,2);

for k = 1:frames

for i=2:rows

   for j=2:cols

     if image(i,j,k)==1 &&(image(i+1,j,k)==0||image(i-1,j,k)==0||image(i,j+1,k)==0||image(i,j-1,k)==0)

     images(i,j,k)=255;

     else

     images(i,j,k)=0;

     end

   end

end

end

普通边间求解法

统计人员像素并分析出对应的密集度。

3.MATLAB核心程序

list       = dir('Vedio\02\*.jpg');
level      = 60;
level2     = 0.25;
level3     = 8000;%用来区分低密度还是中高密度的门限值
level4     = 1200;
flag       = 0;%1:低密度，0：高密度
density    = 1;%定义一个密度变量，记录不同时刻的密度变化
 
 
%step1:读取图片序列
[n_frames,I3] = func_readvedio(folder,list);
%step2:提取背景
back3 = func_getbackground(I3,n_frames,level);
rows = size(I3,1);    
cols = size(I3,2); 
clear  folder list;
 
%由于是基于视屏的，所以下面采用一个循环的处理方法进行处理，每次只处理一个图片
for k = 1:n_frames%下面的处理都是基于逐帧的
    disp('当前帧数');k
    %step3:背景差
    images2(1:rows,1:cols,k) = func_subbackground(I3(1:rows,1:cols,k),back3,level2); 
    %step4:形态学处理
    images3(1:rows,1:cols,k) = func_Xintai(images2(1:rows,1:cols,k)); 
    %step5:统计前景像素数目
    Num(k) = func_pixel(images3(1:rows,1:cols,k));
    
    
        %低密度
        %低密度
        %低密度
        %低密度
        if Num(k) < level3%说明是低密度
        flag       = 1;    
            %step6:边缘检测
            images4(1:rows,1:cols,k) = func_edgecheck(images3(1:rows,1:cols,k));
            %step7:统计前景边缘像素数目
            Num2(k) = func_pixel(images4(1:rows,1:cols,k));
            
            
              if Num2(k) <level4
              disp('人口密度很低，密度等级：1');    
              density(k) = 1;
              else
              disp('人口密度低  ，密度等级：2'); 
              density(k) = 2;
              end    
    
        end
        %高密度
        %高密度
        %高密度
        %高密度        
        if Num(k) > level3%说明是中高密度
        flag       = 0;    
        %人群密度特征提取
        d=1;
        [Energy8_0(k),Contrast8_0(k),Correlation8_0(k),Homogeneity8_0(k)] = func_different_L_features(images3(1:rows,1:cols,k),k,d); 
        
        
        
        level = 8;    
        %选取0度和90度的作为训练数据
        [train1_data_0,train1_data_90,train2_data_0,train2_data_90,test_data_0,test_data_90]=func_loaddata(level);
        %high_low = 1; %中密度分类值
        %high_low = -1;%高密度分类值
        %输出结果为error=1，说明不是该类；输出为0，说明属于某类型
        %0度数据的训练
        [error01,Output01] = func_classifer(train1_data_0,train2_data_0,test_data_0,1);
        [error02,Output02] = func_classifer(train1_data_0,train2_data_0,test_data_0,-1);
        %90度数据的训练
        %[error901,Output901] = func_classifer(train1_data_90,train2_data_90,test_data_90,1);            
        %[error902,Output902] = func_classifer(train1_data_90,train2_data_90,test_data_90,-1);     
            if error01 == 0 & error02 == 1   
            disp('人口密度高  ，密度等级：4');
            density(k) = 4;
            end
            if error01 == 1 & error02 == 0
            disp('人口密度中  ，密度等级：3');
            density(k) = 3;
            end
        end    
        figure(1);
        imshow(I3(1:rows,1:cols,k));
        title(['人口密度等级',num2str(density(k))]);
        drawnow
end
 
 
if flag == 1
figure;    
%1随帧数变化前景像素数变化曲线
subplot(211);plot(Num,'b-*');title('随帧数变化前景像素数变化曲线');
 
 
%3前景人数与人数的拟合曲线
%曲线拟合
xdata1=1:length(Num);
a1=polyfit(xdata1,Num,1);
y1=polyval(a1,xdata1);
%人数曲线拟合
x1=1:8;
y1=5*a1(1)*x1+a1(2);
subplot(212);plot(y1,x1,'r-*');
title('前景人数与人数的拟合曲线');
 
end