CN111405239B - 监控方法、服务器、监控系统以及计算机可读存储介质 - Google Patents

监控方法、服务器、监控系统以及计算机可读存储介质 Download PDF

Info

Publication number
CN111405239B
CN111405239B CN202010096942.XA CN202010096942A CN111405239B CN 111405239 B CN111405239 B CN 111405239B CN 202010096942 A CN202010096942 A CN 202010096942A CN 111405239 B CN111405239 B CN 111405239B
Authority
CN
China
Prior art keywords
sub
target area
head
monitoring
area
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.)
Active
Application number
CN202010096942.XA
Other languages
English (en)
Other versions
CN111405239A (zh
Inventor
巩海军
潘华东
殷俊
张兴明
彭志蓉
李中振
高美
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202010096942.XA priority Critical patent/CN111405239B/zh
Publication of CN111405239A publication Critical patent/CN111405239A/zh
Application granted granted Critical
Publication of CN111405239B publication Critical patent/CN111405239B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Image Analysis (AREA)
  • Alarm Systems (AREA)

Abstract

本申请公开了一种监控方法、服务器、监控系统以及计算机可读存储介质，其中，该监控方法包括：获取监控图像；其中，监控图像至少包括目标区域；确定目标区域的监控对象数量，以及确定目标区域中多个子区域的监控对象密度；在目标区域的监控对象数量大于设定数量阈值时，发出超载警告；或在任意一个子区域的监控对象密度大于设定密度阈值时，发出危险警告。通过上述方式，本申请能够实时统计目标区域中监控对象的数量，并对目标区域中多个子区域的人群密度进行实时分析，从而有效地减少客流漏检和误检的情况发生，且通过实时进行的客流预测分析，能够对可能发生的危险事情进行预警。

Description

监控方法、服务器、监控系统以及计算机可读存储介质
技术领域
本申请涉及视频监控技术领域，尤其是涉及一种监控方法、服务器、监控系统以及计算机可读存储介质。
背景技术
目前，随着科技和经济的快速发展，公交车和地铁等交通工具的大量增加，极大的方便了人类的出行、工作和购物等，并改善了人类的生活质量。但随着城市人口的不断增加，在上下班的高峰期，公交车和地铁上的客流量也越来越大，从而使得实时统计其车内的客流量和分析车内的人群密度，以实现车辆的智能调度，显得尤为重要，同时也可以有效避免可能发生的危险事情，比如超载和踩踏事件等。
其中，现有的客流统计一般是通过司机或者乘务员对乘客进行统计或者大致估计，还有就是通过安装在车上的摄像机进行的人脸检测来统计乘客人数，但由于采用人工统计的方式耗时又耗力，而采用人脸检测的方式来统计人数又存在漏检和误检的情况，以致于时间越长，统计的误差也会越来越大。且现有的客流分析一般也是以人工的方式对客流数据进行统计和分析，因此也便只能进行简单的统计和分析，而缺乏计算人群密度以及客流预测的复杂分析功能。
发明内容
本申请主要解决的技术问题是提供一种监控方法、服务器、监控系统以及计算机可读存储介质，该监控方法能够解决现有技术中的客流统计存在漏检和误检的情况，且不具有实时性，缺乏计算人群密度以及客流预测的复杂分析功能的问题。
为解决上述技术问题，本申请采用的第一个技术方案是：提供一种监控方法，其中，该监控方法包括：获取监控图像；其中，监控图像至少包括目标区域；确定目标区域的监控对象数量，以及确定目标区域中多个子区域的监控对象密度；在目标区域的监控对象数量大于设定数量阈值时，发出超载警告；或在任意一个子区域的监控对象密度大于设定密度阈值时，发出危险警告。
其中，确定目标区域的监控对象数量，以及确定目标区域中多个子区域的监控对象密度，包括：确定目标区域的监控对象数量；以及将目标区域划分为多个子区域，并确定每个子区域的监控对象密度。
其中，确定目标区域的监控对象数量，包括：对目标区域进行头肩检测，以得到多个头肩检测框；确定头肩检测框的数量，从而确定目标区域的监控对象数量。
其中，对目标区域进行头肩检测，以得到多个头肩检测框，包括：将监控图像输入至基于头肩检测的深度学习模型，并得到输出的包含多个头肩检测框的特征图像；确定头肩检测框的数量，从而确定目标区域的监控对象数量，包括：确定特征图像中目标区域的头肩检测框的数量，从而确定目标区域的监控对象数量。
