基于人数梯度的人群聚集的判别方法
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的判别方法。
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的判别方法,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的判别方法,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的判别方法,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g
1,g
2,...,g
N,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g
N·k+1,g
N·k+2,...,g
N这k个人数梯度序列值的和
称为人数梯度综合值,
称为人群聚集判定的第一条件,θ
1称为人数梯度阈值,人群聚集判定的第二条件为q>q
c,q为当前时刻位于当前区域的人数,q
c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
Δt为当前时刻与上一时刻的时间差,q
2,q
1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θ1与qc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qc和人数梯度阈值θ1。
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qc和人数梯度阈值θ1。
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能够实判别方法的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的判别方法。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的判别方法,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g
1,g
2,...,g
N,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g
N·k+1,g
N·k+2,...,g
N这k个人数梯度序列值的和
称为人数梯度综合值,
称为人群聚集判定的第一条件,θ
1称为人数梯度阈值,人群聚集判定的第二条件为q>q
c,q为当前时刻位于当前区域的人数,q
c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
Δt为当前时刻与上一时刻的时间差,q
2,q
1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θ1与qc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qc和人数梯度阈值θ1,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qc和人数梯度阈值θ1。
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能够实现判别方法的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。