TELKOM NIKA , Vol.12, No .4, Dece mbe r  2014, pp. 86 5~8 7 4   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v12i4.362    865      Re cei v ed Se ptem ber 1, 2014; Re vi sed  No vem ber 5,  2014; Accept ed No vem b e r  20, 2014   Large Crowd Count Ba sed on Improved SURF  Algorithm      Haining Zha ng* 1 , Huanbo Gao 2   Schoo l of Elect r onic Informati on Eng i n eeri n g ,  Xi' an T e chnol og y Un iversit y   2 Xuefuzh o n g l u  Avenu e,W e i y ang D i strict, Xi' an 71 00 21, Chi n a   *Corres p o ndi n g  author, e-ma i l : zhn19 64@ 16 3.com 1 , 1198 3 096 86@ qq.co m 2       A b st r a ct   T h is pap er us es an an alysis  of Speede d u p  Ro b u st F eature (SURF ),  based o n  the method o f   Lin ear Interpo l ation for ca mer a  distortio n  cali bratio n,  for hig h -de n sity crow d counti ng. T he eig enva l u e s are   built o n  the Gray Level C o - o ccurre nce Matrix (GLC M) features a nd the SURF  features. T h roug h  the   m e tho d  o f   l i nea r in te rp ol a t io n, we i g h t  va l ues a r e i n t e rpo l a t ed to  red u ce   the err o r, w h ic h is  ca used  b y   camera d i storti on ca libr a tion.  T he opti m i z e d   crow d s fe ature  vector can b e   got t hen. T h ro u gh the  method  of   supp ort vector  regr essio n , th e crow d s  n u m ber c a n  be   for e cast by  trai ni ng  mode l. T h e  exp e ri me nt re sult   show s that the meth od of this  pap er has  a h i gher acc u racy  than the pr evio us met hods.     Ke y w ords : crowd count, SURF, GLCM, pers pective-correct , SVR      1. Introduc tion  With the incre a se of the wo rld pop ulation ,   unfortunate accide nts  in  p ublic pl aces  caused  by high-d e n s i t y crowd occur freq uently in re cent  years. At the sam e  time, the vi deo surveilla nce   system s are  ubiquito us [1] .  If we make  use of  the ex isting resources,  these inte lligent syste m s   can  help  us effectively fore wa rn a n d  avoid di sa ster event s. Compa r ed  wit h  the tra d itio nal  approa ch, th e intelligent  system of  counting  and  den sity estim a tion can al so imp r ove t he  utilization  rat e  of publi c   facilities, a n d  arra n ge t he allo catio n  of manp ower a nd mate rial  r e sour ces  eff e c t ively.  The alg o rith m of cro w counting  can  be divided  int o  two catego ries: di re ct a nd indi re ct  mean s. Th dire ct  way util ize s  p eopl e’s  cha r a c teri st ics di re ctly, su ch a s   colo r,  sh ape, et c, to  g e the cro w d’ numbe r. The  people’ s he ad and fa ce  and som e  other cha r a c teristi cs  can  be   sele cted  a s  the  statistical  feature  vect or. Thi s  m e thod i s  u s u a ll y very co mpl e x, and i s  m o re   suitabl e for  monitori ng lo w den sity po pulation s . Th e major  re se arch metho d  of countin g h i gh- den sity cro w d  in the world i s  the indirect  way  [2]. With this method, the numb e can be obtain e d   by the metho d  of reg r essio n  throu gh extractin g   the whole cro w d’ feature s  [3]. But the statistical   pre c isi on  of this m e thod  i s   curre n tly n o t accu rate  e noug h. The   method  still  need s fu rthe r in - depth re se arch.  This pap er u s e s  a  stati s tical re gressio n   method. Fi rst, the cro w d’ foreg r ou nd i m age i s   extracted  fro m  the in put  image.  The n , the G L CM features  and S U RF f eature  of  crowd’ foreg r ou nd i m age a r e extracte d [4]-[7]. Thoug h the method of lin ear inte rpol ation, weig ht value s   that cau s e d   by came ra  di stortion  cali bration, are  interpol ated to  redu ce the  error. Th roug h t h e   method of suppo rt vector regres sio n , the crowd’s  numbe r can  be  finally foreca st by trai ning  model. Figu re  1 sho w s the  block dia g ra m of whole al gorithm.        2. SURF Fe a t ure Ex trac tion  The re se arch  object of thi s  pap er i s  hi gh-d e n s ity crowd. SURF  algorith m  is  use d  to  descri be the  cha r a c teri stics of popul atio n.  In 2006, He rbert Bay pro posed a mo re pra c ti cal fe ature dete c ti on algo rithm  of SURF.  SURF i s  a lo cal featu r e p o int detecto with hi gh  rob u stne ss, and  the operatin g spe ed of this  algorith m  i s   highe r. Be ca use  of its g o od inva ri an ce of  scale  transfo rmatio n  and  pe rspe ctive   transfo rmatio n, it has beco m e an impo rtant f eature ex traction al go ri thm in many ways.     Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 4, Dece mb er 201 4: 865  – 874   866     Figure 1. The  block diag ra m of whole al gorithm       The processi ng of crowd’ s SURF f eatu r e extraction i s  as follo ws:  (1)    Run n ing the  global  scanni ng of the origi nal  image, an d obtainin g  the integral im a ge [8].  In Figure 2, to any point   , ij  in the imag e, its value of  , ii i j  in the integ r al  image i s   the sum  of all points’ g r ay  value on the  di ago nal. And  the diago nal  is from the  po int   , ij  to the   top left vertex of original im age. The valu , ii i j  is  as  follows   j j i i j i p j i ii , ) , ( ) , (    (1)     The su m of all pixels’ gray  value in any wi nd ow W  ca n be obtaine d by the value of the   four point 11 , ij  22 , ij  33 , ij ,   44 , ij  in the integral image.     44 3 3 22 1 1 ,,, , W I i ii j i ii j i ii j i ii j     (2)           Figure 2. The  calculation of  integral ima g e  and t he su m of all pixels’ gray value in wind ow      Whe n  all the  points’ g r ay  value in o r igi nal imag e is  1, the value  of   , ii i j  in integral  image re presents the re ct angul ar area  from the poin t   , ij  to the top l e ft vertex.  w I  mean s the  area of wi ndo w W.     (2)    The  extrem e points  of scal e-spa c e can be  got  throug h He ssian ma trix approxim ation. The s e   extreme poi nts are th e featur e poi nts of what we nee d.  The He ssian  matrix   x, H  of  point  x, y  in the image I is define d  as follo ws:   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Larg e  Cro w Cou n t Based  on Im prove d  SURF Algo rit h m  (Hainin g  Zhang 867    ,, , ,, xx xy xy yy Lx L x Hx Lx L x       (3)        2 de t , , , xx yy x y HL x L x L x      (4)      means sc ale.  (, ) xx Lx  i s  the  L apla c ian  of  Gau ssi an  of the im age.  It is t h e   convol ution o f  the Ga ussia n  second  ord e r d e rivative  22 () / g x  with th e ima ge.  (, ) xx Lx  a nd  (, ) yy Lx  have  the  sa me me anin g Whe n  the  val ue of   det ( ) H  is   g r eate r  th an   z e r o , if  (, ) xx Lx  is  greate r  than  zero, the poin t   x  is the local  minimum poi n t; if  (, ) xx Lx  is less t han zero, the point   x  is the local  minimum p o int. The feature poi nt can b e  judg ed throu gh  comp uting th determi nant o f  each pixel in  the image [9].  For th conv enien ce  of a p p licatio ns,  He rbe r t Bay p r o posed  app rox i mating  se co nd o r de derivatives  wi th box filters. Us in g the b o x filters ope ration to re pl ace the  conv olution op era t ion  L . The differen t  scale s of scale sp ace are  formed by expandi ng the size of the box Usi ng  xx D y y D  and  x y D  to repla c L , th en the determinant is si m p lified as:       2 de t xx y y xy HD D w D     (5)     The wei ght  w  chang es  with the ch ang e of scale.   