基于灰度共生矩阵的密集人群人数估计

doi:10.3778/j.issn.1002-8331.2008.28.056

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (28): 169-171.DOI: 10.3778/j.issn.1002-8331.2008.28.056

• 图形、图像、模式识别 • 上一篇下一篇

基于灰度共生矩阵的密集人群人数估计

郭森¹,严和平²,柳伟¹

1.深圳信息职业技术学院，广东深圳 518029
2.中国人民解放军75771部队，广州 510540

收稿日期:2008-05-30 修回日期:2008-07-25 出版日期:2008-10-01 发布日期:2008-10-01
通讯作者: 郭森

Crowd density estimation based on Grey Level Dependence Matrix

GUO Sen¹,YAN He-ping²,LIU Wei¹

1.Shenzhen Institute of Information Technology，Shenzhen，Guangdong 518029，China
2.No 75771 Unit of PLA，Guangzhou 510540，China

Received:2008-05-30 Revised:2008-07-25 Online:2008-10-01 Published:2008-10-01
Contact: GUO Sen

摘要/Abstract

摘要： 从统计学的角度研究了开阔场所中密集人群估计的方法。首先基于场景图像的灰度共生矩阵提取16个特征，构建训练样本的特征矩阵。然后应用主成份分析方法找出其中最为有效的几项特征指标，利用回归分析的方法找出特征指标与人群数量之间的相关关系，建立统计模型，进而运用该模型估计场景图像中的人群数量。通过实验证明了该方法的有效性。

关键词: 人数估计, 密集人群, 灰度共生矩阵

Abstract: This paper discusses people counting of crowd open scene according to statistics.Firstly，16 features of texture of scene image is obtained based on grey level dependence matrix which is called feature vector，and feature matrix is constructed based on those vectors.Then the most significant features are taken based on principal component analysis and the statistical model of number of people which are included in image according to feature vector is built.At last，people are counted based on those statistical models.According to the experiments，the results show that this method is efficient and feasible.

Key words: people counting, crowd scene, grey level dependence matrix

郭森¹,严和平²,柳伟¹. 基于灰度共生矩阵的密集人群人数估计[J]. 计算机工程与应用, 2008, 44(28): 169-171.

GUO Sen¹,YAN He-ping²,LIU Wei¹. Crowd density estimation based on Grey Level Dependence Matrix[J]. Computer Engineering and Applications, 2008, 44(28): 169-171.

[1]	宗晓萍，田伟倩. 采用K-means的脑肿瘤磁共振图像分割与特征提取[J]. 计算机工程与应用, 2020, 56(3): 187-193.
[2]	汪娟1, 刘哲1, 宋余庆1, 陈香远2. 基于改进的GLCM甲状腺纹理特征提取与分析[J]. 计算机工程与应用, 2018, 54(23): 176-182.
[3]	罗三定，彭琼，李婷. 瓷砖图像的纹理特征分类研究[J]. 计算机工程与应用, 2016, 52(8): 196-200.
[4]	张永库，李云峰，孙劲光. 基于多特征高效索引的图像检索[J]. 计算机工程与应用, 2016, 52(7): 181-185.
[5]	朱黎辉，李晓宁. 基于多特征组合的球形果蔬智能分选方法[J]. 计算机工程与应用, 2016, 52(5): 173-178.
[6]	熊国萍. SUSAN边缘响应值灰度化转共生矩阵检索[J]. 计算机工程与应用, 2016, 52(5): 225-230.
[7]	张人上. 基于NSCT-GLCM的CT图像特征提取算法[J]. 计算机工程与应用, 2014, 50(11): 159-162.
[8]	张伟伟，何凯，孟春芝. 自适应选取样本块大小的纹理合成方法[J]. 计算机工程与应用, 2012, 48(17): 170-173.
[9]	龙海翔1，2，高鑫1，刘蓉2. 基于纹理和边缘的SAR图像多维SVM回归[J]. 计算机工程与应用, 2011, 47(31): 175-178.
[10]	施建宇1，雷朝霞2，方智裕3. 利用灰度纹理分析方法识别蛋白质空间结构[J]. 计算机工程与应用, 2011, 47(20): 151-154.
[11]	谢盛嘉，梁竞敏. 信息熵和信息瓶颈算法在图像聚类中的应用[J]. 计算机工程与应用, 2010, 46(34): 187-190.
[12]	杨清跃，高飞，聂青. 纹理图像识别中的旋转不变性分析[J]. 计算机工程与应用, 2010, 46(33): 205-207.
[13]	王辉，杨林，丁金华. 基于特征级数据融合木材纹理分类的研究[J]. 计算机工程与应用, 2010, 46(3): 215-218.
[14]	胡鸿豪，宋丽平，肖绚. 元胞自动机图的蛋白质二级结构类型预测 [J]. 计算机工程与应用, 2010, 46(15): 226-229.
[15]	程起才，王洪元，施连敏. 改进的模糊CMAC神经网络 [J]. 计算机工程与应用, 2009, 45(23): 182-185.

基于灰度共生矩阵的密集人群人数估计

Crowd density estimation based on Grey Level Dependence Matrix

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics