CN111242096A - 基于人数梯度的人群聚集判别方法与系统 - Google Patents

基于人数梯度的人群聚集判别方法与系统 Download PDF

Info

Publication number
CN111242096A
CN111242096A CN202010120084.8A CN202010120084A CN111242096A CN 111242096 A CN111242096 A CN 111242096A CN 202010120084 A CN202010120084 A CN 202010120084A CN 111242096 A CN111242096 A CN 111242096A
Authority
CN
China
Prior art keywords
people
gradient
camera
image
crowd
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.)
Granted
Application number
CN202010120084.8A
Other languages
English (en)
Other versions
CN111242096B (zh
Inventor
犹津
徐勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Security Engineering Technology Research Center Co ltd
Guizhou Siso Electronics Co ltd
Original Assignee
Guizhou Security Engineering Technology Research Center Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guizhou Security Engineering Technology Research Center Co ltd filed Critical Guizhou Security Engineering Technology Research Center Co ltd
Priority to CN202010120084.8A priority Critical patent/CN111242096B/zh
Publication of CN111242096A publication Critical patent/CN111242096A/zh
Application granted granted Critical
Publication of CN111242096B publication Critical patent/CN111242096B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于人数梯度的人群聚集判别方法与系统，通过不间断接受摄像头的视频帧输入，当系统的摄像头视场范围内的人数梯度与密度分别达到各自的阈值时，系统给出人群聚集的判定。由于交通道路、街道、商场、广场等不同场合正常的人群数量与密度各有不同，系统通过提供两种方式的人群聚集判定方式，一是基于自学习方式的人群聚集判定，二是基于人工设置阈值的人群聚集判定。系统同时给出这两种判别结果，供用户使用，涉及人群聚集判别技术领域。该基于人数梯度与密度的人群聚集判别方法与系统，大大方便了管制人员对于人群聚集的监控和管理，判别准确度高，适用范围广，能够实现大范围推广使用。

Description

基于人数梯度的人群聚集判别方法与系统
技术领域
本发明涉及人群聚集判别技术领域，具体为基于人数梯度的人群聚集判别方法与系统。
背景技术
随着城市商业区的规模的不断扩大和繁荣，越来越多的人在商业区购物、餐饮、休闲娱乐，这些大型中心商业区已经成为城市形象的代表和经济最为活跃的地区，商业区内人山人海、熙熙攘攘的背后却隐藏着巨大的安全隐患，近年来，发生在国内外的多起人员拥挤踩踏事故为城市商业区的人群管理敲响了警钟，周末或节假日，商业区人头攒动，一旦发生突发事件，各类风险将会被二次放大，应急响应、处置、救援方法都发生显著变化，当众多人群聚集在一起形成密集人群的时候，容易发生拥挤踩踏等事故，而且对于一些突发卫生疾病疫情管制时，大量的人群聚集对于管制工作十分不利，因此需要对密集人群进行有效地管理，其中人群聚集判别在公共安全领域具有重要应用，尤其是在游行、大规模聚会等情况的判别上具有重要作用。
本发明提出了基于人数梯度的人群聚集判别方法与系统，该系统不间断接受摄像头的视频帧输入，当系统的摄像头视场范围内的人数梯度与密度分别达到各自的阈值时，系统给出人群聚集的判定。由于交通道路、街道、商场、广场等不同场合正常的人群数量与密度各有不同，因此，系统通过提供两种方式的人群聚集判定方式，一是基于自学习方式的人群聚集判定，二是基于人工设置阈值的人群聚集判定。系统同时给出这两种判别结果，供用户使用，大大方便了管制人员对于人群聚集的监控和管理，判别准确度高，适用范围广，能够实现大范围推广使用。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了基于人数梯度的人群聚集判别方法与系统，通过采用基于自学习方式的人群聚集判定和人工设置阈值的人群聚集判定，来供用户使用，大大方便了管制人员对于人群聚集的监控和管理，判别准确度高，适用范围广，能够实现大范围推广使用。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：基于人数梯度的人群聚集判别方法与系统，具体包括以下步骤：
S1、摄像头视频帧输入；
S2、判定摄像头成像是否分区，当摄像头成像范围小时，将摄像头的整个成像范围作为一个区域来进行分析，当摄像头成像范围大时，首先将摄像头的整个成像范围划分为若干区域来进行分析；
S3、对摄像头成像范围整个或单个区域采用阈值设置或阈值学习的方法进行人群聚集判定，令从系统接收视频帧开始到当前时刻为止，依次计算出的人数梯度值分别为
Figure DEST_PATH_IMAGE002
，并称其为人数梯度序列值，判断当前时刻是否处于人群聚集状态时，需要利用
Figure DEST_PATH_IMAGE004
这k个人数梯度序列值的和
Figure DEST_PATH_IMAGE006
，
Figure DEST_PATH_IMAGE008
称为人数梯度综合值，
Figure DEST_PATH_IMAGE010
称为人群聚集判定的第一条件，
Figure DEST_PATH_IMAGE012
称为人数梯度阈值，人群聚集判定的第二条件为
Figure DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE016
为当前时刻位于当前区域的人数，
Figure DEST_PATH_IMAGE018
为人数阈值。
优选的，所述步骤S2中允许用户在系统设置模块中任意选择两种摄像头成像方式中的一种。
优选的，所述步骤S3中人数梯度为定义内单位时间内一个区域内人数“增加”的程度，当一个区域内某个时刻的人数多于上一时刻时，称为人数“正增加”，相应的人数梯度为正值，相反，当一个区域内某个时刻的人数少于上一时刻时，称为人数“负增加”，相应的人数梯度为负值，人数梯度的定义式为
Figure DEST_PATH_IMAGE020
，
Figure DEST_PATH_IMAGE022
为当前时刻与上一时刻的时间差，
Figure DEST_PATH_IMAGE024
分别为当前时刻与上一时刻摄像头成像范围内的人数。
优选的，所述步骤S3中对于阈值
Figure DEST_PATH_IMAGE012A
与
Figure DEST_PATH_IMAGE018A
的确定，具有阈值设置和根据场景自适应地得出这两种工作方式，根据场景自适应地得出阈值的方法如下：
T1、系统在某一场景安装后，持续不断地通过摄像头获取视频帧，并计算和记录不同时刻摄像头视场范围内的人数与人数梯度以及人数梯度均值；
T2、系统在运行规定天数后，由系统运营商帮助使用方查看所记录的视频，人工判断和圈注出处于人群聚集状态的视频帧，系统自动记录下圈注为人群聚集状态的视频帧的人数与人数梯度均值；
T3、将某个场景中被人工判断为人群聚集状态的所有视频段的人数的平均与人数梯度综合值的平均分别作为该场景的人数阈值
Figure DEST_PATH_IMAGE018AA
和人数梯度阈值
Figure DEST_PATH_IMAGE012AA
。
优选的，所述步骤T3中假如场景中只有一段视频被判断为人群聚集状态，则分别将其中人数与人数梯度综合值作为人数阈值
Figure DEST_PATH_IMAGE018AAA
和人数梯度阈值
Figure DEST_PATH_IMAGE012AAA
。
优选的，人数计数是采用泛在化人数的计数方法，将摄像头垂直向下安装和摄像头倾斜向下安装时采集的成规模的人头像和人的斜视图像作为训练样本，基于训练样本及其标注，设计并训练一个深度网络，深度网络通过对原始灰度图像与原始灰度图像变换图进行变尺度区域滤波处理和非线性变换的滤波增强，然后通过滤波增强图的乘积融合得到最大响应区域，并将最大响应区域作为人的区域，一个图像帧中被判断为人的区域的个数即是人数，从而完成人数计数。
优选的，所述变尺度区域滤波处理是通过变尺度区域滤波处理层进行处理，其设计如下：
P1、首先将图像划分为等大的较大图像区域，进行滤波操作；
P2、然后根据滤波结果值的大小，按照如下方式重新划分图像区域：计算各个图像区域的滤波结果的均值，并将其按照从大到小的顺序排列；
P3、然后将排列结果三等分，滤波结果的均值位于排序结果前1/3的图像区域被等分为4个小的图像区域，滤波结果的均值位于排序结果最后1/3的图像区域保持不变，而滤波结果的均值位于排序结果中间1/3的图像区域被等分为两个小一些的图像区域。
本发明还公开了一种基于人数梯度与密度的人群聚集判别系统，包括实时获取视频的摄像头及本发明相应算法与程序组成的系统。
（三）有益效果
本发明提供了基于人数梯度的人群聚集判别方法与系统。具备以下有益效果：该基于人数梯度与密度的人群聚集判别方法与系统，通过不间断接受摄像头的视频帧输入，当系统的摄像头视场范围内的人数梯度与密度分别达到各自的阈值时，系统给出人群聚集的判定。由于交通道路、街道、商场、广场等不同场合正常的人群数量与密度各有不同，因此，系统通过提供两种方式的人群聚集判定方式，一是基于自学习方式的人群聚集判定，二是基于人工设置阈值的人群聚集判定。系统同时给出这两种判别结果，供用户使用，大大方便了管制人员对于人群聚集的监控和管理，判别准确度高，适用范围广，能够实现大范围推广使用。
附图说明
图1为本发明系统工作流程示意图；
图2为本发明深度网络的结构图。
具体实施方式
下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
请参阅图1-2，本发明实施例提供一种技术方案：基于人数梯度的人群聚集判别方法与系统，具体包括以下步骤：
S1、摄像头视频帧输入；
S2、判定摄像头成像是否分区，当摄像头成像范围小时，将摄像头的整个成像范围作为一个区域来进行分析，当摄像头成像范围大时，首先将摄像头的整个成像范围划分为若干区域来进行分析，允许用户在系统设置模块中任意选择两种摄像头成像方式中的一种，第二种工作方式的合理性在于：摄像头成像范围比较大时，在宽广的视野范围内，可能出现某个区域真正出现人群聚集现象、但整个摄像头视野内的相关物理量的平均值较小从而判定为没有人群聚集的情况，因此，若直接对摄像头的整个成像范围进行分析，会出现判别错误，由于一般情况下，摄像头成像范围相对较小，系统的默认工作方式为将摄像头的整个成像范围作为一个区域来进行分析；
S3、对摄像头成像范围整个或单个区域采用阈值设置或阈值学习的方法进行人群聚集判定，阈值设置是指根据需要通过人工指定阈值，阈值学习则是在系统安装后，对具体场景试运行一段时间后，在人为对当前场景获取的视频进行“人群聚集”标注的前提下，由系统分析得出，阈值设置的优点为简单易行，而阈值学习的好处为对具体场景的适应能力强，令从系统接收视频帧开始到当前时刻为止，依次计算出的人数梯度值分别为
Figure DEST_PATH_IMAGE002A
，并称其为人数梯度序列值，判断当前时刻是否处于人群聚集状态时，需要利用
Figure DEST_PATH_IMAGE004A
这k个人数梯度序列值的和
Figure 100002_DEST_PATH_IMAGE026
，
Figure DEST_PATH_IMAGE008A
称为人数梯度综合值，
Figure DEST_PATH_IMAGE010A
称为人群聚集判定的第一条件，
Figure DEST_PATH_IMAGE012AAAA
称为人数梯度阈值，人群聚集判定的第二条件为
Figure DEST_PATH_IMAGE014A
，
Figure DEST_PATH_IMAGE016A
为当前时刻位于当前区域的人数，
Figure DEST_PATH_IMAGE018AAAA
为人数阈值，人数梯度为定义内单位时间（根据实际情况，可将单位时间定为一分钟、一刻钟等）内一个区域内人数“增加”的程度，当一个区域内某个时刻的人数多于上一时刻时，称为人数“正增加”，相应的人数梯度为正值，相反，当一个区域内某个时刻的人数少于上一时刻时，称为人数“负增加”，相应的人数梯度为负值，人数梯度的定义式为
Figure DEST_PATH_IMAGE020A
，
Figure DEST_PATH_IMAGE022A
为当前时刻与上一时刻的时间差，
Figure DEST_PATH_IMAGE024A
分别为当前时刻与上一时刻摄像头成像范围内的人数，人数计数是采用泛在化人数的计数方法，泛在化人数计数方法旨在针对不同的摄像头安装方式，均能取得较优的人数计数结果，摄像头垂直向下安装时，位于摄像头下方的人的成像一般仅为头像；而位于摄像头一定距离的人会形成头部加部分上肢的成像，摄像头倾斜向下安装时，摄像头视野范围内人的成像相对摄像头而言一般为人的斜视成像（人的斜视图像），将摄像头垂直向下安装和摄像头倾斜向下安装时采集的成规模的人头像和人的斜视图像作为训练样本，基于训练样本及其标注（即用矩形框出作为训练样本的图像中的人头像和人的斜视图像），设计并训练一个深度网络，深度网络通过对原始灰度图像与原始灰度图像变换图进行变尺度区域滤波处理和非线性变换的滤波增强，然后通过滤波增强图的乘积融合得到最大响应区域，并将最大响应区域作为人的区域，一个图像帧中被判断为人的区域的个数即是人数，从而完成人数计数，深度网络的两个分支可使得原始灰度图像的信息得到充分利用。原始灰度图像变换图与原始灰度图像大小相等，且原始灰度图像变换图与原始灰度图像的像素一一对应。假设原始灰度图像中某一像素的灰度值为a，则原始灰度图像变换图相应像素的灰度值为a*（c-a）,其中c为参数，可取为原始灰度图像中所有像素的灰度值的最大值或其他合理值，变尺度区域滤波处理是通过变尺度区域滤波处理层进行处理，其设计如下：
P1、首先将图像划分为等大的较大图像区域，进行滤波操作；
P2、然后根据滤波结果值的大小，按照如下方式重新划分图像区域：计算各个图像区域的滤波结果的均值，并将其按照从大到小的顺序排列；
P3、然后将排列结果三等分，滤波结果的均值位于排序结果前1/3的图像区域被等分为4个小的图像区域，滤波结果的均值位于排序结果最后1/3的图像区域保持不变，而滤波结果的均值位于排序结果中间1/3的图像区域被等分为两个小一些的图像区域，这样处理的目的为突出滤波结果值大的图像区域的作用，以便最终得出更好的人数计数结果，使用非线性变换对滤波结果进行增强，由于一个原始灰度图像会得出两个一样大小的滤波增强图，因此，将滤波增强图的乘积融合结果作为最终特征抽取的结果，然后将最大响应区域作为人的区域，一个图像帧中被判断为人的区域的个数即是人数，对于阈值
Figure DEST_PATH_IMAGE012AAAAA
与
Figure DEST_PATH_IMAGE018AAAAA
的确定，具有阈值设置和根据场景自适应地得出（即阈值学习）这两种工作方式，根据场景自适应地得出阈值的方法如下：
T1、系统在某一场景安装后，持续不断地通过摄像头获取视频帧，并计算和记录不同时刻摄像头视场范围内的人数与人数梯度以及人数梯度均值；
T2、系统在运行规定天数后，由系统运营商帮助使用方查看所记录的视频，人工判断和圈注出处于人群聚集状态的视频帧，系统自动记录下圈注为人群聚集状态的视频帧的人数与人数梯度均值；
T3、将某个场景中被人工判断为人群聚集状态的所有视频段的人数的平均与人数梯度综合值的平均分别作为该场景的人数阈值
Figure DEST_PATH_IMAGE018AAAAAA
和人数梯度阈值
Figure DEST_PATH_IMAGE012AAAAAA
，假如场景中只有一段视频被判断为人群聚集状态，则分别将其中人数与人数梯度综合值作为人数阈值
Figure DEST_PATH_IMAGE018AAAAAAA
和人数梯度阈值
Figure DEST_PATH_IMAGE012AAAAAAA
。
本发明还公开了一种基于人数梯度与密度的人群聚集判别系统，包括实时获取视频的摄像头及本发明相应算法与程序组成的系统。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.基于人数梯度的人群聚集判别方法与系统，其特征在于：具体包括以下步骤：
S1、摄像头视频帧输入；
S2、当摄像头成像范围小时，将摄像头的整个成像范围作为一个区域来进行分析，当摄像头成像范围大时，首先将摄像头的整个成像范围划分为若干区域来进行分析；
S3、对摄像头成像范围整个或单个区域采用阈值设置或阈值学习的方法进行人群聚集判定，令从系统接收视频帧开始到当前时刻为止，依次计算出的人数梯度值分别为
Figure 265072DEST_PATH_IMAGE002
，并称其为人数梯度序列值，判断当前时刻是否处于人群聚集状态时，需要利用
Figure 572425DEST_PATH_IMAGE004
这k个人数梯度序列值的和
Figure 680059DEST_PATH_IMAGE006
，
Figure 340847DEST_PATH_IMAGE008
称为人数梯度综合值，
Figure 483116DEST_PATH_IMAGE010
称为人群聚集判定的第一条件，
Figure 367895DEST_PATH_IMAGE012
称为人数梯度阈值，人群聚集判定的第二条件为
Figure 293650DEST_PATH_IMAGE014
，
Figure 758130DEST_PATH_IMAGE016
为当前时刻位于当前区域的人数，
Figure 754904DEST_PATH_IMAGE018
为人数阈值。
2.根据权利要求1所述的基于人数梯度的人群聚集判别方法与系统，其特征在于：所述步骤S2中允许用户在系统设置模块中任意选择两种摄像头工作方式中的一种。
3.根据权利要求1所述的基于人数梯度的人群聚集判别方法与系统，其特征在于：所述步骤S3中人数梯度为定义内单位时间内一个区域内人数“增加”的程度，当一个区域内某个时刻的人数多于上一时刻时，称为人数“正增加”，相应的人数梯度为正值，相反，当一个区域内某个时刻的人数少于上一时刻时，称为人数“负增加”，相应的人数梯度为负值，人数梯度的定义式为
Figure 810585DEST_PATH_IMAGE020
，
Figure 627231DEST_PATH_IMAGE022
为当前时刻与上一时刻的时间差，
Figure 754456DEST_PATH_IMAGE024
分别为当前时刻与上一时刻摄像头成像范围内的人数。
4.根据权利要求1所述的基于人数梯度的人群聚集判别方法与系统，其特征在于：所述步骤S3中对于阈值
Figure DEST_PATH_IMAGE025
与
Figure DEST_PATH_IMAGE026
的确定，具有阈值设置和根据场景自适应地得出这两种工作方式，根据场景自适应地得出阈值的方法如下：
T1、系统在某一场景安装后，持续不断地通过摄像头获取视频帧，并计算和记录不同时刻摄像头视场范围内的人数与人数梯度以及人数梯度均值；
T2、系统在运行规定天数后，由系统运营商帮助使用方查看所记录的视频，人工判断和圈注出处于人群聚集状态的视频帧，系统自动记录下圈注为人群聚集状态的视频帧的人数与人数梯度均值；
T3、将某个场景中被人工判断为人群聚集状态的所有视频段的人数的平均与人数梯度综合值的平均分别作为该场景的人数阈值
Figure DEST_PATH_IMAGE027
和人数梯度阈值
Figure DEST_PATH_IMAGE028
。
5.根据权利要求4所述的基于人数梯度的人群聚集判别方法与系统，其特征在于：所述步骤T3中假如场景中只有一段视频被判断为人群聚集状态，则分别将其中人数与人数梯度综合值作为人数阈值
Figure DEST_PATH_IMAGE029
和人数梯度阈值
Figure 389093DEST_PATH_IMAGE025
。
6.根据权利要求3所述的基于人数梯度的人群聚集判别方法与系统，其特征在于：人数计数是采用泛在化人数的计数方法，将摄像头垂直向下安装和摄像头倾斜向下安装时采集的人头像和人的斜视图像作为训练样本，基于训练样本及其标注，设计并训练一个深度网络，深度网络通过对原始灰度图像与原始灰度图像变换图进行变尺度区域滤波处理和非线性变换的滤波增强，然后通过滤波增强图的乘积融合得到最大响应区域，并将最大响应区域作为人的区域，一个图像帧中被判断为人的区域的个数即是人数，从而完成人数计数。
7.根据权利要求6所述的基于人数梯度的人群聚集判别方法与系统，其特征在于：所述变尺度区域滤波处理是通过变尺度区域滤波处理层进行处理，其设计如下：
P1、首先将图像划分为等大的较大图像区域，进行滤波操作；
P2、然后根据滤波结果值的大小，按照如下方式重新划分图像区域：计算各个图像区域的滤波结果的均值，并将其按照从大到小的顺序排列；
P3、然后将排列结果三等分，滤波结果的均值位于排序结果前1/3的图像区域被等分为4个小一些的图像区域，滤波结果的均值位于排序结果最后1/3的图像区域保持不变，而滤波结果的均值位于排序结果中间1/3的图像区域被等分为两个小一些的图像区域。
8.一种基于人数梯度与密度的人群聚集判别系统，其特征在于：包括实时获取视频的摄像头及权利要求1-7相应算法与程序组成的系统。
CN202010120084.8A 2020-02-26 2020-02-26 基于人数梯度的人群聚集的判别方法 Active CN111242096B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010120084.8A CN111242096B (zh) 2020-02-26 2020-02-26 基于人数梯度的人群聚集的判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010120084.8A CN111242096B (zh) 2020-02-26 2020-02-26 基于人数梯度的人群聚集的判别方法

Publications (2)

Publication Number Publication Date
CN111242096A true CN111242096A (zh) 2020-06-05
CN111242096B CN111242096B (zh) 2023-04-18

Family

ID=70869800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010120084.8A Active CN111242096B (zh) 2020-02-26 2020-02-26 基于人数梯度的人群聚集的判别方法

Country Status (1)

Country Link
CN (1) CN111242096B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115022796A (zh) * 2022-05-11 2022-09-06 上海应用技术大学 基于蓝牙无线通信的人群密集度判断方法及系统
CN116311044A (zh) * 2023-02-28 2023-06-23 尹小军 一种基于大数据态势分析的优化决策方法及系统
WO2023155482A1 (zh) * 2022-02-17 2023-08-24 广州广电运通金融电子股份有限公司 一种人群快速聚集行为的识别方法、系统、设备及介质
CN117409368A (zh) * 2023-10-31 2024-01-16 大连海洋大学 基于密度分布的鱼群聚集行为和鱼群饥饿行为实时分析方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6151409A (en) * 1998-03-13 2000-11-21 National Science Council Methods for compressing and re-constructing a color image in a computer system
CN101751553A (zh) * 2008-12-03 2010-06-23 中国科学院自动化研究所 一种大规模人群密度分析和预测方法
CN103839065A (zh) * 2014-02-14 2014-06-04 南京航空航天大学 人群动态聚集特征提取方法
CN104268528A (zh) * 2014-09-28 2015-01-07 深圳市科松电子有限公司 一种人群聚集区域检测方法和装置
CN104680140A (zh) * 2015-02-13 2015-06-03 电子科技大学 基于图像的人群聚集状态检测方法
CN104866844A (zh) * 2015-06-05 2015-08-26 中国人民解放军国防科学技术大学 一种面向监控视频的人群聚集检测方法
US20160335490A1 (en) * 2015-05-12 2016-11-17 Ricoh Company, Ltd. Method and apparatus for detecting persons, and non-transitory computer-readable recording medium
CN106407899A (zh) * 2016-08-30 2017-02-15 电子科技大学 基于局部纹理特征的人群密度谱估计方法
US9600896B1 (en) * 2015-11-04 2017-03-21 Mitsubishi Electric Research Laboratories, Inc. Method and system for segmenting pedestrian flows in videos
CN107341480A (zh) * 2017-07-12 2017-11-10 中国电子科技集团公司第二十八研究所 一种改进型pccnn神经网络模型的人群聚集检测方法
US20190012547A1 (en) * 2016-01-12 2019-01-10 Hitachi Kokusai Electric Inc. Congestion-state-monitoring system
DE112016006873T5 (de) * 2016-05-19 2019-02-14 Intel Corporation Erfassung von Menschen in Bildern unter Verwendung von Tiefeninformationen
CN109819208A (zh) * 2019-01-02 2019-05-28 江苏警官学院 一种基于人工智能动态监控的密集人群安防监控管理方法
CN110334665A (zh) * 2019-07-10 2019-10-15 贵州安防工程技术研究中心有限公司 一种3d识别的人脸识别系统及方法
CN110555397A (zh) * 2019-08-21 2019-12-10 武汉大千信息技术有限公司 一种人群态势分析方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6151409A (en) * 1998-03-13 2000-11-21 National Science Council Methods for compressing and re-constructing a color image in a computer system
CN101751553A (zh) * 2008-12-03 2010-06-23 中国科学院自动化研究所 一种大规模人群密度分析和预测方法
CN103839065A (zh) * 2014-02-14 2014-06-04 南京航空航天大学 人群动态聚集特征提取方法
CN104268528A (zh) * 2014-09-28 2015-01-07 深圳市科松电子有限公司 一种人群聚集区域检测方法和装置
CN104680140A (zh) * 2015-02-13 2015-06-03 电子科技大学 基于图像的人群聚集状态检测方法
US20160335490A1 (en) * 2015-05-12 2016-11-17 Ricoh Company, Ltd. Method and apparatus for detecting persons, and non-transitory computer-readable recording medium
CN104866844A (zh) * 2015-06-05 2015-08-26 中国人民解放军国防科学技术大学 一种面向监控视频的人群聚集检测方法
US9600896B1 (en) * 2015-11-04 2017-03-21 Mitsubishi Electric Research Laboratories, Inc. Method and system for segmenting pedestrian flows in videos
US20190012547A1 (en) * 2016-01-12 2019-01-10 Hitachi Kokusai Electric Inc. Congestion-state-monitoring system
DE112016006873T5 (de) * 2016-05-19 2019-02-14 Intel Corporation Erfassung von Menschen in Bildern unter Verwendung von Tiefeninformationen
CN106407899A (zh) * 2016-08-30 2017-02-15 电子科技大学 基于局部纹理特征的人群密度谱估计方法
CN107341480A (zh) * 2017-07-12 2017-11-10 中国电子科技集团公司第二十八研究所 一种改进型pccnn神经网络模型的人群聚集检测方法
CN109819208A (zh) * 2019-01-02 2019-05-28 江苏警官学院 一种基于人工智能动态监控的密集人群安防监控管理方法
CN110334665A (zh) * 2019-07-10 2019-10-15 贵州安防工程技术研究中心有限公司 一种3d识别的人脸识别系统及方法
CN110555397A (zh) * 2019-08-21 2019-12-10 武汉大千信息技术有限公司 一种人群态势分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
桑海峰等: "基于整体特征的人群聚集和奔跑行为检测", 《光电子·激光》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023155482A1 (zh) * 2022-02-17 2023-08-24 广州广电运通金融电子股份有限公司 一种人群快速聚集行为的识别方法、系统、设备及介质
CN115022796A (zh) * 2022-05-11 2022-09-06 上海应用技术大学 基于蓝牙无线通信的人群密集度判断方法及系统
CN115022796B (zh) * 2022-05-11 2024-05-17 上海应用技术大学 基于蓝牙无线通信的人群密集度判断方法及系统
CN116311044A (zh) * 2023-02-28 2023-06-23 尹小军 一种基于大数据态势分析的优化决策方法及系统
CN116311044B (zh) * 2023-02-28 2024-02-02 陕西集晟文化传播有限公司 一种基于大数据态势分析的优化决策方法及系统
CN117409368A (zh) * 2023-10-31 2024-01-16 大连海洋大学 基于密度分布的鱼群聚集行为和鱼群饥饿行为实时分析方法

Also Published As

Publication number Publication date
CN111242096B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN111242096B (zh) 基于人数梯度的人群聚集的判别方法
CN109829443B (zh) 基于图像增强与3d卷积神经网络的视频行为识别方法
CN104123544B (zh) 基于视频分析的异常行为检测方法及系统
CN110188807A (zh) 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法
CN106845415B (zh) 一种基于深度学习的行人精细化识别方法及装置
CN103237201B (zh) 一种基于社会化标注的案件视频研判方法
CN106203513B (zh) 一种基于行人头肩多目标检测及跟踪的统计方法
CN105809178A (zh) 一种基于人脸属性的人群分析方法及装置
CN105469105A (zh) 一种基于视频监控的香烟烟雾检测方法
CN105760847B (zh) 一种对摩托车驾驶员头盔佩戴情况的视觉检测方法
CN103489012B (zh) 一种基于支持向量机的人群密集度检测方法及系统
CN104156729B (zh) 一种教室人数统计方法
CN108921083A (zh) 基于深度学习目标检测的非法流动摊贩识别方法
CN104504377A (zh) 一种公交车乘客拥挤程度识别系统及方法
WO2019114145A1 (zh) 监控视频中人数检测方法及装置
CN104992189A (zh) 基于深度学习网络模型的鱼群异常行为识别方法
CN105160297A (zh) 基于肤色特征的蒙面人事件自动检测方法
CN111785031B (zh) 一种基于速度时空图的交通拥堵成因智能识别算法
CN105022999A (zh) 一种人码伴随实时采集系统
CN110148093A (zh) 一种基于暗通道先验的图像去雾改进方法
TW201140502A (en) System and method for monitoring objects
CN110852179B (zh) 基于视频监控平台的可疑人员入侵的检测方法
CN107248296B (zh) 一种基于无人机和时序特征的视频交通流量统计方法
CN109359563A (zh) 一种基于数字图像处理的占道现象实时检测方法
CN106650593A (zh) 客流统计方法和装置

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
TA01 Transfer of patent application right

Effective date of registration: 20230320

Address after: Floor 12, Building 5, Science City, No. 3491, Baijin Avenue, Shawen Science Park, Guiyang National High-tech Industrial Development Zone, Guiyang City, Guizhou Province, 550000

Applicant after: GUIZHOU SECURITY ENGINEERING TECHNOLOGY RESEARCH CENTER Co.,Ltd.

Applicant after: GUIZHOU SISO ELECTRONICS Co.,Ltd.

Address before: Room B612, standard workshop auxiliary room, Jinyang Science and Technology Industrial Park, Guiyang National High-tech Industrial Development Zone, Guiyang City, Guizhou Province, 550000

Applicant before: GUIZHOU SECURITY ENGINEERING TECHNOLOGY RESEARCH CENTER Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant