CN108399388A - 一种中高密度人群数量统计方法 - Google Patents
一种中高密度人群数量统计方法 Download PDFInfo
- Publication number
- CN108399388A CN108399388A CN201810170106.4A CN201810170106A CN108399388A CN 108399388 A CN108399388 A CN 108399388A CN 201810170106 A CN201810170106 A CN 201810170106A CN 108399388 A CN108399388 A CN 108399388A
- Authority
- CN
- China
- Prior art keywords
- crowd
- high density
- frame
- density
- candidate frame
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种中高密度人群数量统计方法,采用行人检测器对采集的视频帧序列的视频帧进行行人检测,获得检测候选框;根据获得的检测候选框的空间、时间以及颜色特征,对检测候选框进行聚类,获得人群团块区域;采用基于角点的人群计数方法对每个人群团块区域进行人群初步数,获取对应的计数结果;通过计数结果与特征点数量的关系进行密度估计;当特征点数量超过预设阈值时,自动切换至超高密度统计模式;当将视频帧送入多级联合深度网络,统计人群密度图谱;根据密度图谱统计人数;针对不同密度,选取不同的数据融合方法,完成人群计数。本发明能在人群从中高密度增加到超高密度时进行切换,兼顾不同密度场景下人群的计数问题。
Description
技术领域
本发明涉及计算机视觉、人工智能,特别是一种中高密度人群数量统计方法。
背景技术
随着社会的发展和技术的进步,智能视频监控技术在越来越多的领域起到至关重要的作用,而人群计数作为智能视频监控中至关重要的一环,所谓人群计数就是通过读取图片或者视频帧,得出当前帧或者图片中一共有多少人。
当前人群计数方法主要分为两大类:直接法和间接法。
直接法也叫基于检测的方法,主要通过使用不同的检测模型,将一个个行人个体检测分割出来,来实现人群计数。在中高密度时,主要采用基于人体的行人检测模型;在超高密度时,遮挡问题严重,所以主要采用基于头加肩膀(Ω)区域的行人检测模型,又或者基于人头的行人检测模型。
间接法,主要通过提取人群的不同特征,通过训练等方法,得到特征与人数的映射关系,以此来实现人群计数。常用于人群计数的特征主要有前景面积,纹理特征,又或者角点特征等。
直接方法最大的优点就是鲁棒性强,在中高密度场景下,有着不可取代的优越性。但当密度增大时,由于遮挡等问题,人体的表达特征受到破坏,行人不能得到很好的检测分割,使得性能大幅度下降。
间接法最明显的优点在于高密度或超高密度时,相对直接法有着更高的准确度。但在中等密度使用间接法,相较于直接法,有着不必要的复杂度和高成本。
可以看到,直接法和间接法分别适用于中高密度与超高密度,但在另一个密度效果较差。
发明内容
本发明的目的在于提供一种中高密度人群数量统计方法,以克服现有技术中存在的缺陷。
为实现上述目的,本发明的技术方案是:一种中高密度人群数量统计方法,按照如下步骤实现:
步骤S1:采用行人检测器对采集的视频帧序列的视频帧进行行人检测,获得检测候选框;
步骤S2:根据获得的检测候选框的空间、时间以及颜色特征,对检测候选框进行聚类,获得人群团块区域;
步骤S3:采用基于角点的人群计数方法对每个人群团块区域进行人群初步数,获取对应的计数结果;
步骤S4:通过计数结果与特征点数量的关系进行密度估计;
步骤S5:当特征点数量超过预设阈值时,自动切换至超高密度统计模式;否则,转至步骤S3;
步骤S6:当将视频帧送入多级联合深度网络,统计人群密度图谱;
步骤S7:根据密度图谱统计人数;
步骤S8:针对不同密度,选取不同的数据融合方法,完成人群计数。
在本发明一实施例中,在所述步骤S1中,所述行人检测器采用基于RPN网络的深度学习检测器。
在本发明一实施例中,在所述步骤S2中,还包括对所述检测候选框的预处理;该预处理过程包括:设定用于过滤面积大于预尺寸检测候选框的阈值;建立当前帧与前后帧光流图,将前后帧的检测候选框都映射到当前帧,降低漏检率,获取所述特征点。
在本发明一实施例中,在所述步骤S2中,所述聚类采用迪里赫雷特混合模型。
在本发明一实施例中,在所述步骤S3中,根据所述步骤S2获取的人群团块区域,通过如下方式计算每个类内的人数:
其中,pk是在类k内总的角点数,是组成类k的检测候选框的平均角点数。
在本发明一实施例中,在所述步骤S4中,将所述特征点数量按照如下方式进行最大最小归一化:
其中,X*是正则化后的数据,X指的是输入的数据,即特征点数量,max和min表示输入输出数据的最大值和最小值。
相较于现有技术,本发明具有以下有益效果:本发明提出的一种中高密度人群数量统计方法,实现了从中高密度人群和超高密度人群的的估计方法。针对中高密以下人群和超高密度人群估计两个不同问题,在一个系统中实现统一解决。能够感知人群密度变化,在人群密度增加的场景下,自动切换计算方法,使得系统适用性大大提高。
附图说明
图1为本发明中一种中高密度人群数量统计方法的流程图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明提供了一种中高密度人群数量统计方法,按照如下步骤实现:
步骤S1:采用行人检测器对采集的视频帧序列的视频帧进行行人检测,获得检测候选框;
步骤S2:根据获得的检测候选框的空间、时间以及颜色特征,对检测候选框进行聚类,获得人群团块区域;
步骤S3:采用基于角点的人群计数方法对每个人群团块区域进行人群初步数,获取对应的计数结果;
步骤S4:通过计数结果与特征点数量的关系进行密度估计;
步骤S5:当特征点数量超过预设阈值时,自动切换至超高密度统计模式;否则,转至步骤S3;
步骤S6:当将视频帧送入多级联合深度网络,统计人群密度图谱;
步骤S7:根据密度图谱统计人数;
步骤S8:针对不同密度,选取不同的数据融合方法,完成人群计数。
在本实施例中,在所述步骤S1中,所述行人检测器采用基于RPN网络的深度学习检测器。
在本实施例中,在所述步骤S2中,还包括对所述检测候选框的预处理;该预处理过程包括:设定用于过滤面积大于预尺寸检测候选框的阈值,过滤面积太大的检测候选框;建立当前帧与前后帧光流图,将前后帧的检测候选框都映射到当前帧,降低漏检率,获取所述特征点。
在本实施例中,特征点也即角点,在进行候选框预处理的时候需要计算光流图,里面的使用的角点就是这里的特征点。
在本实施例中,在所述步骤S2中,所述聚类采用迪里赫雷特混合模型。
在本实施例中,在所述步骤S3中,根据所述步骤S2获取的人群团块区域,通过如下方式计算每个类内的人数:
其中,pk是在类k内总的角点数,是组成类k的检测候选框的平均角点数,即可进行人群初步计数。
在本实施例中,在所述步骤S4中,将所述特征点数量按照如下方式进行最大最小归一化:
其中,X*是正则化后的数据,X指的是输入的数据,即特征点数量,max和min表示输入输出数据的最大值和最小值。
在本实施例中,步骤S6以及步骤S7中采用的方法为间接方法。
在本实施例中,在步骤S8中,不同的数据融合方法如下:根据密度不同,对相邻三帧做平局。低密度只和低密度平局,中高密度和中高密度平局,高密度和高密度平局。通过采用上述分组方式,保证数量突然变化时的准确性。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (6)
1.一种中高密度人群数量统计方法,其特征在于,按照如下步骤实现:
步骤S1:采用行人检测器对采集的视频帧序列的视频帧进行行人检测,获得检测候选框;
步骤S2:根据获得的检测候选框的空间、时间以及颜色特征,对检测候选框进行聚类,获得人群团块区域;
步骤S3:采用基于角点的人群计数方法对每个人群团块区域进行人群初步数,获取对应的计数结果;
步骤S4:通过计数结果与特征点数量的关系进行密度估计;
步骤S5:当特征点数量超过预设阈值时,自动切换至超高密度统计模式;否则,转至步骤S3;
步骤S6:当将视频帧送入多级联合深度网络,统计人群密度图谱;
步骤S7:根据密度图谱统计人数;
步骤S8:针对不同密度,选取不同的数据融合方法,完成人群计数。
2.根据权利要求1所述的一种中高密度人群数量统计方法,其特征在于,在所述步骤S1中,所述行人检测器采用基于RPN网络的深度学习检测器。
3.根据权利要求1所述的一种中高密度人群数量统计方法,其特征在于,在所述步骤S2中,还包括对所述检测候选框的预处理;该预处理过程包括:设定用于过滤面积大于预尺寸检测候选框的阈值;建立当前帧与前后帧光流图,将前后帧的检测候选框都映射到当前帧,降低漏检率,获取所述特征点。
4.根据权利要求1所述的一种中高密度人群数量统计方法,其特征在于,在所述步骤S2中,所述聚类采用迪里赫雷特混合模型。
5.根据权利要求1所述的一种中高密度人群数量统计方法,其特征在于,在所述步骤S3中,根据所述步骤S2获取的人群团块区域,通过如下方式计算每个类内的人数:
其中,pk是在类k内总的角点数,是组成类k的检测候选框的平均角点数。
6.根据权利要求1所述的一种中高密度人群数量统计方法,其特征在于,在所述步骤S4中,将所述特征点数量按照如下方式进行最大最小归一化:
其中,X*是正则化后的数据,X指的是输入的数据,即特征点数量,max和min表示输入输出数据的最大值和最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810170106.4A CN108399388A (zh) | 2018-02-28 | 2018-02-28 | 一种中高密度人群数量统计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810170106.4A CN108399388A (zh) | 2018-02-28 | 2018-02-28 | 一种中高密度人群数量统计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108399388A true CN108399388A (zh) | 2018-08-14 |
Family
ID=63091429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810170106.4A Pending CN108399388A (zh) | 2018-02-28 | 2018-02-28 | 一种中高密度人群数量统计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108399388A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271960A (zh) * | 2018-10-08 | 2019-01-25 | 燕山大学 | 一种基于卷积神经网络的人数统计方法 |
