CN101751668B - 一种人群密度检测方法及装置 - Google Patents

Abstract

本发明提供了一种人群密度检测方法及装置。按照本发明的装置包括：运动图像获取单元、运动的二值图像获取单元、运动的历史图像获取单元、人群密度等级图像获取单元、人群密度属性获取单元、人群密度属性记录单元、状态维持时间判别单元和拥挤事件判断单元。

Description

一种人群密度检测方法及装置

技术领域

本发明涉及图像处理、视频监控，特别是指一种人群密度检测方法及装置。

背景技术

为了保障社会治安的稳定和人民生活的安定，我国各大中型城市中陆续安装了视频监控装置。这些视频监控装置根据应用的场所，需要具备不同的检测功能。其中，在诸如车站、机场、超市、商业街区、运动场等的重要公共场所中，对人群密度的检测十分重要。

目前的人群密度检测方法大多停留在对视频图像的存储记录，需要长时间的人工监控，由人的主观经验来判断人群密度的大小。这种人工方式存在易疲劳、易疏忽、反应速度慢、人工费用高等诸多不足。

公开号为CN101431664A的中国专利申请介绍了一种基于视频图像的密度客流自动检测方法及系统。公开号为CN101325690A的中国专利申请介绍了一种监控视频流中人流分析与人群聚集过程的检测方法及系统。但上述方法在实际应用中存在一些问题。

综上所述，目前迫切需要提出一种能准确快速地检测出场景中人群密度的方法及装置。

发明内容

有鉴于此，本发明的主要目的在于提供一种能够解决诸如车站、机场、超市、商业街区、运动场等的重要公共场所中人群密度检测的方法和装置。

为达到上述目的，按照本发明的第一个方面，提供了一种人群密度检测方法，包括：a)获得当前视频图像帧与在前视频图像帧之间的运动图像；b)对所述运动图像进行阈值分割，得到当前运动的二值图像；c)将所述当前运动的二值图像与先前得到的所有在前运动的二值图像进行累加并且对累加结果进行阈值判断，以获得运动的历史图像，如果不存在在前运动的二值图像，则将当前运动的二值图像作为运动的历史图像；d)基于所述运动的历史图像，确定当前视频图像帧中的人群密度等级，得到人群密度等级图像；e)对所述人群密度等级图像进行二值化，随后对二值化的人群密度等级图像进行连通区域标定，以统计该二值化的人群密度等级图像中区域的人群密度属性；f)以先进先出的方式记录所述人群密度属性，以能够得到最近一段预定时间的人群密度属性队列；g)判断人群密度的状态维持时间是否大于预定的时间阈值，如果是，则执行步骤h)，否则返回步骤a)；和h)根据所述人群密度属性队列中的各人群密度属性判断是否发生拥挤事件。

按照本发明的另一个方面，提供了一种人群密度检测装置，包括：运动图像获取单元，用于获得当前视频图像帧与在前视频图像帧之间的运动图像；运动的二值图像获取单元，用于对所述运动图像进行阈值分割，以得到当前运动的二值图像；运动的历史图像获取单元，用于将所述当前运动的二值图像与先前得到的所有在前运动的二值图像进行累加并且对累加结果进行阈值判断，以获得运动的历史图像，如果不存在在前运动的二值图像，则将当前运动的二值图像作为运动的历史图像；人群密度等级图像获取单元，用于基于所述运动的历史图像，确定当前视频图像帧中的人群密度等级，得到人群密度等级图像；人群密度属性获取单元，用于对所述人群密度等级图像进行二值化，随后对二值化的人群密度等级图像进行连通区域标定，以统计该二值化的人群密度等级图像中区域的人群密度属性；人群密度属性记录单元，用于以先进先出的方式记录所述人群密度属性，以能够得到最近一段预定时间的人群密度属性队列；状态维持时间判别单元，用于判断人群密度的状态维持时间是否大于预定的时间阈值，如果是，则输出所述人群密度属性队列；和拥挤事件判断单元，用于根据所述人群密度属性队列中的各人群密度属性判断是否发生拥挤事件。

附图说明

图1示出了按照本发明的一种人群密度检测方法的原理图；

图2示出了按照本发明的存储运动的历史图像的原理图；

图3示出了按照本发明的计算人群密度图像等级的原理图；

图4示出了按照本发明的一种人群密度检测装置的模块图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明进一步详细说明。首先，为了更好地理解本发明，参照图1-3介绍本发明的原理。

图l表示按照本发明的视频图像中进行人群密度检测的方法的原理图。如图1所示，从原理上讲，按照本发明的视频图像中进行人群密度的检测方法可以包括以下几个步骤：

步骤101，存储运动的历史图像；

步骤102，计算人群密度等级图像；

步骤103，统计人群密度属性；

步骤104，存储人群密度属性的历史信息；

步骤105，判断状态维持时间是否充分；

步骤106，检测拥挤事件；和

步骤107，显示拥挤事件属性。

以上步骤的划分仅仅是为了便于介绍本发明的原理。

下面将参照附图2、3分别详细介绍上述各个步骤的原理。

计算并存储运动历史图像(MHI)

存储运动的历史图像可以这样来完成：首先通过利用光流方法来获取视频图像的运动图像，然后对运动图像进行阈值分割获得运动的二值图像，并且将所获得的运动的二值图像进行累加获得运动历史图像并存储所述运动历史图像。

图2示出了按照本发明的存储运动的历史图像的流程图。如图2所示，按照本发明的存储运动的历史图像可以进一步包括：

步骤201，计算运动图像。

本步骤中利用光流方法计算连续两帧图像的运动图像。光流方法计算基于两种假设，即连续两帧图像中，对应像素点的运动很小且灰度变化很小。连续两帧图像的光流方向图的计算公式为(参见B.K.P Horn和B.G.Schunk所著的《Determining optical flow》(ArtificialIntelligence，17：185-203，1981))：

其中，I表示当前帧图像，Ix表示当前帧图像x方向的导数，Iy表示当前帧图像y方向的导数，Iz表示当前帧图像与前一帧图像的差分图像，表示n次迭代时每个像素点周围四连通的在X方向上的位移的平均值，

表示n次迭代时每个像素点周围四连通的在y方向上的位移的平均值，un+1表示n+1次迭代后每个像素点在X方向上的位移，vn+1表示n+1次迭代后每个像素点在X方向上的位移。n为迭代次数，α为平滑度调节参数。迭代的方法得到相邻两帧图像的光流方向图(un+1，vn+1)。(un+1，vn+1)表示像素点在n+1次迭代后位移方向的矢量图)，该光流方向图即为相邻两帧图像的运动图像。其中，u、v的初始值为0。)

步骤202，获取运动的二值图像。

本步骤中将该运动图像进行阈值分割以得到运动的二值图像。可以通过一般的阈值分割方法实现，如梯度阈值法、最大类间方差法、最大熵法。实施例中，采用简单的一维梯度阈值法：设点(x，y)的像素值为fx，y，若fx，y≥第一阈值T1，则将fx，y赋予255；否则，将fx，y赋予0。其中，第一阈值T1可以取值为[100，200]，即100≤T1≤200。

步骤203，获取运动的历史图像并存储。

本步骤中将多个运动的二值图像进行累加，将累加的结果进行阈值判断，以获得运动的历史图像并进行存储。本步骤依次统计每帧运动的二值图像的历史图像，然后对该历史图像进行阈值判断处理并进行存储。首先，统计每帧运动的二值图像的历史图像，可以参见Zhaozheng Yin和Robert Collins的文章《Moving Object Localization in Thermal Imagery byForward-backward MHI》(Computer Vision and Pattern Recognition Workshop，2006.CVPRW′06.Conference on，Publication Date：17-22 June 2006，Pages：133)，运动二值图像的历史图像中各像素像素值的计算公式如下：MHIx，y(t)＝MHIx，y(t-1)+fx，y(t)-β。其中，fx，y(t)表示第t帧运动的二值图像内点(x，y)的像素值，MHIx，y(t-1)、MHIx，y(t)分别表示第t-1、t帧运动的二值图像的历史图像内点(x，y)的像素值，MHIx，y(0)＝0，β表示衰减因子。当MHIx，y(t)＞255时，MHIx，y(t)＝255；当MHIx，y(t)＜0时，MHIx，y(t)＝0。然后，对每帧历史图像进行阈值判断处理，当MHIx，y(t)≥第二阈值T2时，将历史图像内点(x，y)的像素值赋予1，即MHIx，y(t)＝1；否则，将历史图像内点(x，y)的像素值赋予0，即MHIx，y(t)＝0。其中，第二阈值的取值范围可以是[100，200]，即100≤T2≤200。最后，存储历史图像。

计算人群密度等级图像

人群密度等级图像的计算可以这样来完成：通过人群的纹理来区分密度的等级。

图3示出了按照本发明的计算人群密度等级图像的流程图。如图3所示，按照本发明的计算人群密度等级图像可以进一步包括：

步骤301，提取图像边缘。

本步骤中提取图像边缘是提取人群密度等级图像的边缘，可以通过梯度算法、Roberts梯度算法、Sobel算法、Canny算法、Laplace算法等现有的边缘提取算法实现。

具体来说，提取图像的边缘的方法包括：通过边缘提取算法，提取出当前视频图像帧的边缘，并对提取的边缘图像进行阈值分割，以获取边缘图像的二值化图像。其中，边缘反映为图像内相邻像素间灰度值的跃变。提取边缘指的是将图像内相邻像素间灰度值跃变的区域检测出来。边缘提取算法可以通过梯度算法、Roberts梯度算法、Sobel算法、Canny算法、Laplace算法等现有的边缘提取算法实现。阈值分割可以采用简单的一维梯度阈值法，具体可以参照步骤202。经过阈值分割后，像素值为非0的像素点属于边缘点，像素值为0的像素点属于背景点。)

步骤302，框定图像边缘。

本步骤中框定图像边缘是利用步骤101中存储的运动的历史图像框定步骤301中提取的边缘图像。

步骤303，循环得到密度等级图像。

本步骤中循环得到密度等级图像是i次膨胀边缘图像，统计单个像素点周围区域面积，将区域面积大于第三阈值T3的区域标记为i级密度区域。

具体来说，本步骤循环得到密度等级图像是指对框定的边缘图像进行第i(i的初始值为1)次膨胀运算，统计膨胀后该框定的边缘图像内像素值为非0的像素点的数目，并计算该数目与该框定的边缘图像内像素点的总数目的比值，若该比值大于第三阈值T3，则将该框定的边缘图像标记为i级密度区域；否则i＝i+1，继续上述步骤，直至框定的边缘图像全被标记或者i超过密度等级设定的最大值。第三阈值T3可以由用户根据实际场所的需要设置的。)

实施例中，i依次取1、2、3、4、5，可以得到含有五个等级区域标记的人群密度等级图像。

按照优选实施方式，密度等级设定的最大值为5，第三阈值T3可以选为0.7。在具体实现中，(1)对框定的边缘图像进行第i(i的初始值为1)次膨胀运算，统计膨胀后该框定的边缘图像内像素值为非0的像素点的数目，并计算该数目与该框定的边缘图像内像素点的总数目的比值，若该比值大于0.7，则将该框定的边缘图像标记为i级密度区域；(2)i＝i+1，若i≤5，则对未标记的框定的边缘图像进行第i次膨胀运算，统计膨胀后该框定的边缘图像内像素值为非0的像素点的数目，并计算该数目与该框定的边缘图像内像素点的总数目的比值，若该比值大于0.7，则将该框定的边缘图像标记为i级密度区域；(3)重复步骤(2)，直至所有框定的边缘图像都被标记。其中，标记的1、2、3、4、5这五个等级分别表示十分拥挤、比较拥挤、拥挤、比较不拥挤、不拥挤。)

统计人群密度属性

本步骤中统计人群密度属性是对人群密度等级图像二值化，通过连通区域标定方法，统计该二值化图像区域的属性，包括个数、位置、面积等。

其中，连通区域标定方法可以通过四连通域方法或八连通域方法实现。四连/八连通域的连通标记的方法是：首先，对二值化图像(即人群密度等级图像的二值化图像)施行逐行扫描，找到一个未标记区域的第一点，标记该点；检查该点的四连/八连域点并标记满足连通性要求的，且尚未被标记的点，同时将新增的标记点记录下来作为“区域增长”的种子点。在后续的标记过程中，不断地从记录种子点的数组中取出一个种子，施行上述的操作，如此循环，直到记录种子点的数组为空，一个连通区域标记结束。接着再标记下一个未标记的区域，直到二值化图像(即人群密度等级图像的二值化图像)内所有连通区域都被标记。

连通区域标定方法是利用连通区域分析将人群密度等级图像的二值化图像进行区域标记，然后计算每个标记的连通区域的位置、面积，同时统计标记的连通区域的个数。

存储人群密度属性的历史信息

本步骤中存储人群密度属性的历史信息是连续记录统计人群密度属性的步骤中统计的人群密度属性，通过先进先出的方式得到最近一段时间的属性队列，并进行存储，以便为后期分析做准备。

其中，“先进先出”指的是计算机排序中的“先进先出”指令。“先进先出的方法”是指将最近一段时间内的人群密度的属性按时间的先后顺序存储到队列中，以构成该段时间的属性队列。“最近一段时间”可以由用户根据实际需求设置的一段时间范围，考虑到计算机的储存量，设置的这段时间范围最好小于100秒，例如可以设置为3秒。其中，人群密度的属性包括：人群区域的外接矩形坐标、人群区域的面积、以及人群密度等级。人群区域的面积包括：人群区域的真实面积和像素面积。人群区域的真实面积指的是改人群区域在真实世界中所占的面积，可以通过标定的方法计算。人群区域的像素面积可以通过统计人群区域内像素点的数目而获得。)

判断状态维持时间是否充分

按照一种实施方式，本步骤中判断状态维持时间是否充分包括设定一个时间阈值T5，当状态维持时间大于时间阈值T5时，则执行步骤106，否则执行步骤101。所述状态维持时间是指维持人群密度状态的时间。时间阈值T5是由用户根据需求设置。当维持人群密度状态的时间超过用户设定的时间阈值T5时，则进行步骤106。

按照优选实施方式，在这一步骤中，获取最近一段时间的属性队列，从第一个属性开始，依次比较属性中的人群区域的像素面积与第四阈值T4的大小，若该属性中的人群区域的像素面积大于第四阈值T4，则开始计时，计算紧接其后的属性满足像素面积大于第四阈值T4条件所维持的时间。若维持的时间大于时间阈值T5，则认为状态维持时间充分，执行步骤106，否则执行步骤101。第四阈值T4是由用户根据实际需求设置的面积阈值，例如可设置为10m2。时间阈值T5是由用户根据实际需求设置的，例如可以设置为3秒。

检测拥挤事件

本步骤中检测拥挤事件是对存储人群密度属性的历史信息的步骤中存储的人群密度属性的历史信息中人群密度的面积进行统计。

按照优选实施方式，本步骤中所述的人群密度的面积是指存储人群密度属性队列中人群区域的真实面积，参见步骤104，所述“统计”是指从属性队列中获取该时间段内的人群区域的真实面积，以计算该一段时间内面积大于阈值T6的时间段比例。其中，这里的“一段时间”就是步骤104中的“最近一段时间”，是用户根据实际需求设置的一段时间范围，考虑到计算机的储存量，设置的这段时间范围最好小于100秒，例如可以设置为3秒。“计算一段时间内面积大于阈值T6的时间段比例”是指在这段时间内进行统计，统计符合人群区域的真实面积大于第六阈值T6条件的时长，若该时长大于第七阈值T7，则认为存在拥挤事件，并触发警报。其中，第六阈值T6是由用户根据实际需求设置的面积阈值，可以设置为10m2。第七阈值T7是由用户根据实际需求设置的时间比例阈值，可以在范围[0.6，1]内设置。如果该比例大于阈值T7，则认为存在拥挤事件。

