CN106096567B - 基于图像识别技术的人群安全指数计算方法及装置 - Google Patents

Abstract

本发明提供了基于图像识别技术的人群安全指数计算方法，涉及行人安全领域。本发明提供的基于图像识别技术的人群安全指数计算方法，通过预先设置在监控区域内的摄像头获取到了视频图像，并从视频图像中提取出了人群密度指数、人群运动一致性指数和人群运动速度指数这三个参量，并最终使用这三个参量计算出了人群安全指数。人群安全指数应当客观的反应出指定子区域内未来预定时间内发生安全问题的概率，考虑到人群运动速度指数和人群运动的一致性后，能够更加客观和准确的估算出人群安全指数，从而为后续进行疏导方案的确定提供了良好的基础。

Description

基于图像识别技术的人群安全指数计算方法及装置

技术领域

本发明涉及行人安全领域，具体而言，涉及基于图像识别技术的人群安全指数计算方法及装置。

背景技术

不论在生产过程中，还是在一般生活中，安全问题一直是最受到重视的问题。如，在生产过程中，会采用设置防护服装等设备的方式，来保证工作人员的安全；又如在生活中，会采用设置路边的护栏、公路上的信号灯的方式，来保障行人的安全。

随着电子信息技术的发展，除了上述通过使用防护装置来保障人员安全的方式，还出现了基于视频监控技术和移动终端定位技术的安全保障方法。

基于视频监控技术的安全保障方法通常有两种，第一种是采用人工监管的方式。具体来说，用户首先需要在被监控场所设置一定数量的摄像头，并且将这些摄像头所拍摄到的信号接入到视频播放设备中，之后采用人工观察的方式来判断视频监控的画面中的人数是否过多(如果人数过多，则说明人群安全指数较低)，是否会发生拥挤、踩踏等安全问题。第二种是采用视频图像解析的方式，先从摄像头所拍摄到的多帧数据中提取出关键帧图像，再从关键帧图像(比较清晰的一张图像)中提取出人群的总人数，并按照预设的计算方法计算出人群安全指数，如果该指数超出阈值范围，则说明人群较危险，此时则应当及时的进行人群疏导和管控。

基于移动终端定位技术的安全保障方法是依赖于用户所持有的移动终端。具体而言，如被监控的人员都使用手机，且每个手机都开设了定位功能，则可以通过定位技术来判断指定范围内共有多少人；又如手机没有开启定位功能，但能接入互联网，则是可以通过基站定位或wifi定位的方式来确定指定范围内共有多少人。进而用户可以根据指定范围内的人数来计算出当前该范围内的人群安全指数。如果该指数超出阈值范围，则说明人群较危险，此时则应当及时的进行人群疏导和管控。

但上述方式都有一些不足之处。如，人工观看视频的方式受人工因素影响较大，人员困倦的时候就难以及时的对视频画面进行监控；又如，视频图像解析的方式，是通过视频中的人数来计算安全指数的，计算安全指数的准确性较低，并不实用；又如移动终端定位技术，这种方式的前提是每个用户都要携带移动终端，而且基站和wifi的覆盖范围难以精确的确定，因此单纯使用移动终端定位技术也不尽理想。

综上，上述方式均是依据指定范围内的人数来确定人群安全指数，这种确定人群安全指数的方案不够准确，这会直接影响后续确定疏导方案的准确性。

发明内容

本发明的目的在于提供基于图像识别技术的人群安全指数计算方法及装置，以提高计算人群安全指数的准确度。

第一方面，本发明实施例提供了基于图像识别技术的人群安全指数计算方法，包括：

获取监控区域内的视频图像；

从视频图像中提取出监控区域内的人群密度指数、人群运动一致性指数和人群运动速度指数；

根据人群密度指数、人群运动一致性指数和人群运动速度指数计算监控区域的人群安全指数。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，从视频图像中提取出监控区域内的人群密度指数、人群运动一致性指数和人群运动速度指数包括：

将视频图像划分为多个子区域，相邻的两个子区域部分重叠；

分别计算每个子区域中的行人密度；

根据每个子区域中的行人密度计算监控区域内的人群密度指数。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，根据每个子区域中的行人密度计算监控区域内的人群密度指数包括：按照如下公式计算监控区域内的人群密度指数，