The featu r points  sho u ld  be furthe r confirme d afte r prelimina r y testing. In o r de r to  verify the extreme poi nts i n  t he scal e -space, each  sampling p o int  should b e  compa r ed with  all  its adja c ent p o ints. In othe r wo rd s, ea ch point  is  co mpared with  26 point s, wh ich me an s those   18 point s in the adja c e n t scale - spa c e a nd 8 point s in  the same im age. If the point is gre a ter  or  less than the s e 26 p o ints,  it  is the final feature p o int.    (3)    The p r inci pal  orientatio n of  each feature  point is d e te rmine d . After that, the 64-d i mensi onal  c h arac teriz a tion vec t or is  formed.  In this pa pe r, the first p r o c e ssi ng of S URF   feature  points  extra c tion is th at th e bina ry  foreg r ou nd i m age i s  extra c ted fro m  the  input  image  by the backg round  subt ra ction metho d  a nd  the sliding a v erage m e th od. Then the  SURF feat u r e is extra c te d from the binary fore gro u nd  image.  Com p ared  with  the  SURF featu r e extrac tio n  of the  overall imag e, th e SURF fe ature  extraction  of  binary fo re ground  imag redu ce the  computation  complexity. Figure  3  sh ows the   result of SURF feature extraction.           Figure 3. SURF feature extracti on of bin a ry foreg r ou n d  image     Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 4, Dece mb er 201 4: 865  – 874   868 The  white  p a rt of  bina ry  fore gro und  i m age  is the  moving  regi on. Acco rdin g to th prin ciple  of t he SURF  alg o rithm, mo st  of the  SURF   feature  point s a r e i n  the   motion a r e a but  there  will  be  a fe w fe ature poi nts  aro und  regi on   [10]. As  sh own in  Figu re  3 ,  the n u mbe r  of  feature p o ints cann ot effect ively reflect the ch arac t e ri st ic s of  cr ow d .  S o   the feature poi nts in th e   non-i n terest region  sho u ld  be reje cted.  This se le cting process o n ly need s to scan all feat ure   points, which are di stingui shed  by their value of pixel.      1 , , 255 , 0, , 0 ix y su r f x y ix y    (6)      , sur f x y  is the discri minant of  poi nt  , x y . When the value of   , sur f x y  i s  1 ,  t h i s   point will be  kept; when it is 0, this point will be re mov ed.  , ix y   is the pixel values of this poi nt.          Figure 4. After reje cting fea t ure point s in non interest region       In Figure 4, we can  see tha t  the kept SURF  feature po ints ca n refle c t the cha r a c t e risti cs  of cro w d reall y  and effectively.      3. Eigen v ector Cons tru c tion  w i th SURF Fea t ur e a nd GLCM F e ature   SURF fe atu r e ha s g o o d  invaria n ce  of scale  transfo rmatio n and p e rspective  transfo rmatio n, and  can  re flect the  cha r acteri stic of cro w d. But fo r large p opul ations, a nd  whe n   there i s  a d ense cove rin g , the SURF  feature ca nn o t  r e flec t th e  c h ar ac te r i stic s  ve r y  we ll.   Becau s e th e  GLCM feat ure s  can effectively  overcome th e occlu s ion p r obl em, this pap er  prop oses co mbining  the  GLCM  featu r e with S U RF  feature.  T he eigenve c tor  i s  comp osed of  four  uncorrelate d GLCM featu r e vector s (en e rgy, entropy , contra st, co rrel a tion) a n d  the numbers of  SURF featu r e  points [11].  The four u n correlated G L CM  feature vectors a r e:   (1) Energy: A statistic reflect s  the con s iste ncy.      2 11 00 ,, NN ij AS M p i j d       (7)     Energy refle c ts the level  of texture  co a r sene ss and the unif o rmity level of gray   distrib u tion. Whe n  the texture is  coa r se , the  energy is high. Othe rwise, the ene rgy is low.         Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Larg e  Cro w Cou n t Based  on Im prove d  SURF Algo rit h m  (Hainin g  Zhang 869 (2) Contra st: A statistic of cont rast.       11 2 00 ,, NN ij Co n i j p i j d        (8)     The  cont ra st refle c ts th e  sh arp n e s of the ima g e .  Whe n  the  texture i s   co arse, the   contrast i s  small. Otherwi se, the co ntra st is big.     (3) Entropy: A param eter calculating the  ra ndomn e ss di stributio n of gray-level  d     11 00 ,, l o g , , NN ij E n t p ij d p ij d        (9)     Entropy indicates the leve l of non-unif o rmity  texture or the com p lexity of  the image.  Whe n  the texture is  coa r se , the entropy is  sm all. Othe rwi s e, the ent ropy is la rge.     (4) Homog eneit y : A correlatio n  statistic of g r ay value.      11 2 00 ,, 1 LL H ij pi j d S ij        (10 )     The h o mog e neity refle c ts  the direction   of t he texture ,  and  sho w s the si milarity  degree of  rows o r   colu mns. Th e differen c of pixel value s  bet wee n  elem en ts is bi gge r, the hom oge n e ity  value is sm all e r.   Thro ugh the  above theo ry, 6-dime nsi o n a l featur e vector is form ed i n  this pap er,  and the  SURF featu r e  is the main chara c te risti c   ( num surf  , s ,  fe ature entropy  , fe ature energy  , fe ature contrast  , feature hom ogen ei ty ).    num surf  is the numb e r of  SURF  point s. s i s  the  area  of moving pe ople in  binary   foreg r ou nd i m age.  featu r e entropy  is the entro py of  GLCM  matrix feature energy  is the  ene rg y of  GLCM matrix feature contrast  is the  co ntra st of GL CM  matrix.  feature homogen eity  is the ho mog e n e ity  of GLCM mat r ix      4. Linear Interpolation  Weights for Ca mera Distortion Calibrati on  Came ra dist ortion calib ra tion  is cau s e d   by  the in crea sing  dista n ce  between  movin g   obje c tive and  the camera. As we all kn ow, the are a  of people ne ar ca mera is  bigge r than the   area  of o ne f a r a w ay from  cam e ra. In o r de r to  red u ce the influ e n c e cau s ed  by the lo sing  de p t h   informatio n o f  image, this  pape r ad opts the metho d   of linear i n terpolation  weig hts for  cam e ra   distortio n   cali bration.  Thi s  method  ha s str ong  ada p t ability and  h i gh real -time. And in  a c tu al   appli c ation, the re sea r che r s do n o nee d measureme n t of the environment.         Figure 5. The  theory of linear interpolatio n weig hts    Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 4, Dece mb er 201 4: 865  – 874   870 In Figure 5,  the imag e is divided i n to  four   regi ona l grid s. Th width a nd  h e ight of  obje c t’s mini mum en clo s ing re ctangl e (MER) ca n be  got in the entran c e a n d  exit of each grid.   The  wei ghts  of ea ch  gri d   can  be  obtai ned  by th e  a r ea  chang rate of th e M E R. As sho w n in  Figure 5, the area  cha nge  rate of grid  a,  b, c and d  is  as follows:     22 11 hw k hw    (11 )      11 , hw   is the width a nd heig h t of obj ect’ s MER i n  the entra nce.  22 , hw  is the widt h and   height of obje c t’s MER in t he exit.  Figure 6   sho w s a  video  seque nce of  single  peo ple  wal k ing  in P E TS video  seque nce s   [12]. This pap er sepa rate s the monito r sp ace into  4 pa rts in ea ch vid eo frame. T h e purpo se is t o   improve the  accuracy of  came ra di sto r tion  calibration. It should  be noted th e accu ra cy of  calib ration i s  more a c curate whe n  the more pa rts  sep a rated. But the more  weig h t s interpol ate d ,   the pro c e ssi n g  of determini ng t hese wei ghts is m o re  compl e x.        (a) The 9th frame                                           (b) The 72th frame    Figure 6. PETS2009  singl e peopl e wal k ing video seq uen ce       For fo ur  part i tions, the r are fo ur i n te rpolatio wei ghts. As sho w n in  Figu re  6, the  numbe r of S URF  feature  points i s  diffe rent in di ffe re nt frame s . Th e 4 weight s can be  cal c ul a t ed   by the method of regressio n                  (a) Before correc tion                                                       (b) After c o rrec t ion     Figure 7. The  corre c tion effect of SURF  numbe     0 10 20 30 40 50 60 70 80 90 100 0 5 10 15 20 25 30 35 40 45 50 fr a m e ac r e ag e 0 10 20 30 40 50 60 70 80 90 100 0 5 10 15 20 25 30 35 40 45 50 fr a m e a c r eag e 28 points  16 points  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Larg e  Cro w Cou n t Based  on Im prove d  SURF Algo rit h m  (Hainin g  Zhang 871 Figure  7 sho w s obviou s   d i fferences of  SURF   numb e r befo r an d after corre c tion. The   absci ssa rep r ese n ts the n u mbe r  of frames, or dinat e rep r e s ent s SURF n u mb ers. Fig u re 7  (a)  sho w s that th e SURF  num ber re du ce grad ually a s  the p ede stria n  wal k s a w ay f r om th cam e ra   grad ually. Fi gure  7  (b sho w s that t he SURF  n u mbe r  remai n s i n  a  sta b le rang e af ter   interpol ating the four weigh t s for co rrecti on.  Figure 8  sh o w s differe nce  of fore gro u n d  ar ea before   and after co rrectio n Th e absci ssa   rep r e s ent s th e num be r of  frame s , o r din a te re present s the  fore gro und  are a  [13 ]. Figure  8  (a)  sho w s that t he foregroun d area  redu ces g r a dually  as the  pe d e stria n   walks away from  the   came ra g r a d ually. Figure  8 (b)  sh ows t hat the  foreg r ound a r e a  re mains i n  a st able rang e after  interpol ating the four weigh t s for co rrecti on.  Figure 7 a nd  Figure 8  sho w  that the m e thod of   line a r interpol ation weig hts can solve  the   probl em of ca mera di stortio n  rapidly an d effectively.      (a) Before correc tion                                            (b) After c o rrec tion    Figure 8. The  corre c tion effect of foreg r o und area       5. The Tes t  Re sults,Analy s is and Comp arison   5.1 The Tes t  Resul t s and  Analy s is   This expe rim ent u s e s  Mi crosoft Visu al  C++  6.0  as software  d e vel opment  environment   and O pen CV 1.0 as imag pro c e ssi ng li bra r y in t he  o peratin syst em of Wi ndo ws XP.  Hard ware   experim ental  platform i s   a PC ma chi ne, and th PC memo ry  is 2G. T h is  experim ent u s e s   Matlab7.0 a s  the analysi s  tool for the co nclu sio n  and  analysi s .   The  n u mb er of  crowd can  be  e s timated  after  ε -SVR training. T he t r aining  mod e can  be  got throu gh trainin g  the correctio n  feature ve ct ors. This p ape r tests three vid eo se que nce s  in   the PETS200 9 video  library [12]. Figure  9  sho w s th c u r v e o f  th e re a l   c r ow d s   nu mb er , th e  tes t   cro w d’ s nu m ber with out correctio n  and  t he test crowd’s num be r after co rrection.            (a) Vide o 1     0 10 20 30 40 50 60 70 80 90 100 11 0 0 200 400 600 800 1 000 1 200 1 400 1 600 1 800 fr a m e ac r e ag e 0 10 20 30 40 50 60 70 80 90 10 0 11 0 0 20 0 40 0 60 0 80 0 10 00 12 00 14 00 16 00 18 00 fr a m e ac r eage 0 20 40 60 80 10 0 120 140 160 180 20 0 0 5 10 15 20 25 30 35 40 fr a m e c o unt real  nu m ber t e s t  num ber  af t e r  c o r r ec t i on  t e s t  num ber  w i t hout  c o r r ec t i on  Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 4, Dece mb er 201 4: 865  – 874   872        (b) Vide o 2              (c) Video 3     Figure 9. The  test result an d analysi s       The thre e in dexes of a n a l yzing the te st result a r e: MAE (Mean  Absolute E r ror), M R (Mean Rel a tive Error) [14], and  MAXE (Maximum Absolute Error).       0 1 1 n i M AE N i N i n     (12 )      0 1 0 1 n i Ni N i MR E nN i    (13 )     n  is the frames of video.  N i   is the test numb e r of frame  i .   N i   is the real nu mber  of frame  i Experimental  results befo r e  and after correctio n s of thi s  pap er a r e shown in Tabl e 1.      Table 1. The  test re sults a nalysi s  before corre c tion   Name  Non-cor r ection  After-c or rec t i on  MAE MRE  MAXE  MAE  MRE  MAXE  Video1 8.465   32.2%   14  0.951   5%   Video2 6.802   51.9%   10  1.518   14.8%   Video3 10.654   50.1%   22  1.788   11.5%       0 20 40 60 80 100 12 0 140 16 0 180 200 0 5 10 15 20 25 30 35 40 fr a m e co u n t r eal  num ber t e s t  num ber af t e r   c o r r e c t i o n t e s t  num ber w i t h o u t  c o rr ec t i on 0 20 40 60 80 10 0 120 14 0 16 0 18 0 20 0 0 5 10 15 20 25 30 35 40 45 fr a m e co u n t real  num ber t e s t  num b e r af t e r c o rrec t i on  t e s t  num b e r w i t h out  c o rrec t i o n Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Larg e  Cro w Cou n t Based  on Im prove d  SURF Algo rit h m  (Hainin g  Zhang 873 Comp ared  wi th the no n-co rre cti on  meth od, the a c curacy after  co rrection i s  m u ch high er.   It prove s  tha t  the meth od  of line a r int e rpol at ion  weights can  solve the  pro b lem of  cam e ra  distortio n  ra pi dly and effect ively.      Table 2. The  results of GL CM metho d   Name   GLCM  SURF   MAE MRE  MAXE  MAE  MRE  MAXE  Video1 3.027   15.3%   1.02  5.1%   Video2 2.508   21.9%   1.21  9.8%   Video3 7.402   38.2%   15  4.47  19.4%       In Table 2, the GLCM m e thod is the  crow cou n ting  method ba sed on GL CM  feature s The cro w d fe ature eig enve c tor of this m e thod is  o n ly made up of t he 4  GL CM feature ve ctors.  The S URF  m e thod i s  th counting  meth od b a sed  on  SURF  alg o rit h m. The  mai n  vecto r  of  crowd  feature eig e n v ector i s  SURF numbe r.   The results  a nalysi s  sho w s that thi s  m e thod  can  estimate the pe ople s ’ num be r in te st  regio n  ra pidl y and accu ra tely. Compared with t he  GLCM m e tho d , the accura cy of this pa per  increa se s ob viously. It shows t hat SURF num ber i s  an impo rta n t feature vector of co unti ng  cro w d.  Comp ared  with the  SURF m e tho d , the ac cura cy of video 3 increa se s ob viously. It shows  that the GLCM feature vectors  can effe ctively overco me the occlu s ion p r obl em.       5.2 Compar e d  With The P i xel Statistic  Feature Me thod   In many  ca ses the  pixel s  statisti c feat ur ca n de scribe th e po p u lation  cha r a c teri stics   effectively,  mainly includ ing foreg r ou nd f eature a nd edge fea t ure [15]. By introdu cing  the   perspe c tive correctio n  parameter, it can   calc ul ate the weig ht ratio  calculation p a ram e ters.    i i i i wi r w    (14 )     r  is the foregro und pixels o r  edge pixel s  o f  the pixels statistic feature ,   i w  is the impul se  respon se fun c tion,  i  is the perspe c tive correctio n  parameter s  of pixels . When it is  foreground  or edg e pixel, the value is 1, otherwi se t he value is 0.   Thro ugh the  comp ari s o n  of the SURF algorithm  an d the pixels sta t istic feature  metho d   use d  in video  3, the result s are sh own in  the Figure 1 0         Figure 10. Th e result of co mpari s o n   Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 4, Dece mb er 201 4: 865  – 874   874 It can  be  se e n  that the  SURF  algo rithm  method  i s   bet ter than  the  p i xels  statistic  feature  method. Ove r all, the devi a tion of expe riment resu lts of the pixe ls stati s tic fe ature m e thod  i s   bigge r, while  the SURF  method  which kee p s t he  experim ent result s cu rve  arou nd the a c tual   numbe r curve  all the way is more p r eci s e l y.      6. Conclusio n   Acco rdi ng to  the  pro b le m of  cou n tin g  hig h -den sity crowd, thi s  p ape pro poses an   improve d  cro w d counting  method ba se d on SURF  algorithm a nd GLCM al go rithm. Experim ental   study find s t hat, the lin ea r inte rpol atio n weight co rre ct ion  met h od i s  a  sim p l e  an d ef f e ct iv method fo r came ra  disto r tion calibration. This  alg o rithm h a strong a dapta b ility, and can   accurately e s timate the n u mbe r  of p e ople in  ea ch  frame  with t he ave r ag error l e ss th an 2  peopl e per frame. With th e variety and  compl e xity  of the resea r ch  environm ent, the method  still  need s furthe r in-depth  re se arch.      