CN109948497A (zh) * | 2019-03-12 | 2019-06-28 | 北京旷视科技有限公司 | 一种物体检测方法、装置及电子设备 |
CN110008834A (zh) * | 2019-02-28 | 2019-07-12 | 中电海康集团有限公司 | 一种基于视觉的方向盘干预检测与统计方法 |
WO2021031954A1 (zh) * | 2019-08-20 | 2021-02-25 | 北京海益同展信息科技有限公司 | 对象数量确定方法、装置、存储介质与电子设备 |
CN112733624A (zh) * | 2020-12-26 | 2021-04-30 | 电子科技大学 | 室内密集场景的人流密度检测方法、系统存储介质及终端 |
CN117420868A (zh) * | 2023-12-18 | 2024-01-19 | 山东海智星智能科技有限公司 | 基于物联网的智慧教室控制系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160019698A1 (en) * | 2014-07-21 | 2016-01-21 | Florida Atlantic University | Systems and methods for people counting in sequential images |
WO2016064377A1 (en) * | 2014-10-20 | 2016-04-28 | King Abdullah University Of Science And Technology | System and method for crowd counting and tracking |
CN107066963A (zh) * | 2017-04-11 | 2017-08-18 | 福州大学 | 一种自适应人群计数方法 |
CN107330372A (zh) * | 2017-06-05 | 2017-11-07 | 四川大学 | 一种基于视频的人群密度与异常行为检测系统的分析方法 |
CN107742099A (zh) * | 2017-09-30 | 2018-02-27 | 四川云图睿视科技有限公司 | 一种基于全卷积网络的人群密度估计、人数统计的方法 |
-
2018
- 2018-02-28 CN CN201810170106.4A patent/CN108399388A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160019698A1 (en) * | 2014-07-21 | 2016-01-21 | Florida Atlantic University | Systems and methods for people counting in sequential images |
WO2016064377A1 (en) * | 2014-10-20 | 2016-04-28 | King Abdullah University Of Science And Technology | System and method for crowd counting and tracking |
CN107066963A (zh) * | 2017-04-11 | 2017-08-18 | 福州大学 | 一种自适应人群计数方法 |
CN107330372A (zh) * | 2017-06-05 | 2017-11-07 | 四川大学 | 一种基于视频的人群密度与异常行为检测系统的分析方法 |
CN107742099A (zh) * | 2017-09-30 | 2018-02-27 | 四川云图睿视科技有限公司 | 一种基于全卷积网络的人群密度估计、人数统计的方法 |
Non-Patent Citations (6)
Title |
---|
CONG ZHANG ET AL.: "Cross-scene Crowd Counting via Deep Convolutional Neural Networks", 《IEEE》 * |
LILIANG ZHANG ET AL.: "Is Faster R-CNN Doing Well for Pedestrian Detection?", 《ECCV》 * |
SHAOQING REN ET AL.: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
XINGYU ZENG ET AL.: "Multi-Stage Contextual Deep Learning for Pedestrian Detection", 《IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
王强等: "基于像素统计和纹理特征的人群密度估计", 《电子科技》 * |
王焱: "基于随机梯度提升决策树的行人检测算法设计与实现", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271960A (zh) * | 2018-10-08 | 2019-01-25 | 燕山大学 | 一种基于卷积神经网络的人数统计方法 |
CN110008834A (zh) * | 2019-02-28 | 2019-07-12 | 中电海康集团有限公司 | 一种基于视觉的方向盘干预检测与统计方法 |
CN109948497A (zh) * | 2019-03-12 | 2019-06-28 | 北京旷视科技有限公司 | 一种物体检测方法、装置及电子设备 |
CN109948497B (zh) * | 2019-03-12 | 2022-01-28 | 北京旷视科技有限公司 | 一种物体检测方法、装置及电子设备 |
WO2021031954A1 (zh) * | 2019-08-20 | 2021-02-25 | 北京海益同展信息科技有限公司 | 对象数量确定方法、装置、存储介质与电子设备 |
CN112733624A (zh) * | 2020-12-26 | 2021-04-30 | 电子科技大学 | 室内密集场景的人流密度检测方法、系统存储介质及终端 |
CN112733624B (zh) * | 2020-12-26 | 2023-02-03 | 电子科技大学 | 室内密集场景的人流密度检测方法、系统存储介质及终端 |
CN117420868A (zh) * | 2023-12-18 | 2024-01-19 | 山东海智星智能科技有限公司 | 基于物联网的智慧教室控制系统及方法 |
CN117420868B (zh) * | 2023-12-18 | 2024-04-09 | 山东海智星智能科技有限公司 | 基于物联网的智慧教室控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108399388A (zh) | 一种中高密度人群数量统计方法 | |
CN108830252B (zh) | 一种融合全局时空特征的卷积神经网络人体动作识别方法 | |
CN106997629B (zh) | 门禁控制方法、装置及系统 | |
Qin et al. | Applying the convolutional neural network deep learning technology to behavioural recognition in intelligent video | |
CN104933710B (zh) | 基于监控视频下的商店人流轨迹智能分析方法 | |
CN107066963B (zh) | 一种自适应人群计数方法 | |
CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
CN103729858B (zh) | 一种视频监控系统中遗留物品的检测方法 | |
CN103258332B (zh) | 一种抗光照变化的运动目标的检测方法 | |
WO2019114145A1 (zh) | 监控视频中人数检测方法及装置 | |
CN104517095B (zh) | 一种基于深度图像的人头分割方法 | |
Tan et al. | Fast anomaly detection in traffic surveillance video based on robust sparse optical flow | |
CN111582122B (zh) | 一种监控视频多维度行人行为智能分析系统及方法 | |
CN111402237B (zh) | 基于时空级联自编码器的视频图像异常检测方法及系统 | |
CN107886507B (zh) | 一种基于图像背景和空间位置的显著区域检测方法 | |
CN103714181A (zh) | 一种层级化的特定人物检索方法 | |
CN210072642U (zh) | 基于视频监控的人群异常行为检测系统 | |
CN110472634A (zh) | 基于多尺度深度特征差值融合网络的变化检测方法 | |
CN105069816B (zh) | 一种进出口人流量统计的方法及系统 | |
CN103927519A (zh) | 一种实时人脸检测与过滤方法 | |
CN109214324A (zh) | 基于多相机阵列的最正脸图像输出方法及输出系统 | |
CN106886763A (zh) | 实时检测人脸的系统及其方法 | |
Chato et al. | Image processing and artificial neural network for counting people inside public transport | |
CN106548158A (zh) | 基于机器视觉的人群密度智能监测系统及方法 | |
Wang et al. | Early smoke detection in video using swaying and diffusion feature |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180814 |
|
RJ01 | Rejection of invention patent application after publication |