具体实现方式

下面，将参照图4介绍本发明的在视频图像中进行人群密度检测的方法的具体实现方式。如图4所示，该方法包括步骤：a)获得当前视频图像帧与在前视频图像帧之间的运动图像；b)对所述运动图像进行阈值分割，得到当前运动的二值图像；c)将所述当前运动的二值图像与先前得到的所有在前运动的二值图像进行累加并且对累加结果进行阈值判断，以获得运动的历史图像，如果不存在在前运动的二值图像，则将当前运动的二值图像作为运动的历史图像；d)基于所述运动的历史图像，确定当前视频图像帧中的人群密度等级，得到人群密度等级图像；e)对所述人群密度等级图像进行二值化，随后对二值化的人群密度等级图像进行连通区域标定，以统计该二值化的人群密度等级图像中区域的人群密度属性；f)以先进先出的方式记录所述人群密度属性，以能够得到最近一段预定时间的人群密度属性队列；g)判断人群密度的状态维持时间是否大于预定的时间阈值，如果是，则执行步骤h)，否则返回步骤a)；和h)根据所述人群密度属性队列中的各人群密度属性判断是否发生拥挤事件。

按照本发明的具体实现方式，步骤a)-c)相当于本发明原理说明中的步骤101，步骤d)相当于本发明原理说明中的步骤102，步骤e)相当于本发明原理说明中的步骤103，步骤f)相当于步骤本发明原理说明中的步骤104，步骤g)相当于本发明原理说明中的步骤105，步骤h)相当于本发明原理说明中的步骤106。

按照优选实施方式，所述的方法中，步骤a)中的运动图像是利用光流方法获得的。

按照优选实施方式，步骤d)包括步骤：提取人群密度等级图像的边缘，以获得边缘图像；利用运动的历史图像框定所述边缘图像；对经过框定的边缘图像进行i次膨胀运算，以得到人群密度等级图像。

按照优选实施方式，所述对经过框定的边缘图像进行i次膨胀运算，以得到密度等级图像的步骤可以包括：对框定的边缘图像进行第i次膨胀运算；统计膨胀后框定的边缘图像内像素值非0的像素点的数目；计算该数目与框定的边缘图像内像素点的总数目的比值；如果所述比值大于预定的阈值，则将该框定的边缘图像标记为i级密度区域，否则i＝i+1；如果框定的边缘图像全部被标记或者i值超过了预定的最大值时，得到密度等级图像，否则返回到对框定的边缘图像进行第i次膨胀运算的步骤。

按照优选实施方式，所述二值化的人群密度等级图像中区域的人群密度属性至少包括所述区域的面积。

按照优选实施方式，其中步骤g)中的判断人群密度的状态维持时间是指所述人群密度属性队列中各人群密度属性中的至少一个人群密度属性中的面积维持大于预定阈值的状态的时间。

按照优选实施方式，其中步骤h)包括：在所述人群密度属性队列中，统计所包括的面积大于预定面积阈值的所有人群密度属性总共对应的时间长度；如果所述时间长度大于预定的时间长度阈值，则判定为发生了拥挤事件。

按照优选实施方式，其中，所述在前视频图像帧为当前视频图像帧的前一视频图像帧。

下面，将参照图5介绍本发明的在视频图像中进行人群密度检测的装置的具体实现方式。如图5所示，该装置包括：运动图像获取单元1，用于获得当前视频图像帧与在前视频图像帧之间的运动图像；运动的二值图像获取单元2，用于对所述运动图像进行阈值分割，以得到当前运动的二值图像；运动的历史图像获取单元3，用于将所述当前运动的二值图像与先前得到的所有在前运动的二值图像进行累加并且对累加结果进行阈值判断，以获得运动的历史图像，如果不存在在前运动的二值图像，则将当前运动的二值图像作为运动的历史图像；人群密度等级图像获取单元4，用于基于所述运动的历史图像，确定当前视频图像帧中的人群密度等级，得到人群密度等级图像；人群密度属性获取单元5，用于对所述人群密度等级图像进行二值化，随后对二值化的人群密度等级图像进行连通区域标定，以统计该二值化的人群密度等级图像中区域的人群密度属性；人群密度属性记录单元6，用于以先进先出的方式记录所述人群密度属性，以能够得到最近一段预定时间的人群密度属性队列；状态维持时间判别单元7，用于判断人群密度的状态维持时间是否大于预定的时间阈值，如果是，则输出所述人群密度属性队列；和拥挤事件判断单元8，用于根据所述人群密度属性队列中的各人群密度属性判断是否发生拥挤事件。

