（1）研究方案。
人群密度是判断突发人群聚集事件的一个重要指标，对于高密度非法聚集等异常行为进行监控，可以先对运动前景进行检测，然后对被监控场景的人群密度特征进行提取，将获取的特征输入到模式识别分类器中（如SVM 支持向量机），由已训练好的分类器来判断是否发生了非法人群聚集事件，分析流程图如图5-21所示。
（2）研究方法与研究过程。
按照研究方案，非法聚集检测算法的具体研究过程如下。
图5-21 人群密度分析流程图(www.xing528.com)
①分类特征的选取。灰度共生矩阵通过研究灰度的空间相关性对纹理进行描述，它是像素距离和角度的矩阵函数，通过计算图像中一定距离和一定方向的两点灰度之间的相关性，来反映图像在方向、间隔、变化幅度及快慢上的综合纹理信息。我们选用灰度共生矩阵的能量、对比度、自相关度和逆差矩四个分量作为图像纹理的分类特征参数。
②模式识别分类器的构建。利用支持向量机解决小样本分类回归的特点，通过样本的训练学习，构造支持向量机二分类机，将某一类训练样本同其他样本区别分出，通过层叠嵌套的二分类机有机结合，实现支持向量机多分类机，最终达到人群密度的多种分类要求。
（3）研究结果。
我们利用Matlab 编程实现了人群密度分析算法。在实验仿真中，采用在校园上下课高峰中拍摄的视频共300 段进行分析，将视频按照人群密度分为稀疏、正常和密集三类，并从中随机各选取50 段视频作为训练样本，50 段视频作为测试样本。用灰度共生矩阵对图像纹理进行能量、对比度、自相关度和逆差矩四个量的分析，角度取0 °，45 °，90 °和135 °四个值，最终得到的测试结果如表5-3所示。从实验结果中可以看出，利用灰度共生矩阵能够较好地获取图像纹理信息，实现的分类效果明显，正确率较高，达到了93.33%。算法的误判主要出现在分类的临界点处，通过增加临界点的样本量能够对准确率有所提升。
表5-3 人群密度分类实验表
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