其中，F为人群密度指数，Area(p＞P₀)、Area(p＞P₁)和Area(p＞P₂)分别表示人群密度大于P₀、P₁和P₂的子区域的面积总和；p为指定的一个子区域的密度，P₀、P₁和P₂均为预设的密度阈值，且P₀小于P₁，P₁小于P₂；A₀、A₁、A₂均为权重系数，且A₀大于A₁，A₁大于A₂。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，从视频图像中提取出监控区域内的人群密度指数、人群运动一致性指数和人群运动速度指数还包括：

分别识别视频图像中每个行人的运动方向；

根据行人的运动方向，将每个行人的运动方向进行聚类，以生成多个方向类别；

根据方向类别所对应的包络图计算人群运动一致性指数。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，根据方向类别所对应的包络图计算人群运动一致性指数包括：

按照如下公式计算人群运动一致性指数

其中，c(r_k)表示第k个方向所形成的包络图所围成的面积；c(r_l)表示第l个方向所形成的包络图所围成的面积；c(r_k,r_l)表示第k个方向和第l个方向所形成的包络图重合部分的面积。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，从视频图像中提取出监控区域内的人群密度指数、人群运动一致性指数和人群运动速度指数还包括：

采用光流法，根据行人所覆盖的像素的运动速度，分别计算每个行人的运动速度；

按照加权平均的计算方式，根据每个行人的运动速度，计算人群运动速度指数。

结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，该方法还包括：从视频图像中提取人群突变指数，人群突变指数包括，预定时间内人群密度指数的突变指数、人群运动一致性指数的突变指数和人群运动速度指数的突变指数；

根据人群密度指数、人群运动一致性指数和人群运动速度指数计算监控区域的人群安全指数包括：

根据人群密度指数、人群运动一致性指数、人群运动速度指数和人群突变指数计算监控区域的人群安全指数。

结合第一方面，本发明实施例提供了第一方面的第七种可能的实施方式，其中，按照如下公式计算人群安全指数：

S＝100-F-V_d*B-V_m*C-|K|*D；

其中，S为人群安全指数；F为人群密度指数，V_d为人群运动一致性指数，V_m为人群运动速度指数，K为人群突变指数，B、C和D均为预设的权值。

结合第一方面，本发明实施例提供了第一方面的第八种可能的实施方式，其中，

当Area(p>P₀)/Area(all)<1/8时，B、C和D的取值分别为25，8，30；其中，Area(all)为全部所述子区域的总面积；

当Area(p>P₀)/Area(all)>1/8，且Area(p>P₁)/Area(all)<1/10时，B、C和D的取值分别为30，10，35；

当Area(p>P₀)/Area(all)>1/8且Area(p>P₁)/Area(all)>1/10时，B、C和D的取值分别为35，15，40。

第二方面，本发明实施例还提供了基于图像识别技术的人群安全指数计算装置，包括：

获取模块，用于获取监控区域内的视频图像；

提取模块，用于从视频图像中提取出监控区域内的人群密度指数、人群运动一致性指数和人群运动速度指数；

计算模块，用于根据人群密度指数、人群运动一致性指数和人群运动速度指数计算监控区域的人群安全指数。

提取模块包括：

划分单元，用于将所述视频图像划分为多个子区域，相邻的两个所述子区域部分重叠；

第一计算单元，用于分别计算每个所述子区域中的行人密度；

第二计算单元，用于根据每个所述子区域中的行人密度计算监控区域内的人群密度指数；

第二计算单元，进一步用于按照如下公式计算监控区域内的人群密度指数，

其中，F为人群密度指数，Area(p＞P₀)、Area(p＞P₁)和Area(p＞P₂)分别表示人群密度大于P₀、P₁和P₂的子区域的面积总和；p为指定的一个所述子区域的密度，P₀、P₁和P₂均为预设的密度阈值，且P₀小于P₁，P₁小于P₂；A₀、A₁、A₂均为权重系数，且A₀大于A₁，A₁大于A₂。

本发明实施例提供的基于图像识别技术的人群安全指数计算方法，采用多种参量协同计算人群按照指数的方式，与现有技术中的只通过指定子区域内的人数来判断出人群安全指数，进而使得到的人群安全指数并不准确，也进一步使得后续采取的疏导方案不准确相比，其通过预先设置在监控区域内的摄像头获取到了视频图像，并从视频图像中提取出了人群密度指数、人群运动一致性指数和人群运动速度指数这三个参量，并最终使用这三个参量计算出了人群安全指数。人群安全指数应当客观的反应出指定子区域内未来预定时间内发生安全问题的概率，考虑到人群运动速度指数和人群运动的一致性后，能够更加客观和准确的估算出人群安全指数，从而为后续进行疏导方案的确定提供了良好的基础。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本发明实施例所提供的一种基于视频图像分析技术的人群安全指数计算方法的基本流程图；

图2示出了本发明实施例所提供的一种基于视频图像分析技术的人群安全指数计算方法的针对单帧图像的子区域划分示意图；

图3示出了本发明实施例所提供的一种基于视频图像分析技术的人群安全指数计算装置的基本结构图；

图4示出了本发明实施例所提供的一种基于视频图像分析技术的人群安全指数计算方法的生成包络图结果的示意图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

从自动化程度的角度来看，可以将相关技术中确定疏导方案的方法分为两类。第一类的自动化程度较低，通常是由人工进行监管。如人工站在监控区域的上方，以观察的方式来人为判断该区域是否会发生安全问题，和判断采用何种疏导方案；还有如使用摄像头将监控区域的视频画面转给办公室中的人员，再由办公室中的人员进行判断。不论是人工直接实地观察，还是通过摄像头将监控区域的画面转入到办公室，这两种方案都收到人工主观因素的影响过重，存在诸多弊端，如人工很难全面的观察到监控区域的每一个角落，人工会存在疲劳的情况、人工成本过高等等。随着技术的发展，人工监管的方式来确定疏导方案方法逐渐被淘汰。

之后出现了第二类方法，这一类方法的自动化程度较高，或者说人工参与的程度较低。该类方法有两种，第一种是基于视频分析的方法，这一类方法主要是采用二级小波分解将视频图像分解，再把所得到的高频细节子带图像作为研究对象，提取刻画人群人数的能量，建立人群人数和能量的关系，利用线性回归求解人群人数，进而计算出人群安全指数，并根据该人群安全指数给出人群聚集报警和给出疏导方案。这种方法仅仅通过人群人数来衡量人群安全性，一方面报警准确性很低，几乎没有一个产品能达到实用。第二种是使用基站信息、手机APP信息、wifi定位信息等可以计算某个范围内的使用手机、或某个APP、或无线设备的数量，进而根据确定出的设备数量来计算人群安全指数，并依据该人群安全指数给出人群聚集报警和给出疏导方案。可见第二种方法使用的前提是：需要用户携带特定的设备，并且需要确保该设备能够被使用。因而第二种方法并不适用于一般的环境中，而且精度较差。

可见相关技术中计算人群安全指数的方法实用度不高，需要有专用设备(如手机、基站等)进行配合；当不需要专用设备进行配合的时候，就难以准确的计算出人群安全指数，这直接导致了难以依据计算出的人群安全指数给出针对性的疏导方案。这也造成了人员的不安全。

针对该种情况，本申请提供了一种基于视频图像分析技术的人群安全指数计算方法。如图1所示，该方法包括如下步骤：

S101，获取监控区域内的视频图像；

S102，从视频图像中提取出监控区域内的人群密度指数、人群运动一致性指数和人群运动速度指数；

S103，根据人群密度指数、人群运动一致性指数和人群运动速度指数计算监控区域的人群安全指数。

步骤S101执行之前，需要在监控区域内，或相关子区域内设置摄像头，使得摄像头能够拍摄到监控区域内的照片，进而用户可以通过所设置的摄像头来获取到监控区域内的视频图像。当然，摄像头的数量和安置位置可以根据监控区域的实际情况来调整，如当监控区过大时，则应当均匀的设置多个摄像头，以使这多个摄像头能够分别拍摄到监控区域内的不同位置，最后将不同位置的人群安全指数综合起来便能够得到整体监控区域的人群安全指数；又如，当监控区域内有遮挡物存在的情况时，则应当将摄像头设置在视野较好的位置。

步骤S101，即在设置好摄像头之后，便可以通过摄像头获取监控区域的视频图像。此处，获取到的视频图像指的是在时间上连续的多帧图像，以便于后续步骤中计算人群运动速度指数等参数。

步骤S102中，需要通过获取到的视频图像得到人群密度指数、人群运动一致性指数和人群运动速度指数。其中，人群密度指数是与人群密度相关的一个指标，获取人群密度所使用的图像可以是得到的视频图像中的一帧图像(即关键帧图像)；也可以是分别求取每帧图像的人群密度，之后采取加权求平均的方式，来计算人群密度的平均值。

人群运动一致性指数，主要说明反应的是人群运动的方向是否一致，可以想到的是当人群运动的方向一致的时候是不容易发生安全问题的，如监控区域内的行人均是向东行进，则不容易发生行人间的碰撞，进而该监控区域的安全指数是较高的；反之，当一部分人向东行进，另一部分人向西行进则容易发生行人之间的碰撞、摔倒，可见人群运动是否一致能够直接的影响到人群安全指数。

类似的，人群运动速度指数也能够直接的反应出监控区域的人群安全指数。若人群行动速度过快，则两个行人发生碰撞的时候更容易出现危险。尤其是当人群运动一致性较差的时候，人群运动速度过高则更为危险。人群运动速度指数具体有两方面的衡量标准，第一方面是监控区域内行人的平均速度，这可以先分别求取每个行人的行动速度，再采用加权平均的方式来求取该监控区域内行人的平均速度。第二方面是不同行人间速度的差值，也就是不同行人间的相对速度，当不同行人间的速度相差过多的时候也容易发生危险。

步骤S103中，在分别确定了以上三个指标(人群密度指数、人群运动一致性指数和人群运动速度指数)后，便可以依据这三个指标来计算最终的人群安全指数。经过实际使用和统计，以上三个指标是影响人群安全的主要因素，并且这三个因素之间存在一定的内在关联，因此用可以在确定使用场景(监控区域的场景)后，调整步骤S103中计算人群安全指数的具体方式。

需要说明的是，除了上述三个参数(人群密度指数、人群运动一致性指数和人群运动速度指数)会影响人群安全指数，这三个参数的突变情况(人群突变指数)同样会影响人群安全指数。具体而言，人群突变指数包括：预定时间内人群密度指数的突变指数、人群运动一致性指数的突变指数和人群运动速度指数的突变指数。其中，预定时间可以设置为1秒间隔、5秒间隔这样的时间段。

进而，步骤S103就变为：根据人群密度指数、人群运动一致性指数、人群运动速度指数和人群突变指数计算监控区域的人群安全指数。

在进行计算人群安全指数的时候，所使用的人群突变指数可以是三个子参数(人群密度指数的突变指数、人群运动一致性指数的突变指数和人群运动速度指数的突变指数)中的一个，也可以是多个。当只使用这三个子参数中的一个表征人群突变指数时，直接将人群密度指数的突变指数、人群运动一致性指数的突变指数和人群运动速度指数的突变指数中的一个作为人群突变指数即可；当使用这多个子参数来表征人群突变指数时，则可以先分别计算出每个子参数的数值，之后采用加权平均的方式来计算人群突变指数。需要说明的是，为了能够计算这三个子参数，需要获取监控区域内至少两个时段的视频图像，也就是，第一个时段的视频图像用来计算出第一次的人群密度指数、人群运动一致性指数和人群运动速度指数，第二个时段的视频图像用来计算出第二次的人群密度指数、人群运动一致性指数和人群运动速度指数，之后将这两次计算得到的结果做差，便可以得到每个子参数了。

以上，给出了本申请所提供的基于图像识别技术的人群安全指数计算方法的基本流程。整体来看该基本流程，申请人认为，人群的安全程度主要与人群密度，人群运动速度，人群运动方向和这三个数据的突变程度等因素有关系。对于人群密度，人群密度越小，人群中的各个个体之间的距离就会越大，这样发生意外事故的可能性就越低，安全程度就会越高；反之如果人群密度越大，那么人群中的各个个体之间发生身体接触的几率就会越高，越容易造成冲突所以安全程度就会越低。对于人群运动方向，人群运动方向越一致，那么发生意外事故的可能性就越低，安全程度就会越高；反之如果人群运动方向越不一致，例如存在着两拨人沿着相反的方向走，那么发生碰撞的可能性就越高，安全程度就会越低。对于人群的运动速度，运动速度越高，运动主体的反应时间就越少，这样发生意外事故的可能性就越高，安全程度就会越低；反之安全程度就会越高。对于人群运动状态的稳定性(用人群突变指数来衡量)，如果人群状态相对稳定，那么对于每个个体来说，他们都可以通过附近每个人的运动状态来预测之后附近每个人的运动状态，并根据预测的运动状态来采取合适的运动方式，这样的话发生意外事故的可能性就会越低，安全程度就会越高；反之如果人群运动状态很不稳定，那么其附近的个体就很难预测其运动状态，并采取合适的行动，这样的话发生意外事故的可能性就会很高，安全程度就会很低。可见，相对于传统技术只考虑了人群中的人员数量就直接计算出人群安全指数，本发明所提供的方法，综合考虑到了人群密度指数、人群运动一致性指数和人群运动速度指数这三个参数对人群安全指数的影响，使得计算出的结果更为准确。并且，本申请所提供的方法，还额外考虑了人群突变指数，进而使用这四个因素计算出的人群安全指数更加合理。

