CN101751553B - 一种大规模人群密度分析和预测方法 - Google Patents

Abstract

本发明提出一种大规模人群密度分析和预测方法，基于统计特征的人群密度分析对输入视频作人群密度分析，获取单个监控点的人群密度值；采用多段线性拟合实现人群密度和人数的互相转换；采用光流法对单个监控点中人群流速和流向进行计算，获得单个监控点中人群流速和流向信息；根据各个监控点的空间位置关系和人群流向流速关系建立一个有向图的结构，对重要监控枢纽节点做一段时间内的人数和人群密度预测。该方法能够自动实时监控大范围内的人群密度和人数分布，并且能对重要地点做人群密度和人数的预测，所提供的信息对于人群监控部门具有重要的参考价值。

Description

一种大规模人群密度分析和预测方法

技术领域

本发明涉及模式识别技术领域，特别涉及大规模人群密度分析和预测方法。

背景技术

随着人类社会生活的日益丰富，运动会、展览会和文艺演出等大型社会活动经常召开。这些大型社会活动给人们带来快乐的同时也带来了安全隐患。当数以万计的人群聚集时，一旦发生突发事件，引起人群的恐慌，很可能发生踩踏事件，危及人们的生命安全。传统的公共区视频监控系统，往往是由监控人员在监控室观看显示屏来发现异常情况。这样的人工监视的方式存在很多缺点。首先，当监控点非常多时，由于监控人员有限，经常会导致不能及时发现危险情况。另外，人工监视往往不能及时有效地综合各个监控点的人群密度信息，所以无法对重点区域未来人群密度进行预测。随着智能视觉监控技术的兴起，由计算机代替人来对公共区人群密度进行实时监测成为可能。智能视觉监控技术就是要让计算机代替人的大脑，让摄像头代替人的眼睛，由计算机智能地分析图像序列，提取有效信息，达到智能监控的目的。

申请号为200710179883.7的发明专利提出一种基于统计特征的人群密度分析方法。该方法通过对摄像头捕捉的视频进行分析，由计算机自动实时地计算出当前视频中的人群密度。但是该方法有几个缺点：

1)得到的人群密度是一个0到1之间的小数，表示拥挤程度，无法得到人们所关心的具体人数。

2)不能得到人群流速和流向信息。

3)没有涉及到对重点枢纽区域的人群密度进行预测。

发明内容

鉴于现有技术所存在的缺点，本发明的目的是提供一种大规模人群密度分析和预测的方法。

为了实现上述目的，本发明提出一种大规模人群密度分析和预测方法，包括步骤：

步骤1：利用基于统计特征的人群密度分析方法对输入视频作人群密度分析，实时获取单个监控点的人群密度值。

步骤2：通过多段线性拟合方法实现人群密度和人数的互相转化。

步骤3：采用光流法对输入视频的单个监控点中人群流速和流向进行计算，获得单个监控点中人群的流速和流向。

步骤4：根据各个监控点的空间位置关系和人群流向、流速关系建立一个有向图的结构，对重要枢纽节点做一段时间内的人数和人群密度预测。

本发明与目前国内外发表的最新的方法相比具有几个明显优点：

1)本发明能够自动实时监控大范围内的人群密度和人数分布。

2)本发明能够对重要区域做人群密度和人数的预测。

本发明能广泛地应用于大型公共场所的人群监控和管理，本发明的人群密度预测功能，所提供的信息对于人群监控部门具有重要的参考价值。

附图说明

图1本发明技术方案流程图

图2本发明中重要监控点与其它监控点的图结构示意图

具体实施方式

下面结合附图详细说明本发明技术方案中所涉及的各个细节问题。应指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。

本发明的整个技术方案流程图如附图1所示：

请参阅图1，采用一台具有2.8G赫兹中央处理器和1G字节内存的奔腾4计算机并用C++语言编制了大规模人群密度分析和预测程序，实现了本发明的方法；图1中包括：视频输入端V1-VN、单路人群监控模块A1-AN和密度和一个人数预测模块B；在视频输入端V1输入视频信息，单路人群监控模块A1是利用基于统计特征的人群密度分析方法，对视频输入端V1的输入视频实时获取单个监控点的人群密度值，再通过多段线性拟合的方法实现人群密度到人数的的互相转化；采用光流法计算出单个监控点中人群的流速和流向，获得单个监控点中人群流速和流向信息；视频输入端V2、单路人群监控模块A2及视频输入端VN、单路人群监控模块AN分别重复上述步骤，最后由密度和人数预测模块B根据各个监控点的空间位置关系和人群流向、流速关系建立一个有向图的结构，对重要枢纽节点做一段时间内的人数和人群密度预测。

1.基于统计特征的人群密度分析

本发明采用申请号为200710179883.7的发明专利所提出的方法提取单个监控点的人群密度。所得到的人群密度是一个0～1之间的小数，描述了当前监控点的人群拥挤程度。

2.人群密度与人数的互相转换

由于取值为0～1之间的小数的人群密度不能提供人的数量信息，本发明在这里采用多段线性拟合的方法，实现人群密度和人数互相转换。具体方法如下：

人群密度到人数的转换： $f\left(d\right)=\frac{n_{s+1}-n_s}{d_{s+1}-d_s}(d-d_s)+n_s,$ d∈[d_s，d_s+1]

人数到人群密度的转换： $g\left(n\right)=\frac{d_{r+1}-d_r}{n_{r+1}-n_r}(n-n_r)+d_r,$ n∈[n_r，n_r+1]

其中，s和r分别表示一个不大于p-l(p是一个自然数，比如5)的自然数。d和n分别表示待转换的人群密度和人数，f(d)和g(n)分别表示转换之后的人数和人群密度。而d_s、d_s+l、d_r、d_r+l，表示一些已知的人群密度，n_s、n_s+l、n_r、n_r+l表示一些已知的人数，d_s、d_s+l、d_r、d_r+l、n_s、n_s+l、n_r、n_r+l来自于一个在设置好摄像头的监控范围后实测得到的p组按升序排列的人群密度和人数的对应关系表：{(d₁，n₁)，(d₂，n₂)，...，(d_p，n_p)}。

3.光流法计算人群的流速和流向

通过计算光流，并在光流的基础上提取出人群的流速和流向。其具体方法如下：

首先，选定需要计算人群流速和流向的区域I_m；其次，计算当前时刻的光流得到OF_u(k)和OF_v(k)，其中OF_u(k)和OF_v(k)分别是算得光流矢量的水平分量和垂直分量，k代表帧数；接着由

${\mathrm{OF}}_{\mathrm{\ρ}}\left(k\right)=\sqrt{{{\mathrm{OF}}_u}^2\left(k\right)+{{\mathrm{OF}}_v}^2\left(k\right)}$

${\mathrm{OF}}_{\mathrm{\&theta;}}\left(k\right)=\left\{\begin{array}{cc}\arctan \frac{{\mathrm{OF}}_u\left(k\right)}{{\mathrm{OF}}_v\left(k\right)},& {\mathrm{OF}}_u\left(k\right)>0,{\mathrm{OF}}_v\left(k\right)>0\\ \arctan \frac{{\mathrm{OF}}_u\left(k\right)}{{\mathrm{OF}}_v\left(k\right)}+\mathrm{\&pi;},& {\mathrm{OF}}_u\left(k\right)<0\\ \arctan \frac{{\mathrm{OF}}_u\left(k\right)}{{\mathrm{OF}}_v\left(k\right)}+2\mathrm{\&pi;},& {\mathrm{OF}}_u\left(k\right)>0,{\mathrm{OF}}_v\left(k\right)<0\end{array}\right.$

将所得光流矢量转换到极坐标系下，其中OF_ρ(k)和OF_θ(k)分别代表光流的速率和角度，u、v分别表示水平方向和垂直方向，ρ表示光流的径向。

用直方图法计算光流主导方向是对OF_θ(k)在M个组作直方图，通常M选取4或者8，设取得最大投票值的组的序号为M_max’根据

${\mathrm{\&theta;}}_c=\frac{(2M_{\max }-1)\mathrm{\&pi;}}{M}$

算得光流的主导方向θ_c。以θ_c为中心，±θ_offset为左右幅度(比如θ_offset＝0.52弧度，相当于30度)，选取所有OF_θ(k)在这个区间的像素，并对这些像素的对应的OF_ρ(k)和OF_θ(k)求均值得到第k帧的人群流向θ_p(k)和人群流速ρ_p(k)。

通过多帧的结果可以求得一段时间内的平均人群流向和人群流速。通过实地的勘测，还可以把人群流向和场景方向结合起来，并且把人群流速的单位转换为实际物理单位。

4.人群密度和人数的预测

在所有监控点中，有些监控点具有特殊的地位，需要重点关注，比如交通枢纽、售票厅、安检门和广场。这些地方是人群汇聚的地方，容易发生突发事件。如果能够对这些地方的人群密度和人数做未来一段时间内(比如5分钟)的预测，那么就可以提前做好各种防护措施。为了实现对重要地点的人群密度和人数的预测，我们根据各个监控点的空间距离和人流方向建立一个有向图结构。

如图2所示的图结构，A为主节点(比如某一个广场)，是需要重点关注的区域，用摄像头C0进行监控；B、D、E、F为分节点，分别用摄像头C1、C2、C3、C4进行监控，S₁、S₂、S₃、S₄为各个分节点B、D、E到主节点A的距离、主节点A到分节点F的距离。广场A在一段时间之后的预测人数值W_A＇为当前A区域实测人数值W_A与将来这一段时间内可能从B、D、E流入A中的人数值W_B、W_D、W_E之和，并减去从F流出的人数值W_F，即：W_A＇＝W_A+W_B+W_D+W_E-W_F。实测人数W_A已知，只需要求出W_B，W_C、W_D、W_F，它们的求解方法相同，这里只给出W_B的计算过程。

设处在摄像机镜头C1下(即区域B内)的人数为W，摄像头监控到的街道长度为L(人流方向的长度，实地可以勘测得到)，V为监控区域的平均人流速度，V_i为每个流出摄像头监控范围的人流分析单元的速度。假设每经过Δ秒钟摄像头抓拍一帧，需要预测以t₀时刻为基准点时间T₀后广场中的人数。

设 $\mathrm{\&rho;}=\frac{W}{L}$ 为摄像头下单位长度的人流密度，两帧之间人流走过的距离为L_i＝V×Δ，得出两帧之间流出摄像头监控范围的人数为N_i＝ρL_i，以每个N_i作为一个分析单元。各个分析单元从摄像头下到达广场所需的时间为 $T_i=\frac{S_1}{V_i},$ 并且假设所有走出摄像头监控范围的分析单元中到达广场A需要时间最长为T_imax，则有：

从时刻t₀开始每过Δ秒钟得到一个分析单元值，相对于基准点时刻t₀来说每个分析单元到达广场的时间分别为T₁、T₂+Δ、T₃+2Δ、...T_i+(i-1)Δ...(i＝1，2，3，4......)。将这些单元人数值以T为单位进行求和，例如：从t₀到t₀+T时间内到达的人数进行求和并存入一个数据单元，从t₀+T到t₀+2T时间内到达的人数求和并放入另一个数据单元，以此类推。并且每过去时间T，之前所获得的所有的以T为单位的人数分析单元和的到达时间减T。对于不同的最长到达时间T_imax有以下两种情况：

(1)对于T₀<T_imax的情况，假设在t₀时刻预测未来的T₀时间后的广场的人数。那么要将通过摄像头下并且其T_i<T₀的所有N_i加入到广场的总人数中，即 $W_B=\underset{T_0}{\mathrm{\&Sigma;}}{N}_i,$ 加入后将这些数据丢弃。

(2)对于T₀>T_imax的情况，除需要加上经过摄像头下并且还未到达广场的所有人数外还需要对这个时间差值内到达广场的人数值进行预测，预测方法为：用经过摄像头下的当前单位时间内的人数值N₀×(T₀-T_imax)，作为未来(T₀-T_imax)时间内的估计值，将它加入到广场的总人数中，此时有 $W_B=\underset{T_0}{\mathrm{\&Sigma;}}{N}_i+N_0\&times;(T_0-T_{i\max }).$ 到下一分钟时，要将广场的总人数减去前一分钟的(T₀-T_imax)时间内的估计值，并且根据现在时刻的情况用同样的方法重新进行预测和累加。

得到重点区域的预测人数之后，可以通过步骤2中的人数到密度的转换关系将预测人数转化为预测密度。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (1)

1.一种大规模人群密度分析和预测方法，其特征在于，包括步骤：

步骤1：基于统计特征的人群密度分析对输入视频作人群密度分析，获取单个监控点的人群密度值；

步骤2：采用多段线性拟合实现人群密度和人数的互相转换；

步骤3：采用光流法对单个监控点中人群流速和流向进行计算，获得单个监控点中人群流速和流向信息；

步骤4：根据各个监控点的空间位置关系和人群流向流速关系建立一个有向图的结构，对重要监控枢纽节点做一段时间内的人数和人群密度预测；

所述多段线性拟合的人群密度和人数的互相转换的特征为：

人群密度到人数的转换： $f\left(d\right)=\frac{n_{s+1}-n_s}{d_{s+1}-d_s}(d-d_s)+n_s,d\&Element;[d_s,d_{s+1}]$

人数到人群密度的转换： $g\left(n\right)=\frac{d_{r+1}-d_r}{n_{r+1}-n_r}(n-n_r)+d_r,n\&Element;[n_r,n_{r+1}]$

其中，s和r分别表示一个不大于p-1的自然数，p是一个自然数；d和n分别表示待转换的人群密度和人数，f(d)和g(n)分别表示转换之后的人数和人群密度；而d_s、d_s+1、d_r、d_r+1表示已知的人群密度，n_s、n_s+1、n_r、n_r+1表示已知的人数，d_s、d_s+1、d_r、d_r+1、n_s、n_s+1、n_r、n_r+1来自于一个在设置好摄像头的监控范围后实测得到的p组按升序排列的人群密度和人数的对应关系表：{(d₁，n₁)，(d₂，n₂)，...，(d_p，n_p)}；

所述光流法计算人群流速和流向方法包括如下步骤：

1)使用光流速率和光流角度计算每个像素点的光流速率OF_ρ(k)和光流角度OF_θ(k)：

光流速率： ${\mathrm{OF}}_{\mathrm{\&rho;}}\left(k\right)=\sqrt{{{\mathrm{OF}}_u}^2\left(k\right)+{{\mathrm{OF}}_v}^2\left(k\right)}$

光流角度： ${\mathrm{OF}}_{\mathrm{\&theta;}}\left(k\right)=\left\{\begin{array}{cc}\arctan \frac{{\mathrm{OF}}_u\left(k\right)}{{\mathrm{OF}}_v\left(k\right)},& {\mathrm{OF}}_u\left(k\right)>0,{\mathrm{OF}}_v\left(k\right)>0\\ \arctan \frac{{\mathrm{OF}}_u\left(k\right)}{{\mathrm{OF}}_v\left(k\right)}+\mathrm{\&pi;},& {\mathrm{OF}}_u\left(k\right)<0\\ \arctan \frac{{\mathrm{OF}}_u\left(k\right)}{{\mathrm{OF}}_v\left(k\right)}+2\mathrm{\&pi;},& {\mathrm{OF}}_u\left(k\right)>0,{\mathrm{OF}}_v\left(k\right)<0\end{array}\right.$

其中，u和v分别代表水平方向和垂直方向，ρ代表光流矢量的径向，OF_u(k)和OF_v(k)分别是算得光流矢量的水平分量和垂直分量，k代表视频的帧数；

2)用直方图法计算光流主导方向是对光流角度OF_θ(k)在M个组作直方图，设取得最大投票的组的序号为M_max，则得到光流主导方向θ_c：

${\mathrm{\&theta;}}_c=\frac{({2M}_{\max }-1)\mathrm{\&pi;}}{M}$

3)在光流的主导方向附近计算人群流速和流向，以θ_c为中心，±θ_offset为左右幅度，选取所有光流角度OF_θ(k)在这个区间的像素，并对这些像素的对应的光流速率OF_ρ(k)和光流角度OF_θ(k)求均值得到第k帧的人群流向θ_p(k)和人群流速ρ_p(k)；

所述重要监控点的人群密度和人数的预测如下：

设一个重点监控点A，重点监控点A的当前的实测人数为W_A，需要求解的一段时间后的预测人数为W′_A，则预测人数W′_A等于当前的实测人数W_A加上从其它节点即将流入的人数并减去即将流入到其它节点的人数，跟重点监控点A有关联的若个监控点分别是B、D、E、F，从B、D、E将流入重点监控点A的人数分别为W_B、W_D、W_E，从重点监控点A到监控点F将流出的人数为W_F，则

W_A′＝W_A+W_B+W_D+W_E-W_F

而重点监控点A的预测人群密度则根据人数到人群密度的转换公式将人数W′_A转换成密度。

Images