数字图像处理作业题目：目标分割和分类讨论学号：1020240073：林佰柱 导师：邦兴学院： 电子与信息工程学院专业： 通信与信息系统 联系方式：摘要随着现代交通迅猛进展和人民的生活水平提高，在地铁等复杂场景的客流安全成为日益重要的问题。目前，国人群密集区域密集程度猎取和人员安全等都是通过工作人员监控摄像机或者实地监控实现的。长时间的监控，容易导致工作人员身心疲乏，并严重浪费人力和物力等。本文对地铁等密集场所信息提取具有实际应用意义。得益于现代计算机技术的飞速进展，通过计算机技术来解决此问题已成为一种可能。在复杂场景下通过计算机和视频处理技术，可以获得场景中人群的密度、流量和速度等信息。该方法只需摄像头、板卡和计算机等硬件设备，维护升级方便。本文对图像密度等级分类、人脸检测和人脸跟踪技术展开深化讨论，分析比较了各种算法的优缺点，并提出了多种改进算法。本文主要分为三个模块，图像密度等级分类、人脸检测和人脸跟踪。对于图像密度等级分类模块，根据单位空间人群数量，将图像分为低密度、中低密度、中等密度、中高密度和高密度五个等级。目前常采纳的算法为首先对图像进行特征提取，然后神经网络对特征提取的结果进行分类。本文主要依据灰度共生矩阵(Grey Level Dependency Matrix, GLDM)来对图像进行特征提取，针对此特征提取算法不足之处，本文提出了特征提取的改进方法，并采纳独立成分分析(Independence Component Analysis, ICA)聚类算法对特征结果进行聚类，再应用神经网络对聚类结果进行分类。对于人脸检测模块，主要应用 AdaBoost 算法对人脸进行检测，以此来达到计算流量的目的。在人脸跟踪模块，对人脸平面进行标定，并针对人脸平面标定点较少等难点，本文提出了一种对标定点要求少、简单但是准确性高的标定算法。根据人脸检测模块得到的结果，使用改进的匹配算法对人脸进行跟踪。本文主要针对地铁等复杂场景，对图像密度等级分类；通过人脸检测达到计算流量的目的；并对图像进行标定和对人脸进行跟踪来计算人群速度。大量的现场数据实验结果表明，本文所采纳的算法的密度等级分类、流量统计和速度计算的准确率均达到 93%以上，具有一定的有用价值。关键词：复杂场景，密度等级分类，特征提取，人脸检测，人脸跟踪第 1 章 绪论本章主要介绍了课题的选题背景与实际意义，系统介绍了人群密度等级分类、人脸检测和人脸跟踪等技术的进展现状和主要难点，最后介绍本文主要工...