具体的，下文还给出了计算每个参数(人群密度指数、人群运动一致性指数、人群运动速度指数和人群突变指数)的具体过程。

在计算人群密度指数时，可以按照如下方式进行：

将视频图像划分为多个子区域，相邻的两个子区域部分重叠；

分别计算每个子区域中的行人密度；

根据每个子区域中的行人密度计算监控区域内的人群密度指数。

如图2所示，提供了指定的一帧图像的示意图，该图中示出了3个划分好的子区域，分别是子区域1-子区域3，能够只管的看到这三个子区域，相邻两个子区域之间是有相互覆盖的部分。并且需要按照此种方式将视频图像划分为多个子区域，知道视频图像的每个部分均被划分到指定的子区域中。优选的，每个子区域的形状和面积均应当是相同的，如每个子区域均是长方形，其宽度和高度分别是以w和h，该长方形(子区域)的中心为(x，y)，那么该子区域与相邻的另一个子区域相覆盖的面积为w*h/2。具体计算该子区域的密度可以使用如下公式：

其中，n_xy为落在该子区域内的人数，w和h分别为该子区域的宽和高，p(x，y)为该子区域的密度。

当计算出该子区域的密度之后，可以对矩阵p(x，y)做一次高斯平滑滤波，使结果更平滑。如此便可以计算得到每个子区域的人群密度。

之后可以按照如下公式进一步计算出监控区域内的人群密度指数，

其中，F为人群密度指数，Area(p＞P₀)、Area(p＞P₁)和Area(p＞P₂)分别表示人群密度大于P₀、P₁和P₂的子区域的面积总和；p为指定的一个子区域的密度，P₀、P₁和P₂均为预设的密度阈值，且P₀小于P₁，P₁小于P₂；A₀、A₁、A₂均为权重系数，且A₀大于A₁，A₁大于A₂。

需要说明的是，Area(p＞P₀)、Area(p＞P₁)和Area(p＞P₂)的单位均为平方米，P₀、P₁、P₂分别表示三个不同的密度等级，由于人群密度在超过2人/平方米的情况下，才有可能出现人与人之间较大的约束，此时人群安全就会受到威胁，所以可以按照如下约束来定义P₀、P₁、P₂，P₀＝2人/平方米，P₁＝3人/平方米，P₂＝4人/平方米。由于这三个参数分别统计不同密度的面积，密度越小，则其面积要比较大才可能造成不安全，密度越大，则面积小也可能造成不安全。因此，用A₀、A₁、A₂作为不同密度等级的权重系数，例如可取：A₀＝90平方米，A₁＝30平方米，A₂＝10平方米。其意义为，当考虑人群密度为2人/平方米时，其面积要有90平方米才扣1分；而当考虑人群密度为4人/平方米时，其面积只要10平方米就会扣1分。由于人群密度每增加1，带来的威胁并非是线性的，所以在这里一般取A₀＝3¹A₁＝3²A₂，其中，15＞A₂＞1

在计算人群运动一致性指数时可以按照如下方式进行：

分别识别视频图像中每个行人的运动方向；

根据行人的运动方向，将每个行人的运动方向进行聚类，以生成多个方向类别；

根据方向类别所对应的包络图计算人群运动一致性指数。

在具体操作时，可以先将0度-360度方向平均划分为n个离散的方向区间，如0度-30度为区间1，30度-60度为区间2，进而将0-360度划分为12个不同的区间。之后，按照视频图像中行人的运动方向进行聚类，如视频图像中，行人1的运动方向是27度，则应当将行人1设置在区间1中，如行人2的运动方向是55度，则应当将行人设置在区间2中…在完成了聚类工作之后(即按照行人的运动方向，将每个行人设置在了对应的区间中后)，便可以根据同一类别中每个行人的位置和其方向所属的聚类类别生成该类别的包络图，之后，便可以依据每个类别的包络图计算该类别所覆盖的子区域，可以采用Graham扫描法来求取该类别的包络图。最后，只需要计算两个子区域重叠部分的比例的总和作为人群运动一致性指数即可。

具体的计算公式如下：

按照如下公式计算人群运动一致性指数

其中，c(r_k)表示第k个方向所形成的包络图所围成的面积；c(r_l)表示第l个方向所形成的包络图所围成的面积；c(r_k,r_l)表示第k个方向和第l个方向所形成的包络图重合部分的面积。

如图4所示，其中朝向左侧的箭头表示聚类结果为同一类别的行人的位置和方向，朝向右侧的箭头表示聚类结果为另一个类别的行人的位置和方向，虚线和实现所围起来的子区域分别表示这两个类别的行人的包络图。这两个子区域所重叠的填充区为两个包络图的重合面积。

在得到每个类别的行人的位置之后,生成包络图的过程可以转化为经典的凸包问题，可以使用经典的凸包求取方法如Graham扫描法来求取该类别的包络图。

在计算人群运动速度指数时可以按照如下方式进行：

采用光流法，利用前后两帧图像来获得当前帧每个像素的运动速度，根据行人所覆盖的像素的运动速度，分别计算每个行人的运动速度；

按照加权平均的计算方式，根据每个行人的运动速度，计算人群运动速度指数。

使用光流法进行行人运动速度的计算可以分为如下步骤：

11，检测每个特征像素点的移动速度；

12，确定行人所对应(覆盖)的特征像素点；

13，根据步骤12确定的特征像素点的移动速度，采取加权平均的方式得到该行人的移动速度；

14，重复步骤11-13求取出每个行人的移动速度。

在计算出了每个行人的移动速度之后，按照加权平均的方式计算出全部行人的平均速度即可。

计算平均速度可以按照如下公式进行：

其中v_i表示第i个人的速度，||v_i||表示取模，即速度的大小。N表示总人数。

如前文中的描述，人群运动速度指数除了可以使用人群平均运动速度作为考量的指标外，还可以使用人群相对速度作为考量的指标。具体的，在经过步骤11-14计算出每个行人的移动速度后，还可以计算全部行人中，最高速度和最低速度的差值作为相对速度差，并且按照加权平均的计算方式，根据每个行人的运动速度，计算监控区域内全部行人的平均速度；最后根据相对速度差和平均速度计算人群动速度指数。

在以上公开了获取每个参数(人群密度指数、人群运动一致性指数、人群运动速度和人群突变指数)的具体方法的基础上，下面还给出了本申请所提供方法的具体计算人群安全指数的细化方案。即按照如下公式计算人群安全指数：

S＝100-F-V_d*B-V_m*C-|K|*D；

其中，S为人群安全指数；F为人群密度指数，V_d为人群运动一致性指数，V_m为人群运动速度指数，K为人群突变指数。

具体的，突变指数K可表示为(当然，K也可以表示为和中的任一个或任两个的和),其中L、M和N分别为对一个场景进行一段时间的观察后得到的每种指数的最大值，即L为一段时间内，人群密度指数的最大值(这一段时间内，计算每帧视频图像的人群密度指数后，找到的单帧视频图像的最大值)；M为一段时间内，人群运动一致性指数的最大值(这一段时间内，计算每帧视频图像的人群运动一致性指数后，找到的单帧视频图像的最大值)；N为一段时间内，人群运动速度指数的最大值(这一段时间内，计算每帧视频图像的人群运动速度指数后，找到的单帧视频图像的最大值)，根据该值对人群密度，人群方向一致性以及人群速度进行归一化，其中，F”为进行一段时间内的人均密度指数的平均值，F'为当前帧图像中的人均密度指数的平均值；V_d”为进行一段时间内的人群运动一致性指数的平均值，V_d'为当前帧图像中的人群运动一致性指数的平均值；V_m”为进行一段时间内的人群运动速度指数的平均值，V_m'为当前帧图像中的人群运动一致性指数的平均值。具体计算的过程中，可以按照前文中计算人群密度指数F的公式、计算人群运动一致性指数V_d的公式和人群运动速度指数V_m的公式，计算出每帧图像的F值、V_d值和V_m值，再依据加权求平均的方式计算出F”、V_d”和V_m”的具体数值。

