1.完整项目描述和程序获取
>面包多安全交易平台:https://mbd.pub/o/bread/Y56Xm55v
>如果链接失效，可以直接打开本站店铺搜索相关店铺：
>如果链接失效，程序调试报错或者项目合作也可以加微信或者QQ联系。
2.部分仿真图预览
3.算法概述
行人检测技术已经成为计算机视觉领域的关键研究方向。行人检测的最重要的任务就是对行人目标进行准确定位。行人检测技术有很强的使用价值，可以与多人跟踪、行人重识别等技术结合，应用于汽车无人驾驶系统、智能机器人、智能视频监控、人体行为分析、人流量统计系统、智能交通领域。
目前的行人检测任务主要为基于图像特征的方法。基于图像特征的方法，主要通过手动构造行人特征，如hog等，再结合svm、adaboost等分类器训练检测器来实现行人检测。在实际场景下，多个行人与摄像头之间的距离远近不一，摄像头捕获的图像中行人尺寸不同，而现有检测过程中的特征尺寸单一，无法覆盖所有的待检测行人尺寸，出现漏检情况，导致检测效果不佳。另外，在密集人群场景下，行人之间会出现重叠情况，检测出多个目标的候选区域框距离比较近时，在最终去掉重复任务的检测框时，容易误除，导致密集行人检测效果不佳。
4.部分源码
folder = 'Vedio\02\';
list = dir('Vedio\02\*.jpg');
level = 60;
level2 = 0.25;
level3 = 8000;%用来区分低密度还是中高密度的门限值
level4 = 1200;
flag = 0;%1:低密度，0：高密度
density = 1;%定义一个密度变量，记录不同时刻的密度变化
%step1:读取图片序列
[n_frames,I3] = func_readvedio(folder,list);
%step2:提取背景
back3 = func_getbackground(I3,n_frames,level);
rows = size(I3,1);
cols = size(I3,2);
clear folder list;
%由于是基于视屏的，所以下面采用一个循环的处理方法进行处理，每次只处理一个图片
for k = 1:n_frames%下面的处理都是基于逐帧的
disp('当前帧数');k
%step3:背景差
images2(1:rows,1:cols,k) = func_subbackground(I3(1:rows,1:cols,k),back3,level2);
%step4:形态学处理
images3(1:rows,1:cols,k) = func_Xintai(images2(1:rows,1:cols,k));
%step5:统计前景像素数目
Num(k) = func_pixel(images3(1:rows,1:cols,k));
%低密度
%低密度
if Num(k) < level3%说明是低密度
flag = 1;
%step6:边缘检测
images4(1:rows,1:cols,k) = func_edgecheck(images3(1:rows,1:cols,k));
%step7:统计前景边缘像素数目
Num2(k) = func_pixel(images4(1:rows,1:cols,k));
if Num2(k) <level4
disp('人口密度很低，密度等级：1');
density(k) = 1;
else
disp('人口密度低 ，密度等级：2');
density(k) = 2;
end
end
%高密度
%高密度
if Num(k) > level3%说明是中高密度
flag = 0;
%人群密度特征提取
d=1;
[Energy8_0(k),Contrast8_0(k),Correlation8_0(k),Homogeneity8_0(k)] = func_different_L_features(images3(1:rows,1:cols,k),k,d);
level = 8;
%选取0度和90度的作为训练数据
[train1_data_0,train1_data_90,train2_data_0,train2_data_90,test_data_0,test_data_90]=func_loaddata(level);
%high_low = 1; %中密度分类值
%high_low = -1;%高密度分类值
%输出结果为error=1，说明不是该类；输出为0，说明属于某类型
%0度数据的训练
[error01,Output01] = func_classifer(train1_data_0,train2_data_0,test_data_0,1);
[error02,Output02] = func_classifer(train1_data_0,train2_data_0,test_data_0,-1);
%90度数据的训练
%[error901,Output901] = func_classifer(train1_data_90,train2_data_90,test_data_90,1);
%[error902,Output902] = func_classifer(train1_data_90,train2_data_90,test_data_90,-1);
if error01 == 0 & error02 == 1
disp('人口密度高 ，密度等级：4');
density(k) = 4;
end
if error01 == 1 & error02 == 0
disp('人口密度中 ，密度等级：3');
density(k) = 3;
end
end
figure(1);
imshow(I3(1:rows,1:cols,k));
title(['人口密度等级',num2str(density(k))]);
drawnow
end
if flag == 1
figure;
%1随帧数变化前景像素数变化曲线
subplot(211);plot(Num,'b-*');title('随帧数变化前景像素数变化曲线');
%3前景人数与人数的拟合曲线
%曲线拟合
xdata1=1:length(Num);
a1=polyfit(xdata1,Num,1);
y1=polyval(a1,xdata1);
%人数曲线拟合
x1=1:8;
y1=5*a1(1)*x1+a1(2);
subplot(212);plot(y1,x1,'r-*');
title('前景人数与人数的拟合曲线');
end
10_007_m