按照优选实施方式，所述运动图像获取单元利用光流方法获得运动图像。

按照优选实施方式，人群密度等级图像获取单元执行以下操作：提取人群密度等级图像的边缘，以获得边缘图像；利用运动的历史图像框定所述边缘图像；对经过框定的边缘图像进行i次膨胀运算，以得到人群密度等级图像。

按照优选实施方式，所述对经过框定的边缘图像进行i次膨胀运算，以得到人群密度等级图像的操作包括操作：对框定的边缘图像进行第i次膨胀运算；统计膨胀后框定的边缘图像内像素值非0的像素点的数目；计算该数目与框定的边缘图像内像素点的总数目的比值；如果所述比值大于预定的阈值，则将该框定的边缘图像标记为i级密度区域，否则i＝i+1；如果框定的边缘图像全部被标记或者i值超过了预定的最大值时，得到密度等级图像，否则返回到对框定的边缘图像进行第i次膨胀运算的操作。

按照优选实施方式，所述二值化的人群密度等级图像中区域的人群密度属性至少包括所述区域的面积。

按照优选实施方式，所述判断人群密度的状态维持时间是指所述人群密度属性队列中各人群密度属性中的至少一个人群密度属性中的面积维持大于预定阈值的状态的时间。

按照优选实施方式，拥挤事件判断单元执行以下操作：在所述人群密度属性队列中，统计所包括的面积大于预定面积阈值的所有人群密度属性总共对应的时间长度；如果所述时间长度大于预定的时间长度阈值，则判定为发生了拥挤事件。

按照优选实施方式，所述在前视频图像帧为当前视频图像帧的前一视频图像帧。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，应当理解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善，因此本发明只受到本发明权利要求的内容和范围的限制，其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。

Claims (16)

1.一种在视频图像中进行人群密度检测的方法，该方法包括：

a)获得当前视频图像帧与在前视频图像帧之间的运动图像；

b)对所述运动图像进行阈值分割，得到当前运动的二值图像；

c)将所述当前运动的二值图像与先前得到的所有在前运动的二值图像进行累加并且对累加结果进行阈值判断，以获得运动的历史图像，如果不存在在前运动的二值图像，则将当前运动的二值图像作为运动的历史图像；

d)基于所述运动的历史图像，确定当前视频图像帧中的人群密度等级，得到人群密度等级图像；

e)对所述人群密度等级图像进行二值化，随后对二值化的人群密度等级图像进行连通区域标定，以统计该二值化的人群密度等级图像中区域的人群密度属性；

f)以先进先出的方式记录所述人群密度属性，以能够得到最近一段预定时间的人群密度属性队列；

g)判断人群密度的状态维持时间是否大于预定的时间阈值，如果是，则执行步骤h)，否则返回步骤a)；和

h)根据所述人群密度属性队列中的各人群密度属性判断是否发生拥挤事件。

2.按照权利要求1所述的方法，其中，步骤a)中的运动图像是利用光流方法获得的。

3.按照权利要求1所述的方法，其中，步骤d)包括步骤：

提取当前视频图像帧的边缘，以获得边缘图像；

利用运动的历史图像框定所述边缘图像；

对经过框定的边缘图像进行i次膨胀运算，以得到人群密度等级图像。

4.按照权利要求3所述的方法，其中，所述对经过框定的边缘图像进行i次膨胀运算，以得到密度等级图像的步骤包括：

对框定的边缘图像进行第i次膨胀运算；

统计膨胀后框定的边缘图像内像素值非0的像素点的数目；

计算该数目与框定的边缘图像内像素点的总数目的比值；

如果所述比值大于预定的阈值，则将该框定的边缘图像标记为i级密度区域，否则i＝i+1；

如果框定的边缘图像全部被标记或者i值超过了预定的最大值时，得到密度等级图像，否则返回到对框定的边缘图像进行第i次膨胀运算的步骤。

5.按照权利要求1所述的方法，其中

所述二值化的人群密度等级图像中区域的人群密度属性至少包括所述区域的面积。

6.按照权利要求5所述的方法，其中步骤g)中的判断人群密度的状态维持时间是指所述人群密度属性队列中各人群密度属性中的至少一个人群密度属性中的面积维持大于预定阈值的状态的时间。

7.按照权利要求5所述的方法，其中步骤h)包括：

在所述人群密度属性队列中，统计所包括的面积大于预定面积阈值的所有人群密度属性总共对应的时间长度；

如果所述时间长度大于预定的时间长度阈值，则判定为发生了拥挤事件。

8.按照权利要求1所述的方法，其中，所述在前视频图像帧为当前视频图像帧的前一视频图像帧。

9.一种在视频图像中进行人群密度检测的装置，其特征在于，该装置包括：

运动图像获取单元，用于获得当前视频图像帧与在前视频图像帧之间的运动图像；

运动的二值图像获取单元，用于对所述运动图像进行阈值分割，以得到当前运动的二值图像；

运动的历史图像获取单元，用于将所述当前运动的二值图像与先前得到的所有在前运动的二值图像进行累加并且对累加结果进行阈值判断，以获得运动的历史图像，如果不存在在前运动的二值图像，则将当前运动的二值图像作为运动的历史图像；

人群密度等级图像获取单元，用于基于所述运动的历史图像，确定当前视频图像帧中的人群密度等级，得到人群密度等级图像；

人群密度属性获取单元，用于对所述人群密度等级图像进行二值化，随后对二值化的人群密度等级图像进行连通区域标定，以统计该二值化的人群密度等级图像中区域的人群密度属性；

人群密度属性记录单元，用于以先进先出的方式记录所述人群密度属性，以能够得到最近一段预定时间的人群密度属性队列；

状态维持时间判别单元，用于判断人群密度的状态维持时间是否大于预定的时间阈值，如果是，则输出所述人群密度属性队列；和

拥挤事件判断单元，用于根据所述人群密度属性队列中的各人群密度属性判断是否发生拥挤事件。

10.按照权利要求9所述的装置，其中，所述运动图像获取单元利用光流方法获得运动图像。

11.按照权利要求9所述的装置，其中，人群密度等级图像获取单元执行以下操作：

提取当前视频图像帧的边缘，以获得边缘图像；

利用运动的历史图像框定所述边缘图像；

对经过框定的边缘图像进行i次膨胀运算，以得到人群密度等级图像。

12.按照权利要求11所述的装置，其中，所述对经过框定的边缘图像进行i次膨胀运算，以得到人群密度等级图像的操作包括以下操作：

对框定的边缘图像进行第i次膨胀运算；

统计膨胀后框定的边缘图像内像素值非0的像素点的数目；

计算该数目与框定的边缘图像内像素点的总数目的比值；

如果所述比值大于预定的阈值，则将该框定的边缘图像标记为i级密度区域，否则i＝i+1；

如果框定的边缘图像全部被标记或者i值超过了预定的最大值时，得到密度等级图像，否则返回到对框定的边缘图像进行第i次膨胀运算的操作。

13.按照权利要求9所述的装置，其中，所述二值化的人群密度等级图像中区域的人群密度属性至少包括所述区域的面积。

14.按照权利要求13所述的装置，其中所述判断人群密度的状态维持时间是指所述人群密度属性队列中各人群密度属性中的至少一个人群密度属性中的面积维持大于预定阈值的状态的时间。

15.按照权利要求13所述的装置，其中拥挤事件判断单元执行以下操作：

在所述人群密度属性队列中，统计所包括的面积大于预定面积阈值的所有人群密度属性总共对应的时间长度；

如果所述时间长度大于预定的时间长度阈值，则判定为发生了拥挤事件。

16.按照权利要求9所述的装置，其中，所述在前视频图像帧为当前视频图像帧的前一视频图像帧。

Images