Referen ces   [1]   Conte  D, F oggi a P, Percan nel l a  G, et al. A Method  for  Cou n t ing Movi ng P e opl e in V i de o S u rveil l a n ce   Vide os.  EURA SIP Journal o n  Advances i n  S i gn al Process i n g .  2010; 5( 1): 1-8.  [2]   Ya Hua ng, Su  Hang, Z hen Shib ao. Lar ge- scale Cro w d  D ensit y   Estimati on.  Vide o App l icatio n and   Project . 201 0; 34(5): 11 3-1 1 6 .   [3]   Antoni B, Ch a n , Nuno V a sc once l os. Co un ting Peo p l e  W i th Lo w - L e v e l F eatures  a nd Ba yes i a n   Regr essio n IEEE Transactio n s on Image Pr ocessi ng . 20 12 ; 21(4): 216 0-2 177.   [4]   W ang Yal i n. Rese arch on  Algorit hm of Cro w d D ens ity Estimatio n  Based o n  Gra y  L e ve l Co- occurre nce Ma trix.  Master' s  thesis . Xi ’a n: Xi ’a n Univ ersit y   of  T e chnolog an d Scienc e. 201 3.  [5]   Ba y   Herb ert, Ess A,  T u y t e l a a rs  T ,  et al. Speede d-up  Rob u s t F eatures (SURF ).  Comput er Visio n  an d   Imag e Un derst and ing . 2 008;  110( 3): 346- 35 9.  [6]   Nan Ge ng, D o ngji a n  He, Y a n s hua ng S o n g .   Camera  Imag e  Mosaic ing  Ba sed o n  a n  Opti mized S URF   Algorit hm. T E LKOMNIKA: Indones ian J ourn a of Electrica l  Engi neer in g   2012; 10( 8): 218 3-21 93.   [7]   W ang W ,  Li  W  H, W ang C  X, et  al. A N o vel W a term ar king A l gor ithm  base d  o n  SU RF  and S V D.   T E LKOMNIKA: Indones ia n Jo urna l of Electri c al Eng i ne eri n g . 2013; 1 1 (3): 156 0-15 67.   [8]   K. Zhang,  T . F. Xu, P. W ang, L. Feng. Rea l -time  full-fram e digit a l ima g e  stabiliz atio n s y stem B y   SURF.  Optics  and Prec isio n Engi neer in g . 2011; 19( 8): 196 4-19 72.   [9]   R y an D, D e n m an S, F ooke s  C, et al.  Cro w d Counti ng  Using Gro up T r ackin g  an d L o cal F e atures 2010 7th IEEE  Internationa Conference on Advanc ed  V i deo and Signal  B a sed S u rveillance. Boston.   201 0: 218- 224.   [10]   X. L i u, B. Da i, H.G He.  Rea l -time o b ject s e g m e n tatio n  for v i sual  ob ject d e tection  in  dyna mic sc en es Soft Computin g and Patter n  Reco gniti on (S oCPa R). Dali a n . 2011: 4 23-4 28.   [11]   Sun W enc ha n g , Song  Jia n sh e, Yang  Men g , et al. C o rner  Detectio n Al go rithm Base d o n  Entrop an d   Uniq ue ness.  Journ a l of Co mputer App lic ations . 200 9; 29( 2): 225-2 27.   [12]   Cho udri, S., Ferr y m an, JM.,  Badi i, A.  Robu st backgrou n d  mod e l for pix e l bas ed pe op le cou n tin g   usin g a  sin g l e  u n cal i brat ed  ca mer a . Proceedings  of T w elfth IEEE  I n ternational W o rkshop on  Performanc e Evalu a tion of  T r acking and Surveil l a n ce ( PET S-Winter). IEEE Computer Science.   Miami. 20 09: 1 - 8.  [13]   Ya Li ho u, Pa n g  G KH. Pe op le C o u n ting  a nd H u ma n D e tection  in  a C hall e n g in g S i tu ation.  IEEE   T r ansactio n s o n  Systems . 20 11; 11(4): 2 4 -3 3.  [14]   K. Zhang,  T . F. Xu, P. W ang, L. Feng. Rea l -time  full-fram e digit a l ima g e  stabiliz atio n s y stem B y   SURF.  Optics  and Prec isio n Engi neer in g . 2011; 19( 8): 196 4-19 72.   [15]   Yang  Hu a, Su  Han g , Z h e n g  Shib ao.  Lar g e -scal e  Cr o w e d  De nsit y Esti mation.  V i de o Engi neer in g 201 0; 34(5): 11 3-11 6.    Evaluation Warning : The document was created with Spire.PDF for Python.