人群密度估算是数字图像处理和计算机视觉中的一个重要研究方向，利用计算机视觉估 算场景中独立个体的数量。首先通过数学模型得到人群密度特征向量，然后将特征向量与场 景人数建立映射关系，有分类和回归两种方法完成这一任务。常用的人群密度特征模型分为 三类：1）基于像素的分析；2）基于纹理的分析；3）基于对象的分析[1]。77753

基于像素的方法是最早使用的人群密度估计方法，这一方法依赖于局部特征（如通过背 景减除模型或者边缘检测获得的单个像素），可用于静态图像和连续的动态图像的密度估计。

其原理在于：人群密度越高，图像分离出来的前景人群像素占所有像素的总和越高，这是在 1995 年由 Davie[2]人提出，他们还发现人群前景边缘像素数和人群前景像素总数是线性相关 的。1999 年 Chow[3]等学者在这一基础上改用基于混合全局学习算法的神经网络进行分类， 2002 年 Chow[4]加入了人体模板匹配模块进行改进，提升了系统性能。2001 年 Paragios[5]等学 者提出了基于马尔科夫随机场（MRF，Markov Random Field）的实时人群密度估计方法。总 体来讲，基于像素的人群密度估算方法实现简单，计算量较小，但在人群有严重遮挡现象或 者人群密度较高时，因为像素的线性相关性降低从而出现较大的误差。

针对于基于像素方法的缺点，1998 年 Marana[6]提出了基于纹理建模的方法，其基本思想 为不同密度的人群图像块对应的纹理模式不同：低密度的人群在纹理上表现为粗模式、高密 度的人群表现出细模式。这一方法目前又可细分为统计法、频谱法、线性判断和分形维数四 种[7]。下面分别对四种方法进行介绍。

1) 统计法是最常用的纹理统计方法，其基本原理是通过描述纹理基元及局部模式的随机和空间统计特征，表征图像各区域的相似性和差异性。其代表方法有 20 世纪 70 年 代 Haralick[7]等人提出的灰度共生矩阵（GLCM，Gray Level Co-occurrence Matrix）， 统计图像中具有特定关系的两个像素的联合分布密度概率。其优点在于能够很好的 反映图像空间的灰度分布状况，但是计算量会较大，这一问题主要是由图像的灰度等 级决定，因此在不影响识别率的情况下，会适当压缩图像的灰度等级。论文网

2) 频谱法[8]基于某种滤波器或者线性变换将纹理转换到变换域，然后应用某种能量准则 提取纹理特征。傅里叶分析法（Fourier Spectrum）[6]是频谱法中代表性方法，这一方 法主要基于图像频域能量与纹理的平滑程度是线性相关，粗纹理的能量集中于低频， 而细纹理的能量集中于高频，但该方法存在正确率较低的缺点。

3) 线性判断基于结构进行分析处理，其代表方法是直线分隔法（Straight Line Segment） [6]。该方法通过对图像进行 Hough 变换之后进行直线分隔，然后提取纹理的一阶统 计特征。这种方法最大问题在于对图像进行分割需要的计算量太大，很容易占用大量 时间。

4) 分形维数（Fractal）[9]主要思想在于纹理的平滑程度与图像的分形维数紧密相关，通 常情况下粗糙图像的分形维数接近 3，平滑图像的分形维数接近 2。首先对图像进行 边缘检测得到二值图像，然后根据不同大小的结构，用 1 到 n 来量度二值图像的膨 胀水平，最后利用分形维数来进行分类。该方法优点在于只需要一个分形维数一个特 征量，但是准确率不高，特别是对于高密度和很高密度的人群的情形。

基于对象的分析通常用于检测场景中的单个对象，通过检测人体特征来估计人群密度。 Lin[10]提出了一种利用三个阶段估计人群密度的算法，通过小波变换提取个体头部特征来定位 个体。基于对象的分析以目前的科技水平来讲，很难解决遮挡对识别个体带来的影响，因此 对于中高密度人群，这一方法并不适用。