人群密度估计研究及其在医院中的应用
第一章绪论
1.1课题研究背景及意义
1.1.1人群密度估计的意义
人群密度估计具有十分重要的研究意义和社会价值，主要包括：
1.交通调度。对公交站、地铁站和火车站等区域的乘客数量进行估计，分析不同时段的客流情况，不仅可以为工作人员制定合理的工作计划提供帮助，还可以为交通调度提供数据支持，有助于相关部门制定更加有效的车次安排和调度计划。
2.市场调查。对货架前顾客的密度进行估计，可以知道顾客对哪些商品比较感兴趣，有助于管理者合理安排货物摆放顺序，不仅可以减轻人工调查的工作量，还能进一步提高货品销售量。
3.建筑设计。对建筑物内的人群进行密度估计，可以分析出人群的分布规律和运动范围，可适当加固人群容易聚集的区域（如电梯），设置合理的安全通道，为建筑物的设计和施工提供参考，提高建筑物的实用性和安全性。
4.人群安全。对一些容易发生人群聚集的公共场所如大型广场、大型体育场、大型娱乐中心、医院、电影院进行实时的人群密度检测，对于人群拥挤情况及时预警并通知管理者采集相应措施，对于提高人群安全具有重要意义。
1.2本文的组织结构
本文的具体组织结构如下：
第一章，绪论：介绍了人群密度估计的研究背景、意义以及研究现状，然后介绍了本文的工作和组织结构。
第二章，人群密度估计方法与密度等级分类的研究：分析研究了目前常用的三种人群密度估计方法的原理和发展现状，然后对密度分类标准进行简易介绍。
第三章，人群图像的前景目标提取：研究了前景目标的提取过程，对几种常用的背景建模方法进行研究，采用改进的背景建模方法提取背景模型。分析了背景减除后的二值化处理，采用灰度直方图的方法提取得到完整的前景目标。
第四章，基于像素特征与最小二乘曲线拟合的低人群密度估计方法：对低密度情况下的密度估计方法进行研究，研究了常用边缘检测算子和基于二值图像的边缘提取方法并进行实验分析。介绍了最小二乘曲线拟合的数学理论和拟合过程，并对低密度图像进行人数估计实验。
第五章，基于灰度共生矩阵与支持向量机的人群密度估计方法：对高密度情况下的密度估计方法进行研究，研究了灰度共生矩阵的计算原理、参数选择和特征提取方法。介绍了支持向量机数学理论和推导过程，并对人群图像进行分类训练和测试。
第六章，人群密度估计在医院中的应用：研究了医院场景下的人群监测方法，采用一种基于分块的方法，并介绍其算法流程。介绍了子图像的划分方法，并对基于分块的方法进行实验分析。
第七章总结与展望。对论文的研究成果进行总结，并指明下一步的研究方向。
第二章人群密度估计方法与密度等级分类的研究
2.1概述
人群密度估计就是对某一视频监控范围内人数的估计，在广场、车站、医院等大型公共场合下对人群密度进行估计和监控具有十分重要的意义。早期，人们一般都是采用人工计数的方法来估计人群密度，但其工作量极大、效率低下、不能进行定量判断和主观性较强的缺陷严重影响了密度估计在生活中的应用。随着机器视觉、图像处理和视频分析等相关技术的发展，利用数字图像处理来对监控区域进行自动的智能化人群密度估计已经成为国内外学者研究的重点。
自从Davies等人于1995年提出利用视频图像处理技术进行人群密度智能化估计以来，国内外学者对人群密度估计进行了深入的研究，提出了很多可行方法。根据人群密度特征的不同表征形式，通常将人群密度估计方法分为三种：基于像素统计的方法、基于纹理分析的方法和基于目标分析的方法。基于像素统计的方法主要将人群目标的像素特征（主要包括人群目标的像素数量特征和边缘像素数量特征）作为人群密度特征，利用这些像素特征与图像中的实际人数建立对应的函数关系，然后统计需要估计的人群密度图像中的像素特征，利用对应的函数关系计算人群数量。基于纹理分析的方法是将图像的纹理特征作为密度特征，其基本思想是不同密度的人群图像表现出不同的纹理模式，根据图像的纹理模式就可以对人群进行密度分类。上述两种方法是当前主流的算法，拥有丰富的研究成果。而基于目标分析的人群密度估计方法主要是对图像中的人体进行分割，根据目标的颜色、运动方向、大小和形状等信息进行个体分割来对图像中的人群密度进行估计。这三种人群密度估计方法都有各自的优缺点，需要根据不同的场景选择合适的方法，下面就详细介绍一下这三种方法。
2.2基于像素特征的人群密度估计方法
像素特征是人群图像中相对十分有效的一种人群密度特征，基于像素统计的方法就是对这个特征进行分析处理，其基本思想为：人群密度越高的图像中，人群目标所占的前景区域中的像素点个数也就越多，而且人群目标的边缘像素点的个数也越多，通过训练就可以建立这两个像素特征和实际人群密度之间的对应关系，利用这个对应关系就能计算出待测图像中的人群密度。
1995年，davies等人针对人工计数的方法存在效率低下、工作量大且精度不高等缺点，提出了一种基于像素特征自动估计人数的方法，其主要理论依据就是图像中的人群数量与前景目标所占像素点数量多少存在较强的线性关系。该算法主要需要计算两个像素统计特征，其具体过程如下。
1.将人群目标的前景像素个数作为人群密度特征，利用背景减除法去除图像中的背景信息，将人群目标分割出来，然后计算前景像素点数量。2.将人群目标的边缘像素个数作为人群密度特征，提取人群目标的边缘，并计算边缘像素点的数量。
算法流程如如图2.1所示：
第三章人群图像的前景目标提取........11
3.1概述...........11
3.2人群目标前景提取..........11
3.3人群图像背景提取.......12
第四章基于像素特征与最小二乘曲线拟合的低人群密度估计.........20
4.1概述........20
第五章基于灰度共生矩阵与支持向量机的高人群密度估计..........30
5.1概述.........30
第六章人群密度估计在医院中的应用
6.1概述
近年来，随着我国医疗改革制度的不断深化以及就医便民措施的日益普及，我国的医院就诊人数出现井喷式;地增长，各类大型综合性医院一号难求、人满为患的现象尤为突出。就诊人数的增多导致医院内人群聚集，密度增大，势必会影响到医院的正常运行，对医院的就医环境和医疗秩序产生隐患。另一方面，现有医疗水平的限制与人们对医生的误解和偏见导致医患关系愈发紧张，由此而引发的群体性事件日益频发，对医院的正常就医秩序和医护人员的人身安全产生严重威胁。因此，结合先进的图像处理和机器学习等计算机技术，通过智能化的分析监控图像，对医院内的人群密度进行实时监测，对突发的群体性事件和密度异常区域进行及时预警并及时采取措施疏散人群，对于合理分配医疗服务资源，维护就医秩序，保障就医环境具有十分重要的意义。
由于在医院的实际监控场景中，常常会出现整幅图像的人群数量不多，但局部人群过密的情况，不管是采用基于像素特征与最小二乘曲线拟合的低人群密度估计方法还是采用基于灰度共生矩阵与支持向量机的高人群密度估计方法都无法准确有效的估计人群密度，因此，本文根据医院的实际应用场景，结合上文对人群前景目标提取和不同密度情况下的密度估计研究，采用一种基于分块的人群密度估计方法对医院人群进行实时监测。该方法利用摄像机投影透视模型将监控图像划分为若干个子图像，然后对每一个子图像进行人群密度估计，最终得到图像的密度分布图。根据该密度分布图，医院管理者就可以快速准确的获悉出现人数异常的具体位置，及时采取应急措施，对医院的安全预警提供有力的帮助。
第七章总结与展望
7.1研究工作总结
本文对目前常用的基于像素统计与基于纹理分析的人群密度估计方法进行了研究并对相关算法进行一定的改进，并将改进后的方法应用到医院的实际场景中，实现对医院的实时人群监测。根据对医院的监控视频图像进行实验验证，本文采用的基于分块的方法能够有效的进行人群密度估计，准确度高，处理速度快，可以满足实时性的需求，能够在实际场景中应用。
1.在背景提取方面。针对高斯建模法时间复杂度较高，平均背景法进行背景提取时没有区分背景和前景导致背景灰度不均匀，基于帧差的方法在帧间差分时会残留部分前景目标导致背景提取不整洁等问题，采用一种结合平均背景和帧间差分的方法来建立背景模型并进行自适应更新。该方法在背景提取过程中利用帧间差分区分出前景和背景，然后对背景区域进行相应的灰度值累加平均，能有效的避免前景目标对背景提取的影响，在较短时间内提取出整洁的背景图像。
2.在背景减除方面。利用提取出的整洁背景对输入视频帧进行背景减除二值化时，阈值的选取会影响前景目标提取的完整性和准确度。本文根据实际的应用场景，针对人工固定阈值无法有效提取前景的问题，采用基于灰度直方图的方法进行二值化，并进行相应的数学形态学处理，最终得到有效的前景目标。
3.在低密度人群人数定量估计方面。本文在基于像素统计方法的研究基础上进行改进，采用一种基于像素特征与最小二乘曲线拟合的方法进行人群密度估计。该方法主要采用前景目标的像素面积和边缘像素个数这两个像素特征，并分别对人群人数进行最小二乘曲线拟合。本文针对前景像素面积和前景边缘像素数量对人群人数的贡献大小不同的问题，对两个像素特征估计出的人群人数进行加权平均，进一步提高了人数定量估计的准确度。
参考文献（略）