现实场景下排队人数估计技术研究

来源 :中国科学院大学 | 被引量 : 0次 | 上传用户:roamer_wsj
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
排队是人类生活中十分常见的现象,当公共服务不能同时满足多个人的需求时,人们就要进行排队等待。人数估计作为排队现象中最基本、最关键的问题,具有重要的实际应用价值。例如,根据本文提出的方法实现的出租车站排队人数估计系统,可以实时查询车站等待人数,从而合理有效的调配出租车。  本文采用计算机视觉领域的多种技术,从已有的监控视频或实时视频流中估计排队区域内的人数。解决这个问题的难点在于实际环境下复杂的拍摄视角、目标遮挡以及复杂多变的人体姿态对人数估计的影响。国内外针对人数估计的研究大多基于纹理特征、局部特征或动态特征来估计人数,应用于广场、街道等比较大的场景,视角比较广,人在区域内所占范围较小。而本文关注的排队场景(如车站、银行、超市等)视角较窄,遮挡较为严重,目前的相关研究成果并不多见。  本文针对排队场景中存在的难点,利用计算机视觉领域的检测、跟踪、背景减除、深度估计等技术,设计并实现了若干个排队人数估计方法。本文的主要贡献如下:  (1)提出一种基于人脸检测的人数估计方法。对于从侧前方拍摄的队列,采用基于人脸检测的方法来估计人数。本文使用的人脸检测器是基于Haar特征,利用瀑布型分类器来进行检测,并利用基于LAB特征的分类器作为预处理加速检测过程。采用队列分段的方法有效去除遮挡,提高对多变人体姿态的鲁棒性;尝试掩模处理来提高估计方法的速度与精度。  (2)提出一种基于人体检测的人数估计方法。对于从正前面或背面拍摄的队列,使用基于人体检测的方法来估计人数。本文利用的是HOG特征和级联分类器来训练人体检测器,利用检测结果的颜色信息和时空连续性去除不稳定误检。  (3)提出一种基于排队区域的人数估计方法。当排队区域比较固定时,可以使用基于排队区域的方法估计人数。把排队区域划分成检测区域、排队区域和非排队区域。利用背景减除和跟踪手段对目标进行跟踪,当其完全进入或离开排队区域后,更新排队人数。  (4)提出一种基于深度信息的人数估计方法。针对顶部部署摄像头,排队队列比较混乱的情景,本文提出了基于深度信息的人数估计方法。通过Kinect结构光得到深度信息后,利用高度差做阈值处理,对前景中人体轮廓的连通区域进行统计,从而进行人数估计。
其他文献
现代社会,信息是人类宝贵的资源,以数据库为核心的信息系统在人们的生活工作中的作用越来越重要。因此,数据库技术得以成为计算机科学技术中发展最迅速的领域之一,它已成为计算
随着用户信息需求的不断增长,需要目前的web检索系统能够为用户提供更加有效、更富个性化的检索服务。其中问答式信息检索作为一种能够接受用户自然语言提问,并返回问句直接答
随着我国高等教育改革的不断深化和办学规模的不断扩大,工作难度越来趔大,任务越来越重,原有的传统的管理手段无法适应现实需要。落户的管理手段会直接影响到了教学质量和办学水
空间数据挖掘是从空间数据库中提取隐含的、用户感兴趣的空间和非空间的模式、普遍特征、规则和知识的过程。由于空间数据的复杂性及其应用的专业性,一般的数据挖掘理论和方法
数据挖掘,也可以称为数据库中的知识发现(KDD),是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和
数据挖掘是数据库技术发展,目前己经成功地应用于各个领域,但大部分集中在银行、金融、大型商业数据库等赢利性领域中,在高校、政府等一些非赢利性机构中应用很少。智能自测试系
应用程序中变量和数据源之间的结合方式、对应关系以及变量取值和数据项之间的相互转换过程是持久化过程需要考虑的重要问题,它直接体现了数据在应用特定的语境中的语义,即所谓
近年来,在高性能计算(HPC)领域,气象预测、地震监测、基因数据处理等并行应用对计算能力的需求越来越高。如何对HPC并行应用进行快速部署和便捷性维护成为一个急需解决的问题。
随着互联网应用和计算模式的日益丰富以及社会对互联网依赖程度的增强,互联网接入方式和网络功能定位都发生了巨大的改变,现行TCP/IP体系结构已经无法满足互联网持续发展的需求
Java应用具有良好的跨平台特性,广泛应用于服务器领域。Java虚拟机作为Java程序赖以运行的基础平台,对Java应用执行效率的影响至关重要。随着虚拟机由32位向64位过渡,服务器软件