当然，在具体计算内的时候，突变指数K的取值可以选择人群密度指数的变化值、人群运动一致性指数的变化值和人群运动速度指数的变化值中的一种或多种，如还可以是还可以是还可以是为了提高计算的准确度，还可以在每个算子前增加不同的权值，此时，通常X，Y和Z的取值是相等的，但如果计算出的人群密度指数F超过预定数值，则可以设置为X>Y+Z。

如前文中的描述，人群密度指数、人群运动一致性指数和人群运动速度指数之间存在有一定的相辅相成的效果，因此，为了进一步提高计算出的人群安全指数的准确度，可以通过对权值的取值进行限定来达到目的。

具体的，上述公式计算人群安全指数的公式中，

当Area(p>P₀)/Area(all)<1/8时，B、C和D的取值分别为25，8，30；其中，Area(all)为全部所述子区域的总面积；

当Area(p>P₀)/Area(all)>1/8，且Area(p>P₁)/Area(all)<1/10时，B、C和D的取值分别为30，10，35；

当Area(p>P₀)/Area(all)>1/8且Area(p>P₁)/Area(all)>1/10时，B、C和D的取值分别为35，15，40。p为指定的一个所述子区域的密度，为预设的密度阈值。

这种取值方式的优点在于，当人群密度增大的时候，人群运动速度越大，方向越不一致，突变越大对人群安全的威胁就会越大，通过设置BCD随着人群密度的增加而增加可以体现这一点。

与前文所提供的基于图像识别技术的人群安全指数计算方法相对应的，本申请还提供了基于图像识别技术的人群安全指数计算装置，如图3所示包括：

获取模块301，用于获取监控区域内的视频图像；

提取模块302，用于从视频图像中提取出监控区域内的人群密度指数、人群运动一致性指数和人群运动速度指数；

计算模块303，用于根据人群密度指数、人群运动一致性指数和人群运动速度指数计算监控区域的人群安全指数。

提取模块包括：

划分单元，用于将所述视频图像划分为多个子区域，相邻的两个所述子区域部分重叠；

第一计算单元，用于分别计算每个所述子区域中的行人密度；

第二计算单元，用于根据每个所述子区域中的行人密度计算监控区域内的人群密度指数；

第二计算单元，进一步用于按照如下公式计算监控区域内的人群密度指数，

其中，F为人群密度指数，Area(p＞P₀)、Area(p＞P₁)和Area(p＞P₂)分别表示人群密度大于P₀、P₁和P₂的子区域的面积总和；p为指定的一个所述子区域的密度，P₀、P₁和P₂均为预设的密度阈值，且P₀小于P₁，P₁小于P₂；A₀、A₁、A₂均为权重系数，且A₀大于A₁，A₁大于A₂。

优选的，计算模块303包括：

划分单元，用于将视频图像划分为多个子区域，相邻的两个子区域部分重叠；

行人密度计算单元，用于分别计算每个子区域中的行人密度；

人群密度指数计算单元，用于根据每个子区域中的行人密度计算监控区域内的人群密度指数。

优选的，计算模块303还包括：

运动方向识别单元，用于分别识别视频图像中每个行人的运动方向；

聚类单元，用于根据行人的运动方向，将每个行人的运动方向进行聚类，以生成多个方向类别：

人群运动一致性指数计算单元，用于根据方向类别所对应的包络图计算人群运动一致性指数。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.基于图像识别技术的人群安全指数计算方法，其特征在于，包括：

获取监控区域内的视频图像；

从所述视频图像中提取出所述监控区域内的人群密度指数、人群运动一致性指数和人群运动速度指数；

根据所述人群密度指数、人群运动一致性指数和人群运动速度指数计算所述监控区域的人群安全指数；

所述从所述视频图像中提取出所述监控区域内的人群密度指数、人群运动一致性指数和人群运动速度指数包括：

将所述视频图像划分为多个子区域，相邻的两个所述子区域部分重叠；

分别计算每个所述子区域中的行人密度；

根据每个所述子区域中的行人密度计算监控区域内的人群密度指数；

所述根据每个所述子区域中的行人密度计算监控区域内的人群密度指数包括：按照如下公式计算监控区域内的人群密度指数，

其中，F为人群密度指数，Area(p＞P₀)、Area(p＞P₁)和Area(p＞P₂)分别表示人群密度大于P₀、P₁和P₂的子区域的面积总和；p为指定的一个所述子区域的密度，P₀、P₁和P₂均为预设的密度阈值，且P₀小于P₁，P₁小于P₂；A₀、A₁、A₂均为权重系数，且A₀大于A₁，A₁大于A₂。

2.根据权利要求1所述的方法，其特征在于，所述从所述视频图像中提取出所述监控区域内的人群密度指数、人群运动一致性指数和人群运动速度指数还包括：

分别识别所述视频图像中每个行人的运动方向；

根据行人的运动方向，将每个所述行人的运动方向进行聚类，以生成多个方向类别；

根据所述方向类别所对应的包络图计算人群运动一致性指数。

3.根据权利要求2所述的方法，其特征在于，所述根据所述方向类别所对应的包络图计算人群运动一致性指数包括：

按照如下公式计算人群运动一致性指数

其中，c(r_k)表示第k个方向所形成的包络图所围成的面积；c(r_l)表示第l个方向所形成的包络图所围成的面积；c(r_k,r_l)表示第k个方向和第l个方向所形成的包络图重合部分的面积。

4.根据权利要求1所述的方法，其特征在于，所述从所述视频图像中提取出所述监控区域内的人群密度指数、人群运动一致性指数和人群运动速度指数还包括：

采用光流法，根据行人所覆盖的像素的运动速度，分别计算每个所述行人的运动速度；

按照加权平均的计算方式，根据每个行人的运动速度，计算所述人群运动速度指数。

5.根据权利要求1所述的方法，其特征在于，还包括：从所述视频图像中提取人群突变指数，所述人群突变指数包括，预定时间内人群密度指数的突变指数、人群运动一致性指数的突变指数和人群运动速度指数的突变指数；

所述根据所述人群密度指数、人群运动一致性指数和人群运动速度指数计算所述监控区域的人群安全指数包括：

根据所述人群密度指数、人群运动一致性指数、人群运动速度指数和所述人群突变指数计算所述监控区域的人群安全指数。

6.根据权利要求5所述的方法，其特征在于，按照如下公式计算人群安全指数：

S＝100-F-V_d*B-V_m*C-|K|*D；

其中，S为人群安全指数；F为人群密度指数，V_d为人群运动一致性指数，V_m为人群运动速度指数，K为人群突变指数，B、C和D均为预设的权值。

7.根据权利要求6所述的方法，其特征在于，

当Area(p>P₀)/Area(all)<1/8时，B、C和D的取值分别为25，8，30；其中，Area(all)为全部所述子区域的总面积；

当Area(p>P₀)/Area(all)>1/8，且Area(p>P₁)/Area(all)<1/10时，B、C和D的取值分别为30，10，35；

当Area(p>P₀)/Area(all)>1/8且Area(p>P₁)/Area(all)>1/10时，B、C和D的取值分别为35，15，40。

8.基于图像识别技术的人群安全指数计算装置，其特征在于，包括：

获取模块，用于获取监控区域内的视频图像；

提取模块，用于从所述视频图像中提取出所述监控区域内的人群密度指数、人群运动一致性指数和人群运动速度指数；

计算模块，用于根据所述人群密度指数、人群运动一致性指数和人群运动速度指数计算所述监控区域的人群安全指数；

提取模块包括：

划分单元，用于将所述视频图像划分为多个子区域，相邻的两个所述子区域部分重叠；

第一计算单元，用于分别计算每个所述子区域中的行人密度；

第二计算单元，用于根据每个所述子区域中的行人密度计算监控区域内的人群密度指数；

第二计算单元，进一步用于按照如下公式计算监控区域内的人群密度指数，

其中，F为人群密度指数，Area(p＞P₀)、Area(p＞P₁)和Area(p＞P₂)分别表示人群密度大于P₀、P₁和P₂的子区域的面积总和；p为指定的一个所述子区域的密度，P₀、P₁和P₂均为预设的密度阈值，且P₀小于P₁，P₁小于P₂；A₀、A₁、A₂均为权重系数，且A₀大于A₁，A₁大于A₂。