其中，监控方法还包括：将目标区域中监控对象密度小于设定密度阈值的每个子区域中的每个头肩检测框对应显示为第一颜色特征图形；将目标区域中监控对象密度大于设定密度阈值的每个子区域中的每个头肩检测框对应显示为第二颜色特征图形。
其中，监控方法还包括：在检测到发出超载警告的次数大于设定次数阈值时，向后台调度系统发送告警指令。
其中，将目标区域划分为多个子区域，并确定每个子区域的监控对象密度，包括：对目标区域进行头肩检测，以得到多个头肩检测框；确定头肩检测框的尺寸；基于头肩检测框的尺寸确定子区域尺寸；根据子区域尺寸将监控图像划分为多个子区域；确定每个子区域的监控对象密度。
其中，基于头肩检测框的尺寸确定子区域尺寸，包括：确定头肩检测框的面积；按照预测比例系数对头肩检测框的面积扩大，以作为子区域的面积。
其中，确定每个子区域的监控对象密度，包括：根据每个头肩检测框与每个子区域的重叠面积，确定每个头肩检测框所属的子区域；确定每个子区域的监控对象数量，并根据子区域的面积确定每个子区域的监控对象密度。
其中，监控方法还包括：确定目标区域中的标定目标的像素尺寸；根据标定目标的实际尺寸和标定目标的像素尺寸计算特征比值；根据监控图像的分辨率和特征比值，计算目标区域实际尺寸；根据目标区域的实际尺寸，计算子区域的面积。
为解决上述技术问题，本申请采用的第二个技术方案是：提供一种服务器，其中，该服务器包括相互耦接的存储器和处理器；存储器存储有程序数据；处理器用于执行程序数据，以实现如上任一项所述的监控方法。
为解决上述技术问题，本申请采用的第三个技术方案是：提供一种监控系统，其中，该监控系统包括服务器以及与服务器连接的摄像头；其中，摄像头用于获取监控图像，监控图像至少包括目标区域；服务器用于确定目标区域的监控对象数量，并确定目标区域中多个子区域的监控对象密度，以在目标区域的监控对象数量大于设定数量阈值时，发出超载警告，或在任意一个子区域的监控对象密度大于设定密度阈值时，发出危险警告。
其中，监控系统还包括显示器，显示器连接服务器，用于实时显示服务器发送给显示器的目标区域的监控对象数量，以及目标区域中多个子区域的监控对象密度。
为解决上述技术问题，本申请采用的第四个技术方案是：提供一种计算机可读存储介质，其中，该计算机可读存储介质存储有程序数据，程序数据能够被执行以实现如上任一项所述的监控方法。
本申请的有益效果是：区别于现有技术，本申请中的监控方法通过获取至少包括有目标区域监控图像，以确定目标区域的监控对象数量，并进一步确定目标区域中多个子区域的监控对象密度，以在目标区域的监控对象数量大于设定数量阈值时，发出超载警告，或在任意一个子区域的监控对象密度大于设定密度阈值时，发出危险警告，以能够实时统计目标区域中监控对象的数量，并对目标区域中多个子区域的人群密度进行实时分析，从而有效地减少客流漏检和误检的情况发生，且通过实时进行的客流预测分析，能够对可能发生的危险事情进行预警。
附图说明
图1是本申请监控方法第一实施例的流程示意图；
图2是本申请监控方法第二实施例的流程示意图；
图3是本申请监控方法第三实施例的流程示意图；
图4是本申请监控方法第四实施例的流程示意图；
图5是本申请监控方法第五实施例的流程示意图；
图6是本申请监控方法第六实施例的流程示意图；
图7是本申请监控方法第七实施例的流程示意图；
图8是本申请监控方法第八实施例的流程示意图；
图9是本申请监控方法第九实施例的流程示意图；
图10是本申请监控方法第十实施例的流程示意图；
图11是本申请服务器一实施例的结构示意图；
图12是本申请监控系统一实施例的结构示意图；
图13是本申请监控系统又一实施例的结构示意图；
图14是本申请计算机可读存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，均属于本申请保护的范围。
请参阅图1，图1是本申请监控方法第一实施例的流程示意图。本实施例包括如下步骤：
S11：获取监控图像；其中，监控图像至少包括目标区域。
在本实施例中，首先获取到至少包括有目标区域的监控图像，例如，通过如公交车、地铁、轻轨以及大巴车等任一交通工具上的摄像头对其车内进行监控拍摄，以获取到该交通工具车内的监控图像。其中，该监控图像可以是监控视频，也可以是对该监控视频的每一帧图像进行提取而获得的监控图片，本申请对此不做限定。
其中，目标区域是指监控图像中的一个指定区域，该区域可由用户指定，也可以由机器识别。以公交车为例，该指定区域主要是有座椅或者可以站立的区域。
S12：确定目标区域的监控对象数量，以及确定目标区域中多个子区域的监控对象密度。
在本实施例中，在获取到至少包括有目标区域的监控图像后，通过对出现在该监控图像的目标区域中的监控对象进行识别和统计，以确定该监控图像的目标区域中包括的监控对象的总数量，并进一步将该目标区域划分为多个子区域，以能够监测到每一子区域中的监控对象的数量，从而计算出每一子区域的监控对象的密度。
S13：在目标区域的监控对象数量大于设定数量阈值时，发出超载警告；或在任意一个子区域的监控对象密度大于设定密度阈值时，发出危险警告。
在本实施例中，在确定目标区域的监控对象的数量后，进一步判断当前统计的目标区域的监控对象数量是否大于设定数量阈值，以在确定目标区域当前的监控对象数量大于设定数量阈值时，发出超载警告。其中，当确定统计出的目标区域中多个子区域的监控对象密度存在有任意一个子区域的监控对象密度大于设定密度阈值时，发出危险警告，以警示相应的运营及管理者。
在一个具体的实施例中，首先通过交通工具上的摄像头对其车内进行监控拍摄，以实时对出现在该车内的乘客进行捕捉和识别，并统计出当前出现在该车内的乘客数量，以能够进一步判断当前的乘客数量是否大于预先设定的数量阈值，其中，该数量阈值可具体根据该交通工具的核载数量，如15人或45人等来进行设定，以在确定当前的乘客数量大于该设定数量阈值时，通过与摄像头连接的车载显示屏发出超载警告。进一步地，当确定当前统计出的车内预先划分的多个子区域的乘客密度存在有任意一个子区域的乘客密度大于设定密度阈值时，发出危险警告，以对该交通工具上的司机和后台管理者进行示警，从而排除可能存在的发生危险事件的风险。其中，该设定密度阈值可具体根据子区域的面积和交通工具的承载能力综合考虑以设定，本申请对此不做限定。
区别于现有技术，本申请中的监控方法通过获取至少包括有目标区域监控图像，以确定目标区域的监控对象数量，并进一步确定目标区域中多个子区域的监控对象密度，以在目标区域的监控对象数量大于设定数量阈值时，发出超载警告，或在任意一个子区域的监控对象密度大于设定密度阈值时，发出危险警告，以能够实时统计目标区域中监控对象的数量，并对目标区域中多个子区域的人群密度进行实时分析，从而有效地减少客流漏检和误检的情况发生，且通过实时进行的客流预测分析，能够对可能发生的危险事情进行预警。
请参阅图2，图2是本申请监控方法第二实施例的流程示意图。本实施例的监控方法是图1中的监控方法的一细化实施例的流程示意图，包括如下步骤：
S21：获取监控图像；其中，监控图像至少包括目标区域。
其中，本步骤与图1中的S11相同，具体请参阅S11及其相关的文字描述，在此不再赘述。
S22：确定目标区域的监控对象数量。
在本实施例中，在获取到至少包括有目标区域的监控图像后，进一步对监控图像的目标区域中的监控对象进行识别，以统计出目标区域的监控对象的数量。
可选地，本步骤中可以采用红外成像建模的方式，或人脸识别的方式进行监控对象的数量统计，以确定目标区域包括的监控对象的数量。
S23：将目标区域划分为多个子区域，并确定每个子区域的监控对象密度。
在本实施例中，将目标区域划分为多个子区域，以进一步统计并确定其中的每一个子区域的监控对象的数量，从而计算出每个子区域的监控对象密度。
可选地，这里可以根据预设的规则对目标区域进行划分，例如，目标区域为矩形，可以将目标区域划分为3*3的九宫格形式，在另一实施例中，以公交车为例，目标区域对应公交车的乘客容纳区域，可以将目标区域划分为前、中、后三个子区域。
对于每一个子区域的密度的计算，可以通过步骤22中的方式计算出一个子区域的监控对象的数量，然后根据该子区域的面积计算出监控对象密度。
S24：在目标区域的监控对象数量大于设定数量阈值时，发出超载警告；或在任意一个子区域的监控对象密度大于设定密度阈值时，发出危险警告。
其中，本步骤与图1中的S13相同，具体请参阅S13及其相关的文字描述，在此不再赘述。
请参阅图3，图3是本申请监控方法第三实施例的流程示意图。本实施例的监控方法是图2中的监控方法的一细化实施例的流程示意图，包括如下步骤：
S31：获取监控图像；其中，监控图像至少包括目标区域。
其中，本步骤与图2中的S21相同，具体请参阅S21及其相关的文字描述，在此不再赘述。
S32：对目标区域进行头肩检测，以得到多个头肩检测框。
在本实施例中，在获取到至少包括有目标区域的监控图像后，进一步对该监控图像的目标区域进行头肩检测，以将出现在该目标区域中的每一个监控对象均对应生成一个头肩检测框，从而得到多个头肩检测框。
S33：确定头肩检测框的数量，从而确定目标区域的监控对象数量。
在本实施例中，在通过对目标区域进行的头肩检测，而获取到多个头肩检测框后，进一步统计并确定当前出现在该目标区域中的头肩检测框的数量，以确定为当前目标区域中监控对象的数量。则可理解的是，其中的每一头肩检测框均唯一对应有一个监控对象，因而当前统计出的目标区域中的头肩检测框的数量也即目标区域中监控对象的数量。
S34：将目标区域划分为多个子区域，并确定每个子区域的监控对象密度。
S35：在目标区域的监控对象数量大于设定数量阈值时，发出超载警告；或在任意一个子区域的监控对象密度大于设定密度阈值时，发出危险警告。
其中，S34和S35分别与图2中的S23和S24相同，具体请参阅S23和S24及其相关的文字描述，在此不再赘述。
请参阅图4，图4是本申请监控方法第四实施例的流程示意图。本实施例的监控方法是图3中的监控方法的一细化实施例的流程示意图，包括如下步骤：
S41：获取监控图像；其中，监控图像至少包括目标区域。
其中，本步骤与图3中的S31相同，具体请参阅S31及其相关的文字描述，在此不再赘述。
S42：将监控图像输入至基于头肩检测的深度学习模型，并得到输出的包含多个头肩检测框的特征图像。
在本实施例中，在获取到至少包括有目标区域的监控图像后，将该监控图像输入至基于头肩检测的深度学习模型，其中，该深度学习模型可以是经过头肩检测训练的深度网络学习模型，而经训练后的该深度网络学习模型能够对输入的图像信息中的每一目标人体的头和肩进行捕捉和识别，以对应生成一头肩检测框，从而能够将输入的监控图像对应输出为包括有多个头肩检测框的特征图像。
S43：确定特征图像中目标区域的头肩检测框的数量，从而确定目标区域的监控对象数量。
在本实施例中，在将监控图像输入至基于头肩检测的深度学习模型，以得到输出的包括有多个头肩检测框的特征图后，进一步对输出的该特征图中包括的头肩检测框的数量进行统计，以确定当前出现在目标区域中的监控对象的数量。
S44：将目标区域划分为多个子区域，并确定每个子区域的监控对象密度。
S45：在目标区域的监控对象数量大于设定数量阈值时，发出超载警告；或在任意一个子区域的监控对象密度大于设定密度阈值时，发出危险警告。
其中，S44和S45分别与图3中的S34和S35相同，具体请参阅S34和S35及其相关的文字描述，在此不再赘述。
请参阅图5，图5是本申请监控方法第五实施例的流程示意图。本实施例的监控方法是图1中的监控方法的一细化实施例的流程示意图，包括如下步骤：
S51：获取监控图像；其中，监控图像至少包括目标区域。
S52：确定目标区域的监控对象数量，以及确定目标区域中多个子区域的监控对象密度。
S53：在目标区域的监控对象数量大于设定数量阈值时，发出超载警告；或在任意一个子区域的监控对象密度大于设定密度阈值时，发出危险警告。
其中，S51、S52以及S53分别与图1中的S11、S12以及S13相同，具体请参阅S11、S12以及S13及其相关的文字描述，在此不再赘述。
S54：在检测到发出超载警告的次数大于设定次数阈值时，向后台调度系统发送告警指令。
在本实施例中，当检测到当前出现在目标区域的监控对象的数量大于设定数量阈值而发出超载警告时，对每一发出的超载警告进行计数，以在累积计数大于设定次数阈值，例如，累计超过3次或5次等任一合理次数时，向后台调度系统发送告警指令，以对后台管理人员进行示警，并提醒后台管理人员其管理的交通工具当前运营的线路处乘客过多，需加派车辆以缓解当前的交通压力。
而在其他实施例中，当检测到在设定的时间内，因在目标区域中的任意一个子区域的监控对象密度大于设定密度阈值而发出危险警告的次数大于设定次数阈值时，例如，在30分钟内发出危险警告的次数大于3次或5次等任一合理次数，或在10分钟内持续发出危险警告时，向后台调度系统发送危险警告指令，以提醒后台管理人员对相应的司机进行教育培训，以提高其危险管控意识，从而能够及时对车内局部区域人员过密的情况进行疏散处理。
请参阅图6，图6是本申请监控方法第六实施例的流程示意图。本实施例的监控方法是图2中的监控方法的一细化实施例的流程示意图，包括如下步骤：
S61：获取监控图像；其中，监控图像至少包括目标区域。
S62：确定目标区域的监控对象数量。
S63：将目标区域划分为多个子区域，并确定每个子区域的监控对象密度。
其中，S61、S62以及S63分别与图2中的S21、S22以及S23相同，具体请参阅S11、S12以及S13及其相关的文字描述，在此不再赘述。
S64：将目标区域中监控对象密度小于设定密度阈值的每个子区域中的每个头肩检测框对应显示为第一颜色特征图形。
在本实施例中，在将目标区域划分为多个子区域，并统计出每个子区域的监控对象密度后，将出现在该目标区域的监控对象的密度小于设定密度阈值的子区域中的每一头肩检测框均对应生成一个第一颜色的特征图形，例如，绿色的圆点或绿色五角星，并显示出来，以能够直观的显示出当前人员的分布情况。
S65：将目标区域中监控对象密度大于设定密度阈值的每个子区域中的每个头肩检测框对应显示为第二颜色特征图形。
在本实施例中，在将目标区域划分为多个子区域，并统计出每个子区域的监控对象密度后，将出现在该目标区域的监控对象的密度大于设定密度阈值的子区域中的每一头肩检测框均对应生成一个第二颜色的特征图形，例如，红色的圆点或红色五角星，并显示出来，以对人员过于集中的部分子区域进行示警。
S66：在目标区域的监控对象数量大于设定数量阈值时，发出超载警告；或在任意一个子区域的监控对象密度大于设定密度阈值时，发出危险警告。
其中，本步骤与图2中的S24相同，具体请参阅S24及其相关的文字描述，在此不再赘述。
请参阅图7，图7是本申请监控方法第七实施例的流程示意图。本实施例的监控方法是图2中的监控方法的一细化实施例的流程示意图，包括如下步骤：
S71：获取监控图像；其中，监控图像至少包括目标区域。
S72：确定目标区域的监控对象数量。
其中，S71和S72分别与图2中的S21和S22相同，具体请参阅S21和S22及其相关的文字描述，在此不再赘述。
S73：对目标区域进行头肩检测，以得到多个头肩检测框。
在本实施例中，在获取到至少包括有目标区域的监控图像后，进一步对该监控图像的目标区域进行头肩检测，以将出现在该目标区域中的每一个监控对象均对应生成一个头肩检测框，从而得到多个头肩检测框。
S74：确定头肩检测框的尺寸。
在本实施例中，在对目标区域进行头肩检测，而得到多个头肩检测框后，进一步确定该头肩检测框的尺寸大小。
S75：基于头肩检测框的尺寸确定子区域尺寸。
在本实施例中，在确定了头肩检测框的尺寸后，基于该头肩检测框的尺寸进一步确定相应子区域的尺寸，其具体可以是，根据该头肩检测框尺寸的两倍或三倍等合适的比例系数确定相应的目标区域中的每一子区域的尺寸大小。
S76：根据子区域尺寸将监控图像划分为多个子区域。
在本实施例中，在基于头肩检测框的尺寸确定出子区域的尺寸后，进一步根据确定的该子区域的尺寸将监控图像中的目标区域划分为多个边缘彼此重合的子区域。
S77：确定每个子区域的监控对象密度。
在本实施例中，在根据确定的子区域尺寸将监控图像中的目标区域划分为多个子区域后，进一步根据当前每个子区域中包括的监控对象的数量和子区域尺寸，计算出每个子区域中包括的监控对象的密度。
S78：在目标区域的监控对象数量大于设定数量阈值时，发出超载警告；或在任意一个子区域的监控对象密度大于设定密度阈值时，发出危险警告。
其中，本步骤与图2中的S24相同，具体请参阅S24及其相关的文字描述，在此不再赘述。
请参阅图8，图8是本申请监控方法第八实施例的流程示意图。本实施例的监控方法是图7中的监控方法的又一细化实施例的流程示意图，包括如下步骤：
S81：获取监控图像；其中，监控图像至少包括目标区域。
S82：确定目标区域的监控对象数量。
S83：对目标区域进行头肩检测，以得到多个头肩检测框。
S84：确定头肩检测框的尺寸。
其中，S81、S82、S83以及S84分别与图7中的S71、S72、S73以及S74相同，具体请参阅S71、S72、S73以及S74及其相关的文字描述，在此不再赘述。
S85：确定头肩检测框的面积。
在本实施例中，在确定头肩检测框的尺寸后，进一步根据确定的该头肩检测框的尺寸，计算出头肩检测框的面积。
S86：按照预测比例系数对头肩检测框的面积扩大，以作为子区域的面积。
在本实施例中，在计算出头肩检测框的面积后，进一步按照预测比例系数对确定的头肩检测框的面积进行扩大，例如，按照头肩检测框面积的两倍或三倍等合适比例系数来对头肩检测框的面积进行扩大，以确定为目标区域中每一子区域的面积。
S87：根据子区域尺寸将监控图像划分为多个子区域。
S88：确定每个子区域的监控对象密度。
S89：在目标区域的监控对象数量大于设定数量阈值时，发出超载警告；或在任意一个子区域的监控对象密度大于设定密度阈值时，发出危险警告。
其中，S87、S88以及S89分别与图7中的S76、S77以及S78相同，具体请参阅S76、S77以及S78及其相关的文字描述，在此不再赘述。
请参阅图9，图9是本申请监控方法第九实施例的流程示意图。本实施例的监控方法是图7中的监控方法的又一细化实施例的流程示意图，包括如下步骤：
S91：获取监控图像；其中，监控图像至少包括目标区域。
S92：确定目标区域的监控对象数量。
S93：对目标区域进行头肩检测，以得到多个头肩检测框。
S94：确定头肩检测框的尺寸。
S95：基于头肩检测框的尺寸确定子区域尺寸。
S96：根据子区域尺寸将监控图像划分为多个子区域。
其中，S91、S92、S93、S94、S95以及S96分别与图7中的S71、S72、S73、S74、S75以及S76相同，具体请参阅S71、S72、S73、S74、S75以及S76及其相关的文字描述，在此不再赘述。
S97：根据每个头肩检测框与每个子区域的重叠面积，确定每个头肩检测框所属的子区域。
在本实施例中，在根据子区域尺寸将监控图像中的目标区域划分为多个子区域后，进一步根据每个头肩检测框与目标区域中每个子区域的重叠面积的大小来确定每个头肩检测框所属于的子区域，也即将当前目标区域中的头肩检测框归属到与其交并比最大的子区域中。
S98：确定每个子区域的监控对象数量，并根据子区域的面积确定每个子区域的监控对象密度。
在本实施例中，在根据每个头肩检测框与每个子区域的重叠面积，确定出每个头肩检测框所归属的子区域后，统计出每个子区域当前包括的头肩检测框的数量，以确定为每个子区域中的监控对象的数量，并进一步根据子区域的面积计算出每个子区域的监控对象密度。
S99：在目标区域的监控对象数量大于设定数量阈值时，发出超载警告；或在任意一个子区域的监控对象密度大于设定密度阈值时，发出危险警告。
其中，本步骤与图7中的S78相同，具体请参阅S78及其相关的文字描述，在此不再赘述。
请参阅图10，图10是本申请监控方法第十实施例的流程示意图。本实施例的监控方法是图9中的监控方法的又一细化实施例的流程示意图，包括如下步骤：
S101：获取监控图像；其中，监控图像至少包括目标区域。
S102：确定目标区域的监控对象数量。
S103：对目标区域进行头肩检测，以得到多个头肩检测框。
S104：确定头肩检测框的尺寸。
S105：基于头肩检测框的尺寸确定子区域尺寸。
S106：根据子区域尺寸将监控图像划分为多个子区域。
S107：根据每个头肩检测框与每个子区域的重叠面积，确定每个头肩检测框所属的子区域。
其中，S101、S102、S103、S104、S105、S106以及S107分别与图9中的S91、S92、S93、S94、S95、S96以及S97相同，具体请参阅S91、S92、S93、S94、S95、S96以及S97及其相关的文字描述，在此不再赘述。
S108：确定目标区域中的标定目标的像素尺寸。
在本实施例中，在获取到的监控图像的目标区域中选取一个已知尺寸的物体作为标定目标，以进一步确定该标定目标的像素尺寸。
S109：根据标定目标的实际尺寸和标定目标的像素尺寸计算特征比值。
在本实施例中，在确定目标标区域中的标定目标的像素尺寸后，根据该标定目标的实际尺寸和标定目标的像素尺寸计算出相应的特征比值。
S1010：根据监控图像的分辨率和特征比值，计算目标区域实际尺寸。
在本实施例中，在计算得到标定目标的实际尺寸与其像素尺寸的特征比值后，可根据获取到的监控图像的分辨率以及计算出的该特征比值，进一步计算出监控图像中的目标区域的实际尺寸。
S1011：根据目标区域的实际尺寸，计算子区域的面积。
在本实施例中，在计算出目标区域的实际尺寸时，根据该实际尺寸进一步计算出对应子区域的面积。
在一个具体的实施例中，以在一公交车内，放置一条长为C(C为正实数)米并与车内的摄像机平行的米尺，且该米尺在摄像机拍摄的视频中所占的像素长度为D(D为正实数)米为例，则其中的每个像素在公交车内所代表的实际长度为C/D，且该摄像机的分辨率为M*N，则A＝M*C/D，B＝N*C/D，其中，该摄像机拍摄的目标区域的长为A(A为正实数)米，宽为B(B为正实数)米，则可知，该目标区域的面积需大于公交车内的面积。其中，在检测得到包含乘客头肩检测框后，可选择其中一个头肩检测框，以该头肩检测框的两倍面积为基准，采用面积相等的原则对该摄像机拍摄的视频中每一帧图像中的目标区域进行分割，以将其分割成多个指定子区域。
S1012：确定每个子区域的监控对象数量，并根据子区域的面积确定每个子区域的监控对象密度。
S1013：在目标区域的监控对象数量大于设定数量阈值时，发出超载警告；或在任意一个子区域的监控对象密度大于设定密度阈值时，发出危险警告。
其中，S1012和S1013分别与图9中的S98和S99相同，具体请参阅S98和S99及其相关的文字描述，在此不再赘述。
基于总的发明构思，本申请还提供了一种服务器，请参阅图11，图11是本申请服务器一实施例的结构示意图。
其中，服务器111包括相互耦接的存储器1111和处理器1112，存储器1111存储有程序数据，处理器1112用于执行该程序数据，以实现如上任一项所述的监控方法。
基于总的发明构思，本申请还提供了一种监控系统，请参阅图12，图12是本申请监控系统一实施例的结构示意图。其中，监控系统121包括服务器1212以及连接于服务器1212的摄像头1211。
其中，摄像头1211用于获取到至少包括有目标区域的监控图像，其具体可以是，通过集成在一交通工具上的摄像头1211对其车内的区域进行监控拍摄，以获取到相应的监控图像，并输入到服务器1212中。
服务器1212用于进一步确定监控图像的目标区域中包括的监控对象的数量，如目标区域中出现的乘客数量，并将该目标区等分为多个子区域，以同步确定目标区域中每一子区域包括的监控对象的数量和密度，以在确定该目标区域的监控对象的数量大于设定数量阈值时，例如，大于相应的交通工具的核载数量时，发出超载警告，或在该目标区域中存在有任意一个子区域的监控对象密度大于设定密度阈值时，发出危险警告，以能够实时对监控图像的目标区域中的监控对象的分布情况进行监测并预警。
请参阅图13，图13是本申请监控系统又一实施例的结构示意图。本实施例的监控系统121与图12中的监控系统121的区别在于，该监控系统121还包括有显示器1213。
其中，显示器1213连接于服务器1212，以用于实时接收服务器1212发送给显示器1213的目标区域的监控对象数量，并将获取到的该目标区域的监控对象的数量显示出来，且同时显示出服务器1212计算出的目标区域中多个子区域的监控对象密度。
进一步地，显示器1213还用于将出现在监控图像的目标区域的监控对象的密度小于设定密度阈值的子区域中的每一头肩检测框均对应生成并显示为一个第一颜色特征图形，如绿色的圆点或绿色五角星，并同时将出现在该目标区域的监控对象的密度大于设定密度阈值的子区域中的每一头肩检测框均对应生成并显示为一个第二颜色特征图形，如，红色的圆点或红色五角星，以能够直观的显示出当前乘客的分布情况，并对乘客过于集中的部分子区域进行示警。
基于总的发明构思，本申请还提供了一种计算机可读存储介质，请参阅图14，图14是本申请计算机可读存储介质一实施例的结构示意图。其中，计算机可读存储介质131中存储有程序数据1311，该程序数据1311能够被执行以实现以上任一所述的监控方法。
在一个实施例中，计算机可读存储介质131可以是终端中的存储芯片、硬盘或者是移动硬盘或者优盘、光盘等其他可读写存储的工具，还可以是服务器等。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，处理器或存储器的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个处理器与存储器实现的功能可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或连接可以是通过一些接口，装置或单元的间接耦合或连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元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，本申请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全部或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)或处理器(processor)执行本申请各个实施方式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。
区别于现有技术，本申请中的监控方法通过获取至少包括有目标区域监控图像，以确定目标区域的监控对象数量，并进一步确定目标区域中多个子区域的监控对象密度，以在目标区域的监控对象数量大于设定数量阈值时，发出超载警告，或在任意一个子区域的监控对象密度大于设定密度阈值时，发出危险警告，以能够实时统计目标区域中监控对象的数量，并对目标区域中多个子区域的人群密度进行实时分析，从而有效地减少客流漏检和误检的情况发生，且通过实时进行的客流预测分析，能够对可能发生的危险事情进行预警。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (12)

1.一种监控方法，其特征在于，所述监控方法包括：
获取监控图像；其中，所述监控图像至少包括目标区域；
确定所述目标区域的监控对象数量；以及
对所述目标区域进行头肩检测，以得到多个头肩检测框；
确定所述头肩检测框的尺寸；
基于所述头肩检测框的尺寸确定子区域尺寸；
根据所述子区域尺寸将所述监控图像划分为多个子区域；
确定每个所述子区域的监控对象密度；
在所述目标区域的监控对象数量大于设定数量阈值时，发出超载警告；或
在任意一个所述子区域的监控对象密度大于设定密度阈值时，发出危险警告。
2.根据权利要求1所述的监控方法，其特征在于，
所述确定所述目标区域的监控对象数量，包括：
确定所述头肩检测框的数量，从而确定所述目标区域的监控对象数量。
3.根据权利要求1所述的监控方法，其特征在于，
所述对所述目标区域进行头肩检测，以得到多个头肩检测框，包括：
将所述监控图像输入至基于头肩检测的深度学习模型，并得到输出的包含多个头肩检测框的特征图像；
所述确定所述头肩检测框的数量，从而确定所述目标区域的监控对象数量，包括：
确定所述特征图像中目标区域的头肩检测框的数量，从而确定所述目标区域的监控对象数量。
4.根据权利要求1所述的监控方法，其特征在于，
所述监控方法还包括：
在检测到发出超载警告的次数大于设定次数阈值时，向后台调度系统发送告警指令。
5.根据权利要求1所述的监控方法，其特征在于，
所述监控方法还包括：
将所述目标区域中监控对象密度小于所述设定密度阈值的每个所述子区域中的每个所述头肩检测框对应显示为第一颜色特征图形；
将所述目标区域中监控对象密度大于所述设定密度阈值的每个所述子区域中的每个所述头肩检测框对应显示为第二颜色特征图形。
6.根据权利要求1所述的监控方法，其特征在于，
所述基于所述头肩检测框的尺寸确定子区域尺寸，包括：
确定所述头肩检测框的面积；
按照预测比例系数对所述头肩检测框的面积扩大，以作为子区域的面积。
7.根据权利要求1所述的监控方法，其特征在于，
所述确定每个所述子区域的监控对象密度，包括：
根据每个所述头肩检测框与每个所述子区域的重叠面积，确定每个所述头肩检测框所属的子区域；
确定每个所述子区域的监控对象数量，并根据所述子区域的面积确定每个所述子区域的监控对象密度。
8.根据权利要求7所述的监控方法，其特征在于，
所述监控方法还包括：
确定所述目标区域中的标定目标的像素尺寸；
根据所述标定目标的实际尺寸和所述标定目标的像素尺寸计算特征比值；
根据所述监控图像的分辨率和所述特征比值，计算目标区域实际尺寸；
根据所述目标区域的实际尺寸，计算所述子区域的面积。
9.一种服务器，其特征在于，所述服务器包括相互耦接的存储器和处理器；
所述存储器存储有程序数据；
所述处理器用于执行所述程序数据，以实现如权利要求1-8中任一项所述的监控方法。
10.一种监控系统，其特征在于，所述监控系统包括服务器以及与所述服务器连接的摄像头；
其中，所述摄像头用于获取监控图像，所述监控图像至少包括目标区域；
所述服务器用于确定所述目标区域的监控对象数量，并对所述目标区域进行头肩检测，以得到多个头肩检测框，确定所述头肩检测框的尺寸，基于所述头肩检测框的尺寸确定子区域尺寸，根据所述子区域尺寸将所述监控图像划分为多个子区域，确定每个所述子区域的监控对象密度，以在所述目标区域的监控对象数量大于设定数量阈值时，发出超载警告，或在任意一个所述子区域的监控对象密度大于设定密度阈值时，发出危险警告。
11.根据权利要求10所述的监控系统，其特征在于，
所述监控系统还包括显示器，所述显示器连接所述服务器，用于实时显示所述服务器发送给所述显示器的所述目标区域的监控对象数量，以及所述目标区域中多个子区域的监控对象密度。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序数据，所述程序数据能够被执行以实现如权利要求1-8中任一项所述的监控方法。
CN202010096942.XA 2020-02-17 2020-02-17 监控方法、服务器、监控系统以及计算机可读存储介质 Active CN111405239B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010096942.XA CN111405239B (zh) 2020-02-17 2020-02-17 监控方法、服务器、监控系统以及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010096942.XA CN111405239B (zh) 2020-02-17 2020-02-17 监控方法、服务器、监控系统以及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111405239A CN111405239A (zh) 2020-07-10
CN111405239B true CN111405239B (zh) 2021-08-31

Family

ID=71413170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010096942.XA Active CN111405239B (zh) 2020-02-17 2020-02-17 监控方法、服务器、监控系统以及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111405239B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633384B (zh) * 2020-12-25 2022-11-01 北京百度网讯科技有限公司 基于图像识别模型的对象识别方法、装置和电子设备
CN112785351A (zh) * 2021-02-26 2021-05-11 中国工商银行股份有限公司 金融网点监控方法及装置
CN113837034A (zh) * 2021-09-08 2021-12-24 云从科技集团股份有限公司 聚集人群监控方法、设备及计算机存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845344A (zh) * 2016-12-15 2017-06-13 重庆凯泽科技股份有限公司 人群统计方法及装置
CN107229913A (zh) * 2017-05-23 2017-10-03 国家地理空间信息中心 基于高分卫星遥感数据结合建筑高度的人口密度分析系统
CN107273866A (zh) * 2017-06-26 2017-10-20 国家电网公司 一种基于监控系统的人体异常行为识别方法
CN107483894A (zh) * 2017-09-13 2017-12-15 浙大网新系统工程有限公司 基于场景判断实现客运管理的高铁车站视频监控系统
CN110598672A (zh) * 2019-09-23 2019-12-20 天津天地伟业机器人技术有限公司 一种基于单台摄像机的多区域人数统计方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9165190B2 (en) * 2012-09-12 2015-10-20 Avigilon Fortress Corporation 3D human pose and shape modeling
CN103778442B (zh) * 2014-02-26 2017-04-05 哈尔滨工业大学深圳研究生院 一种基于视频人数统计分析的中央空调控制方法
CN109697435B (zh) * 2018-12-14 2020-10-23 重庆中科云从科技有限公司 人流量监测方法、装置、存储介质及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845344A (zh) * 2016-12-15 2017-06-13 重庆凯泽科技股份有限公司 人群统计方法及装置
CN107229913A (zh) * 2017-05-23 2017-10-03 国家地理空间信息中心 基于高分卫星遥感数据结合建筑高度的人口密度分析系统
CN107273866A (zh) * 2017-06-26 2017-10-20 国家电网公司 一种基于监控系统的人体异常行为识别方法
CN107483894A (zh) * 2017-09-13 2017-12-15 浙大网新系统工程有限公司 基于场景判断实现客运管理的高铁车站视频监控系统
CN110598672A (zh) * 2019-09-23 2019-12-20 天津天地伟业机器人技术有限公司 一种基于单台摄像机的多区域人数统计方法

Also Published As

Publication number Publication date
CN111405239A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN111405239B (zh) 监控方法、服务器、监控系统以及计算机可读存储介质
CN108216252B (zh) 一种地铁司机车载驾驶行为分析方法、车载终端及系统
WO2020248386A1 (zh) 视频分析方法、装置、计算机设备及存储介质
CN110889339B (zh) 基于头肩检测的危险区域分级预警方法与系统
US10611086B2 (en) System and method for evaluating additive manufacturing index
CN112819068B (zh) 一种基于深度学习的船舶作业违章行为实时侦测方法
CN110533950A (zh) 车位使用状况的检测方法、装置、电子设备及存储介质
CN110619277A (zh) 一种多社区智慧布控方法以及系统
CN112766069A (zh) 基于深度学习的车辆违停检测方法、装置及电子设备
CN112184773A (zh) 一种基于深度学习的安全帽佩戴检测方法及系统
CN109935080A (zh) 一种交通线路上的车流量实时计算的监测系统及方法
CN114202711A (zh) 一种列车车厢内异常行为智能监测方法、装置及监控系统
CN111985373A (zh) 基于交通路口识别的安全预警方法、装置及电子设备
CN105957352B (zh) 违章停车检测方法和装置
CN114067295A (zh) 一种车辆装载率的确定方法、装置及车辆管理系统
CN112988830A (zh) 人流量统计方法、装置、系统、存储介质和计算机设备
CN109508576A (zh) 一种异常驾驶行为检测方法、装置及电子设备
CN114005093A (zh) 基于视频分析的驾驶行为告警方法、装置、设备及介质
CN113052127A (zh) 一种行为检测方法、系统、计算机设备及机器可读介质
CN102867214B (zh) 区域范围内人数统计管理方法
CN113076999B (zh) 基于人工智能信息数据采集方法
CN110263622A (zh) 列车火情监测方法、装置、终端及存储介质
CN112365740A (zh) 告警展示方法和装置
CN115641555B (zh) 一种基于ai视觉的货车超载超限预警方法
CN114863372A (zh) 一种泊车管理方法、泊车管理装置和计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant