CN111950491B - 一种人员密度的监控方法、装置及计算机可读存储介质 - Google Patents
一种人员密度的监控方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111950491B CN111950491B CN202010839179.5A CN202010839179A CN111950491B CN 111950491 B CN111950491 B CN 111950491B CN 202010839179 A CN202010839179 A CN 202010839179A CN 111950491 B CN111950491 B CN 111950491B
- Authority
- CN
- China
- Prior art keywords
- image
- person
- view angle
- bottom edge
- outline 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 238000004364 calculation method Methods 0.000 claims description 31
- 238000009434 installation Methods 0.000 claims description 14
- 238000012806 monitoring device Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004146 energy storage Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims 1
- 241000700605 Viruses Species 0.000 abstract description 9
- 230000005540 biological transmission Effects 0.000 abstract description 9
- 230000005180 public health Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 241000726445 Viroids Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种人员密度的监控方法、装置及计算机可读存储介质，所述方法包括：获取至少一张图像，至少一张图像中的每张图像的覆盖区域至少覆盖两个人员；对每张图像进行图像识别，得出每张图像中每个人员在对应图像中的轮廓框；利用每张图像中每个人员在对应图像中的轮廓框，得到每张图像中每个人员的位置坐标；根据每张图像中每个人员的位置坐标，得出每张图像中任意两个人员之间的间隔距离；若间隔距离小于预设阈值，则发出预警信息。本发明能够实现公共场合中人员间隔距离的实时监控，并在间隔距离小于预设阈值时，实现自动预警，避免了传统视频监控只能监控人流量而无法监控人员之间距离的问题，满足了公共卫生防止病毒传播的监控要求。
Description
技术领域
本发明涉及人员密度监控技术领域，具体涉及一种人员密度的监控方法、装置及计算机可读存储介质。
背景技术
随着全球人口增长，各种生活垃圾排放量逐渐增多，且同时还存在生活垃圾随意丢弃的问题，上述因素共同导致了细菌和病毒的滋生，对人们的身体健康存在较大的威胁。
目前，传播类病毒主要通过病毒携带者咳嗽、打喷嚏或说话时产生的飞沫传播，这些飞沫可以落在附近人的口鼻中，或被吸入肺部，从而造成人与人之间的快速传播，且人员之间间隔距离越近，传播可能性越大。
对于通过飞沫传播的病毒，在各种公共场合(如商场、车站、机场和商业街等)传播尤为迅速，由于公共场合人员密度大，人流量多，一旦公共场合发生病毒传播，可造成整个城市甚至全国感染，所以，对公共场合中进行人员密度监控，成为控制病毒传播的重要一环。
目前，对于人员密度的监测主要分为传感器监测和视频监控两类技术，传感器距离监测主要应用于专用场景，如车间和高端会议等特定场合，由于需要人员携带传感器标签，因此无法在普通民众中推广；而视频监控依赖于视频识别技术，可以实现大范围监测，因此具有广阔的推广空间，但是，目前使用视频监控进行公告场合的人员监控，只有实现当前人流量监测，而不能实现人员之间相互距离的监控，无法满足公共卫生防止病毒传播的监控要求。
发明内容
为了解决现有视频监控人员密度所存在的不能实现人员之间距离监控的问题，本发明的目的在于提供一种能够对人员之间的距离进行实时监控的人员密度的监控方法、装置和计算机可读存储介质。
第一方面，本发明提供了一种人员密度的监控方法，包括：
获取至少一张图像，其中，所述至少一张图像中的每张图像的覆盖区域至少覆盖两个人员；
对所述每张图像进行图像识别，得出所述每张图像中每个人员在对应图像中的轮廓框；
利用所述每张图像中每个人员在对应图像中的轮廓框，得到所述每张图像中每个人员的位置坐标；
根据所述每张图像中每个人员的位置坐标，得出所述每张图像中任意两个人员之间的间隔距离；
若所述间隔距离小于预设阈值，则发出预警信息。
基于上述公开的内容，本发明能够对图像中的人员进行图像识别，获取图像中每个人员的位置坐标，并利用每个人员的位置坐标的得出任意两个人员之间的间隔距离，进而实现人员间间隔距离的实时监测，而一旦人员之间的间隔距离小于预设阈值，即可发出预警信息，用于提醒人员之间间隔较近。
通过上述设计，本发明能够实现公共场合中人员间隔距离的实时监控，并在间隔距离小于预设阈值时，实现自动预警，避免了传统视频监控只能监控人流量而无法监控人员之间距离的问题，满足了公共卫生防止病毒传播的监控要求。
在一个可能的设计中，利用所述每张图像中每个人员在对应图像中的轮廓框，得到所述每张图像中每个人员的位置坐标，包括：
获取所述每张图像中每个轮廓框底边的中心点的坐标；
根据每个所述轮廓框底边的中心点的坐标，得出每个所述轮廓框底边的中心点相对于图像拍摄端的垂直视角和水平视角；
利用所述垂直视角和所述水平视角，得出所述每张图像中每个人员的位置坐标。
基于上述公开的内容，本发明提供了图像中每个人员位置坐标的具体获取方法，即利用图像中每个人员的轮廓框，确定一个基准坐标(即轮廓框底边的中心点坐标)，然后再根据确定出的基准坐标，得出该基础坐标相对于图像拍摄端(如摄像头)的垂直视角以及水平视角，进而即可利用垂直视角和水平视角得出图像中每个人员的位置坐标。
在一个可能的设计中，根据每个所述轮廓框底边的中心点的坐标，得出每个所述轮廓框底边的中心点相对于图像拍摄端的垂直视角和水平视角，包括：
获取所述图像拍摄端的拍摄方向与垂直方向的夹角；
获取所述图像拍摄端的水平视角和垂直视角；
获取每张图像的宽度和高度；
利用如下公式计算得出每个所述轮廓框底边的中心点相对于图像拍摄端的垂直视角和水平视角；
式中，为轮廓框底边的中心点相对于图像拍摄端的垂直视角，φ为轮廓框底边的中心点相对于图像拍摄端的水平视角，(i,j)为轮廓框底边的中心点的坐标，θ为图像拍摄端的拍摄方向与垂直方向的夹角，H和W分别为图像的宽度和高度，FOVv和FOVh分别为图像拍摄端的垂直视角和水平视角。
基于上述公开的内容，本发明公开了轮廓框底边的中心点相对于图像拍摄端的垂直视角和水平视角的具体计算方法，即利用图像拍摄端的拍摄方向与垂直方向的夹角、图像拍摄端的水平视角和垂直视角，以及拍摄出的图像的宽度和高度，并通过上述公开的公式进行计算，进而得出轮廓框底边的中心点相对于图像拍摄端的垂直视角和水平视角。
在一个可能的设计中，利用所述垂直视角和所述水平视角，得出所述每张图像中每个人员的位置坐标，包括：
获取图像拍摄端的安装高度；
根据所述垂直视角、所述水平视角和所述安装高度，并利用如下公式得出所述每张图像中每个人员的位置坐标；
x＝y×tan(φ)；
式中，(x,y)代表每个人员的位置坐标，h为安装高度，为轮廓框底边的中心点相对于图像拍摄端的垂直视角，φ为轮廓框底边的中心点相对于图像拍摄端的水平视角。
基于上述公开的内容，本发明公开了图像中每个人员的位置坐标的具体计算方法，即利用轮廓框底边的中心点相对于图像拍摄端的垂直视角和水平视角，以及图像拍摄端的高度，并利用上述公式计算得出。
在一个可能的设计中，根据所述每张图像中每个人员的位置坐标，得出所述每张图像中任意两个人员之间的间隔距离，包括：
根据所述每张图像中每个人员的位置坐标，采用如下公式，得出所述每张图像中任意两个人员之间的间隔距离；
式中，dk,l为任意两个人员之间的间隔距离，(xk,yk)和(xl,yl)分别为图像中两个人员的位置坐标。
基于上述公开的内容，本发明公开了图像中任意两个人员之间间隔距离的具体计算方法，即利用人员的位置坐标，利用上述公开的公式进行坐标运算，得出任意两个人员之间的间隔距离。
在一个可能的设计中，对所述每张图像进行图像识别，得出所述每张图像中每个人员在对应图像中的轮廓框，包括：
对所述每张图像进行图像识别，得出所述每张图像中每个人员在对应图像中的位置；
利用每个人员在对应图像中的位置，得出每个人员在对应图像中的轮廓框。
基于上述公开的内容，本发明公开了轮廓框的具体获得方法，即利用图像识别，识别出图像中每个人员的位置(即人员在图像中的位置，实质输出的是图像中人员的像素点)，进而根据像素点得出轮廓框(如可设定一个矩形框，将表示人员的像素点包围)。当然，上述公开方法仅仅为轮廓框获取方法的其中一种。
第二方面，本发明提供了一种人员密度的监控装置，包括：图像获取模块、图像识别模块、位置坐标计算模块、距离计算模块和预警模块；
所述图像获取模块，用于获取至少一张图像，其中，所述至少一张图像中的每张图像的覆盖区域至少覆盖两个人员；
所述图像识别模块，用于对所述每张图像进行图像识别，得出所述每张图像中每个人员在对应图像中的轮廓框；
所述位置坐标计算模块，用于利用所述每张图像中每个人员在对应图像中的轮廓框，得到所述每张图像中每个人员的位置坐标；
所述距离计算模块，还用于根据所述每张图像中每个人员的位置坐标，得出所述每张图像中任意两个人员之间的间隔距离；
所述预警模块，用于在所述间隔距离小于预设阈值，发出预警信息。
在一个可能的设计中，所述装置还包括：供电模块，其中，所述供电模块用于为所述图像获取模块、所述图像识别模块、所述位置坐标计算模块、所述距离计算模块和预警模块供电；
所述供电模块包括：电能管理电路单元、电能存储电路单元和供电电源；
所述供电电源电连接所述电能管理电路单元输入端；
所述电能管理电路单元的输出端电连接所述图像获取模块、所述图像识别模块、所述位置坐标计算模块、所述距离计算模块和预警模块的供电端；
所述电能管理电路单元的输出端还电连接所述电能存储电路单元。
第三方面，本发明提供了另一种人员密度的监控装置，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意一种可能设计的所述人员密度的监控方法。
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意一种可能设计的所述人员密度的监控方法。
第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意一种可能设计的所述人员密度的监控方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1是本发明提供的人员密度的监控方法的流程示意图。
图2是本发明提供的第一种人员密度的监控装置的结构示意图。
图3是本发明提供的第二种人员密度的监控装置的结构示意图。
图4是本发明提供的电能管理电路单元的具体电路图。
图5是本发明提供的轮廓框的示意图。
图6是本发明提供的图像拍摄端拍摄方向与垂直方向的夹角的示意图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于下述实施例说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
应当理解，在本文中若将单元称作与另一个单元“连接”、“相连”或“耦合”时，它可以与另一个单元直相连接或耦合，或中间单元可以存在。相対地，在本文中若将单元称作与另一个单元“直接相连”或“直接耦合”时，表示不存在中间单元。另外，应当以类似方式来解释用于描述单元之间的关系的其他单词(例如，“在……之间”对“直接在……之间”,“相邻”对“直接相邻”等等)。
应当理解，本文使用的术语仅用于描述特定实施例，并不意在限制本发明的示例实施例。若本文所使用的，单数形式“一”、“一个”以及“该”意在包括复数形式，除非上下文明确指示相反意思。还应当理解，若术语“包括”、“包括了”、“包含”和/或“包含了”在本文中被使用时,指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性,并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。
应当理解，还应当注意到在一些备选实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如,取决于所涉及的功能/动作,实际上可以并发地执行,或者有时可以以相反的顺序来执行连续示出的两个图。
应当理解，在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实例中，可以不以不必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。
实施例
如图2所示，为本实施例提供一种人员密度的监控装置，包括图像获取模块(例如摄像头)，图像识别模块、位置坐标计算模块、距离计算模块和预警模块，上述4个模块可使用各种具有处理运算功能的芯片实现(如FPGA(Field-Programmable Gate Array，现场可编程门阵列)处理芯片，其用于对图像获取模块拍摄的图像进行图像识别和图像中人员之间距离的计算，并根据间隔距离进行预警等)。
如图1所示，本实施例第一方面所提供的人员密度的监控方法，适用于任何公共场所的人员密度监控，可以但不限于包括如下步骤S101～S105。
S101.获取至少一张图像，其中，所述至少一张图像中的每张图像的覆盖区域至少覆盖两个人员。
步骤S101则是获取监控图像的过程。在本实施例中，举例可获取摄像头拍摄的视频流，然后对视频流进行逐帧处理，得出每一帧的图像，进而为后续进行图像识别提供数据基础。
当然，还可对得出的每一帧图像进行筛选，保留一张图中至少覆盖两个人员的图像。
S102.对所述每张图像进行图像识别，得出所述每张图像中每个人员在对应图像中的轮廓框。
步骤S102则是对图像进行图像识别的过程，以便得出图像中每个人员的轮廓框，为后续人员的位置坐标的识别提供数据基础。
在本实施例中，举例得出图像中每个人员的轮廓框可以但不限于包括如下步骤S102a～S102b。
S102a.对所述每张图像进行图像识别，得出所述每张图像中每个人员在对应图像中的位置。
S102b.利用每个人员在对应图像中的位置，得出每个人员在对应图像中的轮廓框。
步骤S102a则是利用图像识别，识别出每张图像中每个人员在图像中的位置，其实质为：利用图像识别，获取图像中的像素点，根据像素点确定出人员的位置，然后利用像素点组成图像中每个人员的轮廓，最后，即可用矩形框包围像素点组成的轮廓，而将像素点组成的轮廓包围的矩形框，则是人员的轮廓框，可参见图5，图5则为轮廓框的示意图。
在本实施例中，图像识别的原理为：对图像进行分割，如基于灰度、颜色和纹理对图像进行分割，再将分割后的图像进行像素点的提取，进而得出图像中的每个人员像素点。在本实施例中，举例可采用SqueezeDet(目标检测)卷积神经网络或VGG16卷积神经网络进行图像识别。
在得出图像中每个人员的轮廓框后，即可利用轮廓框得出每个人员的位置坐标，如步骤S103所示。
S103.利用所述每张图像中每个人员在对应图像中的轮廓框，得到所述每张图像中每个人员的位置坐标。
步骤S103则是利用每个人员的轮廓框，来得出每个人员的位置坐标的过程，其实质为：通过轮廓框确定每个人员的基准坐标，来得出每个人员的位置坐标。
在本实施例中，举例通过每个人员的基准坐标来确定出其位置坐标，可以但不限于包括如下步骤S103a～S103c。
S103a.获取所述每张图像中每个轮廓框底边的中心点的坐标。
步骤S103a则是确定基准坐标的过程，由于在上述就已说明，使用矩形框将图像中每个人员框起来(即将每个人员的像素点组成的轮廓框起来)，进而实现每个人员轮廓框的确定。而在本实施例中，举例采用轮廓框底边的中点坐标作为基准坐标，如图5所示，图5中则给出了轮廓框底边的中心点。
在本实施例中，每个轮廓框底边的中点坐标，可通过图像识别，以像素点坐标进行表示，即一个轮廓框底边的中点坐标可表示为(i,j)，最后，在利用此坐标即可得出轮廓框底边的中心点相对于图像拍摄端的垂直视角和水平视角，即得出中心点相对于摄像头的垂直视角和水平视角。
S103b.根据每个所述轮廓框底边的中心点的坐标，得出每个所述轮廓框底边的中心点相对于图像拍摄端的垂直视角和水平视角。
在本实施例中，举例根据中心点的坐标，得出其相对于图像拍摄端的垂直视角和水平视角，可以但不限于包括如下步骤S103b1～S103b4。
S103b1.获取所述图像拍摄端的拍摄方向与垂直方向的夹角。
S103b2.获取所述图像拍摄端的水平视角和垂直视角。
S103b3.获取每张图像的宽度和高度。
首先要获取图像拍摄端(例如摄像头)的拍摄方向与垂直方向的夹角，可在安装时测量获得(如图6所示)；其次，还需要图像拍摄端获取的水平视角和垂直视角，也可在安装时获得；最后，还需要获取每张图像的宽度和高度。在获取到上述参数后，即可根据公式(1)和(2)实现轮廓框底边的中心点相对于图像拍摄端的水平视角和垂直视角，即步骤S103b4所示。
在本实施例中，水平视角和垂直视角是指图像拍摄端的水平视场角和垂直视场角，视场角是以光学仪器(在实施例中即指图像拍摄端)的镜头为顶点，以被测目标的物象可通过镜头的最大范围的两条边缘构成的夹角，水平视场角就是水平方向上的视场角，同理，垂直视场角则是垂直方向上的视场角。
S103b4.利用如下公式计算得出每个所述轮廓框底边的中心点相对于图像拍摄端的垂直视角和水平视角。
式中，为轮廓框底边的中心点相对于图像拍摄端的垂直视角，φ为轮廓框底边的中心点相对于图像拍摄端的水平视角，(i,j)为轮廓框底边的中心点的坐标，θ为图像拍摄端的拍摄方向与垂直方向的夹角，H和W分别为图像的宽度和高度，FOVv和FOVh分别为图像拍摄端的垂直视角和水平视角。
在得出轮廓框底边的中心点相对于图像拍摄端的垂直视角和水平视角后，即可得出每个人员的位置坐标，如步骤S103c所示。
S103c.利用所述垂直视角和所述水平视角，得出所述每张图像中每个人员的位置坐标。
在本实施例中，举例每个人员位置坐标的得出可以但不限于包括如下步骤S103c1～S103c2。
S103c1.获取图像拍摄端的安装高度。
如图6所示，在本实施例中，图像拍摄端的安装高度可在安装时测量。
S103c2.根据所述垂直视角、所述水平视角和所述安装高度，并利用如下公式得出所述每张图像中每个人员的位置坐标。
步骤S103c2则是进行位置坐标的计算，即在得出轮廓框底边的中心点相对于图像拍摄端的垂直视角和水平视角后，即可利用公式(3)和(4)进行人员位置坐标的计算。
x＝y×tan(φ) (4)
式中，(x,y)代表每个人员的位置坐标，h为安装高度，为轮廓框底边的中心点相对于图像拍摄端的垂直视角，φ为轮廓框底边的中心点相对于图像拍摄端的水平视角。
在得出每张图像中每个人员的位置坐标后，即可进行人员之间间隔距离的计算，如步骤S104所示。
S104.根据所述每张图像中每个人员的位置坐标，得出所述每张图像中任意两个人员之间的间隔距离。
步骤S104则是根据人员的位置坐标进行距离计算的过程，即利用位置坐标，采用公式(5)进行坐标运算，得出任意两个人员之间的间隔距离。
式中，dk,l为任意两个人员之间的间隔距离，(xk,yk)和(xl,yl)分别为图像中两个人员的位置坐标。
例如，图像中有A和B两个人员，而(xk,yk)则表示A人员的位置坐标，而(xl,yl)则表示B人员的位置坐标，最后，利用公式(5)即可得出A和B人员之间的间隔距离。
在得出人员之间的间隔距离后，即可通过距离来进行预警，如步骤S105所示。
S105.若所述间隔距离小于预设阈值，则发出预警信息。
在本实施例中，距离预设阈值为2m，当计算得出的间隔距离小于2m，则会发出预警信息，当然，预警信息可发送至监控人员，可以但不限于为：警报声、轮廓框变红或文字提醒等。
另外，在本实施例中，计算出的间隔距离为人员在图像中的距离，需要进行距离转换，将图像中的距离转换为实际距离，进而与预设阈值进行比较；当然，也可将预设阈值设置为图像中的距离，与计算出的间隔距离进行比较。
由此通过前述步骤S101～S105详细描述的人员密度的监控方法，本发明能够实现公共场合中人员间隔距离的实时监控，并在间隔距离小于预设阈值时，实现自动预警，避免了传统视频监控只能监控人流量而无法监控人员之间距离的问题，满足了公共卫生防止病毒传播的监控要求。
如图2所示，本实施例第二方面提供了一种实现实施例第一方面中所述的人员密度的监控方法的硬件装置，图像获取模块、图像识别模块、位置坐标计算模块、距离计算模块和预警模块。
所述图像获取模块，用于获取至少一张图像，其中，所述至少一张图像中的每张图像的覆盖区域至少覆盖两个人员。
所述图像识别模块，用于对所述每张图像进行图像识别，得出所述每张图像中每个人员在对应图像中的轮廓框。
所述位置坐标计算模块，用于利用所述每张图像中每个人员在对应图像中的轮廓框，得到所述每张图像中每个人员的位置坐标。
所述距离计算模块，还用于根据所述每张图像中每个人员的位置坐标，得出所述每张图像中任意两个人员之间的间隔距离。
所述预警模块，用于在所述间隔距离小于预设阈值，发出预警信息。
在一个可能的设计中，所述装置还包括：供电模块，其中，所述供电模块用于为所述图像获取模块、所述图像识别模块、所述位置坐标计算模块、所述距离计算模块和预警模块供电。
所述供电模块包括：电能管理电路单元、电能存储电路单元和供电电源。
所述供电电源电连接所述电能管理电路单元输入端。
所述电能管理电路单元的输出端电连接所述图像获取模块、所述图像识别模块、所述位置坐标计算模块、所述距离计算模块和预警模块的供电端。
所述电能管理电路单元的输出端还电连接所述电能存储电路单元。
在本实施例中，为了保证人员密度的监控装置具备超低功耗，设置有电能管理电路单元以及电能储存电路单元，以便实现电能的管理和存储。
在本实施例中，举例供电电源采用单晶硅光伏电池，而电能管理电路单元采用TLV62568型电源管理芯片及其外围电路，其具体电路图可参见图4；另外，电能存储电路单元可采用超级电容或锂电池实现电能存储。
即本实施例利用上述提供的供电模块，仅需使用一小块光伏电池即可实现持续运行，而无需考虑布线问题，不仅提高了安装的便捷性，还大大的降低了能耗。
本实施例提供的硬件装置的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
如图3所示，本实施例第三方面提供了第二种人员密度的监控装置，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如实施例第一方面所述的人员密度的监控方法。
具体举例的，所述存储器可以但不限于包括随机存取存储器(RAM)、只读存储器(ROM)、闪存(Flash Memory)、先进先出存储器(FIFO)和/或先进后出存储器(FILO)等等；所述处理器可以不限于采用型号为STM32F105系列的微处理器、ARM(Advanced RISCMachines)、X86等架构处理器或集成NPU(neural-network processing units)的处理器；所述收发器可以但不限于为WiFi(无线保真)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service，GPRS)无线收发器、紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议，ZigBee)无线收发器、3G收发器、4G收发器和/或5G收发器等。此外，所述监控装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例提供的计算机主设备的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
本实施例第四方面提供了一种存储包含有实施例第一方面所述的人员密度的监控方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面所述的人员密度的监控方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的计算机可读存储介质的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如实施例第一方面所述的人员密度的监控方法，其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
以上所描述的多个实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备执行各个实施例或者实施例的某些部分所述的方法。
本发明不局限于上述可选实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是落入本发明权利要求界定范围内的技术方案，均落在本发明的保护范围之内。
Claims (8)
1.一种人员密度的监控方法，其特征在于，包括：
获取至少一张图像，其中，所述至少一张图像中的每张图像的覆盖区域至少覆盖两个人员；
对所述每张图像进行图像识别，得出所述每张图像中每个人员在对应图像中的轮廓框；
利用所述每张图像中每个人员在对应图像中的轮廓框，得到所述每张图像中每个人员的位置坐标；
根据所述每张图像中每个人员的位置坐标，得出所述每张图像中任意两个人员之间的间隔距离；
若所述间隔距离小于预设阈值，则发出预警信息；
利用所述每张图像中每个人员在对应图像中的轮廓框，得到所述每张图像中每个人员的位置坐标，包括：
获取所述每张图像中每个轮廓框底边的中心点的坐标；
根据每个所述轮廓框底边的中心点的坐标，得出每个所述轮廓框底边的中心点相对于图像拍摄端的垂直视角和水平视角；
利用每个所述轮廓框底边的中心点相对于图像拍摄端的垂直视角和水平视角，得出所述每张图像中每个人员的位置坐标；
根据每个所述轮廓框底边的中心点的坐标，得出每个所述轮廓框底边的中心点相对于图像拍摄端的垂直视角和水平视角，包括：
获取所述图像拍摄端的拍摄方向与垂直方向的夹角；
获取所述图像拍摄端的水平视角和垂直视角；
获取每张图像的宽度和高度；
利用如下公式计算得出每个所述轮廓框底边的中心点相对于图像拍摄端的垂直视角和水平视角；
式中，为轮廓框底边的中心点相对于图像拍摄端的垂直视角，φ为轮廓框底边的中心点相对于图像拍摄端的水平视角，(i,j)为轮廓框底边的中心点的坐标，θ为图像拍摄端的拍摄方向与垂直方向的夹角，H和W分别为图像的宽度和高度，FOVv和FOVh分别为图像拍摄端的垂直视角和水平视角。
2.如权利要求1所述的方法，其特征在于，利用每个所述轮廓框底边的中心点相对于图像拍摄端的垂直视角和水平视角，得出所述每张图像中每个人员的位置坐标，包括：
获取图像拍摄端的安装高度；
根据所述安装高度，以及所述每个所述轮廓框底边的中心点相对于图像拍摄端的垂直视角和水平视角，并利用如下公式得出所述每张图像中每个人员的位置坐标；
x＝y×tan(φ)；
式中，(x,y)代表每个人员的位置坐标，h为安装高度，为轮廓框底边的中心点相对于图像拍摄端的垂直视角，φ为轮廓框底边的中心点相对于图像拍摄端的水平视角。
3.如权利要求1所述的方法，其特征在于，根据所述每张图像中每个人员的位置坐标，得出所述每张图像中任意两个人员之间的间隔距离，包括：
根据所述每张图像中每个人员的位置坐标，采用如下公式，得出所述每张图像中任意两个人员之间的间隔距离；
式中，dk,l为任意两个人员之间的间隔距离，(xk,yk)和(xl,yl)分别为图像中两个人员的位置坐标。
4.如权利要求1所述的方法，其特征在于，对所述每张图像进行图像识别，得出所述每张图像中每个人员在对应图像中的轮廓框，包括：
对所述每张图像进行图像识别，得出所述每张图像中每个人员在对应图像中的位置；
利用每个人员在对应图像中的位置，得出每个人员在对应图像中的轮廓框。
5.一种人员密度的监控装置，其特征在于，包括：图像获取模块、图像识别模块、位置坐标计算模块、距离计算模块和预警模块；
所述图像获取模块，用于获取至少一张图像，其中，所述至少一张图像中的每张图像的覆盖区域至少覆盖两个人员；
所述图像识别模块，用于对所述每张图像进行图像识别，得出所述每张图像中每个人员在对应图像中的轮廓框；
所述位置坐标计算模块，用于利用所述每张图像中每个人员在对应图像中的轮廓框，得到所述每张图像中每个人员的位置坐标；
所述距离计算模块，还用于根据所述每张图像中每个人员的位置坐标，得出所述每张图像中任意两个人员之间的间隔距离；
所述预警模块，用于在所述间隔距离小于预设阈值，发出预警信息；
利用所述每张图像中每个人员在对应图像中的轮廓框，得到所述每张图像中每个人员的位置坐标，包括：
获取所述每张图像中每个轮廓框底边的中心点的坐标；
根据每个所述轮廓框底边的中心点的坐标，得出每个所述轮廓框底边的中心点相对于图像拍摄端的垂直视角和水平视角；
利用每个所述轮廓框底边的中心点相对于图像拍摄端的垂直视角和水平视角，得出所述每张图像中每个人员的位置坐标；
根据每个所述轮廓框底边的中心点的坐标，得出每个所述轮廓框底边的中心点相对于图像拍摄端的垂直视角和水平视角，包括：
获取所述图像拍摄端的拍摄方向与垂直方向的夹角；
获取所述图像拍摄端的水平视角和垂直视角；
获取每张图像的宽度和高度；
利用如下公式计算得出每个所述轮廓框底边的中心点相对于图像拍摄端的垂直视角和水平视角:
式中，为轮廓框底边的中心点相对于图像拍摄端的垂直视角，φ为轮廓框底边的中心点相对于图像拍摄端的水平视角，(i,j)为轮廓框底边的中心点的坐标，θ为图像拍摄端的拍摄方向与垂直方向的夹角，H和W分别为图像的宽度和高度，FOVv和FOVh分别为图像拍摄端的垂直视角和水平视角。
6.如权利要求5所述的装置，其特征在于，所述装置还包括：供电模块，其中，所述供电模块用于为所述图像获取模块、所述图像识别模块、所述位置坐标计算模块、所述距离计算模块和预警模块供电；
所述供电模块包括：电能管理电路单元、电能存储电路单元和供电电源；
所述供电电源电连接所述电能管理电路单元输入端；
所述电能管理电路单元的输出端电连接所述图像获取模块、所述图像识别模块、所述位置坐标计算模块、所述距离计算模块和预警模块的供电端；
所述电能管理电路单元的输出端还电连接所述电能存储电路单元。
7.一种人员密度的监控装置，其特征在于，包括：依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如权利要求1～4任意一项所述的人员密度的监控方法。
8.一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上存储有指令，当所述指令在计算机上运行时，执行如权利要求1～4任意一项所述的人员密度的监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010839179.5A CN111950491B (zh) | 2020-08-19 | 2020-08-19 | 一种人员密度的监控方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010839179.5A CN111950491B (zh) | 2020-08-19 | 2020-08-19 | 一种人员密度的监控方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111950491A CN111950491A (zh) | 2020-11-17 |
| CN111950491B true CN111950491B (zh) | 2024-04-02 |
Family
ID=73359022
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010839179.5A Active CN111950491B (zh) | 2020-08-19 | 2020-08-19 | 一种人员密度的监控方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950491B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112989956A (zh) * | 2021-02-20 | 2021-06-18 | 潍柴动力股份有限公司 | 基于感兴趣区域的红绿灯识别方法、系统及存储介质 |
| TW202248953A (zh) * | 2021-06-11 | 2022-12-16 | 明泰科技股份有限公司 | 偵測社交距離的攝影裝置及系統 |
| CN113822151A (zh) * | 2021-08-09 | 2021-12-21 | 中标慧安信息技术股份有限公司 | 用于监测市场内部人员聚集密度的方法和系统 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101325690A (zh) * | 2007-06-12 | 2008-12-17 | 上海正电科技发展有限公司 | 监控视频流中人流分析与人群聚集过程的检测方法及系统 |
| CN102364944A (zh) * | 2011-11-22 | 2012-02-29 | 电子科技大学 | 一种预防人员聚集的视频监控方法 |
| CN102663491A (zh) * | 2012-03-13 | 2012-09-12 | 浙江工业大学 | 一种基于surf特征的高密度人群计数方法 |
| CN103077375A (zh) * | 2012-12-30 | 2013-05-01 | 信帧电子技术（北京）有限公司 | 检测打架行为的方法 |
| CN103425967A (zh) * | 2013-07-21 | 2013-12-04 | 浙江大学 | 一种基于行人检测和跟踪的人流监控方法 |
| CN103577875A (zh) * | 2013-11-20 | 2014-02-12 | 北京联合大学 | 一种基于fast的计算机辅助cad人数统计方法 |
| CN103646250A (zh) * | 2013-09-13 | 2014-03-19 | 魏运 | 基于距离图像头肩特征的行人监测方法及装置 |
| CN107403539A (zh) * | 2017-08-07 | 2017-11-28 | 深圳市盛路物联通讯技术有限公司 | 一种公共场所环境预警方法和服务端 |
| CN108363953A (zh) * | 2018-01-12 | 2018-08-03 | 浙江大华技术股份有限公司 | 一种行人检测的方法及双目监控设备 |
| CN108665691A (zh) * | 2018-08-22 | 2018-10-16 | 张菁菁 | 一种智能防拥挤踩踏的预警与导流的系统及方法 |
| CN109101929A (zh) * | 2018-08-16 | 2018-12-28 | 新智数字科技有限公司 | 一种行人计数方法及装置 |
| WO2019047492A1 (zh) * | 2017-09-08 | 2019-03-14 | 深圳市无牙太赫兹科技有限公司 | 一种人体图像映射方法、系统及终端设备 |
| CN110175547A (zh) * | 2019-05-16 | 2019-08-27 | 苏州大学 | 一种多域信息的人群密度预警方法 |
| CN110427908A (zh) * | 2019-08-08 | 2019-11-08 | 北京百度网讯科技有限公司 | 一种人物检测的方法、装置及计算机可读存储介质 |
| CN110688987A (zh) * | 2019-10-16 | 2020-01-14 | 山东建筑大学 | 一种行人位置检测与跟踪方法及系统 |
| CN111556294A (zh) * | 2020-05-11 | 2020-08-18 | 腾讯科技（深圳）有限公司 | 安全监测方法、装置、服务器、终端及可读存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4328286B2 (ja) * | 2004-12-14 | 2009-09-09 | 本田技研工業株式会社 | 顔領域推定装置、顔領域推定方法及び顔領域推定プログラム |
| US8761442B2 (en) * | 2012-03-29 | 2014-06-24 | The Nielsen Company (Us), Llc | Methods and apparatus to count people in images |
-
2020
- 2020-08-19 CN CN202010839179.5A patent/CN111950491B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101325690A (zh) * | 2007-06-12 | 2008-12-17 | 上海正电科技发展有限公司 | 监控视频流中人流分析与人群聚集过程的检测方法及系统 |
| CN102364944A (zh) * | 2011-11-22 | 2012-02-29 | 电子科技大学 | 一种预防人员聚集的视频监控方法 |
| CN102663491A (zh) * | 2012-03-13 | 2012-09-12 | 浙江工业大学 | 一种基于surf特征的高密度人群计数方法 |
| CN103077375A (zh) * | 2012-12-30 | 2013-05-01 | 信帧电子技术（北京）有限公司 | 检测打架行为的方法 |
| CN103425967A (zh) * | 2013-07-21 | 2013-12-04 | 浙江大学 | 一种基于行人检测和跟踪的人流监控方法 |
| CN103646250A (zh) * | 2013-09-13 | 2014-03-19 | 魏运 | 基于距离图像头肩特征的行人监测方法及装置 |
| CN103577875A (zh) * | 2013-11-20 | 2014-02-12 | 北京联合大学 | 一种基于fast的计算机辅助cad人数统计方法 |
| CN107403539A (zh) * | 2017-08-07 | 2017-11-28 | 深圳市盛路物联通讯技术有限公司 | 一种公共场所环境预警方法和服务端 |
| WO2019047492A1 (zh) * | 2017-09-08 | 2019-03-14 | 深圳市无牙太赫兹科技有限公司 | 一种人体图像映射方法、系统及终端设备 |
| CN108363953A (zh) * | 2018-01-12 | 2018-08-03 | 浙江大华技术股份有限公司 | 一种行人检测的方法及双目监控设备 |
| CN109101929A (zh) * | 2018-08-16 | 2018-12-28 | 新智数字科技有限公司 | 一种行人计数方法及装置 |
| CN108665691A (zh) * | 2018-08-22 | 2018-10-16 | 张菁菁 | 一种智能防拥挤踩踏的预警与导流的系统及方法 |
| CN110175547A (zh) * | 2019-05-16 | 2019-08-27 | 苏州大学 | 一种多域信息的人群密度预警方法 |
| CN110427908A (zh) * | 2019-08-08 | 2019-11-08 | 北京百度网讯科技有限公司 | 一种人物检测的方法、装置及计算机可读存储介质 |
| CN110688987A (zh) * | 2019-10-16 | 2020-01-14 | 山东建筑大学 | 一种行人位置检测与跟踪方法及系统 |
| CN111556294A (zh) * | 2020-05-11 | 2020-08-18 | 腾讯科技（深圳）有限公司 | 安全监测方法、装置、服务器、终端及可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 人数统计与人群密度估计技术研究现状与趋势;张君军;石志广;李吉成;;计算机工程与科学;20180215(第02期);全文 * |
| 基于卷积神经网络和密度分布特征的人数统计方法;郭继昌;李翔鹏;;电子科技大学学报(第06期);全文 * |
| 智能化视频监控系统的人群密度估计;关玉秋;;中国安防(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111950491A (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111950491B (zh) | 一种人员密度的监控方法、装置及计算机可读存储介质 | |
| CN109886096B (zh) | 一种智慧旅游监管及安全应急管理联动指挥系统 | |
| CN111914819B (zh) | 一种多摄像头融合的人群密度预测方法、装置、存储介质及终端 | |
| CN109460740A (zh) | 基于ais与视频数据融合的船舶身份识别方法 | |
| CN104902233B (zh) | 综合安全监控系统 | |
| WO2019129255A1 (zh) | 一种目标跟踪方法及装置 | |
| CN113192646B (zh) | 目标检测模型构建方法及不同目标间距离监控方法、装置 | |
| CN108877269A (zh) | 一种交叉路口车辆状态检测及v2x广播方法 | |
| CN110097787A (zh) | 一种基于监控航标灯的船只碰撞预警监测系统及方法 | |
| EP3702957A1 (en) | Target detection method and apparatus, and computer device | |
| CN104994347A (zh) | 一种智能安防视频监控系统及其检测处理方法 | |
| CN104933424A (zh) | 车辆及行人监测方法及装置 | |
| CN107665361A (zh) | 一种基于人脸识别的客流计数方法 | |
| CN115797873B (zh) | 一种人群密度检测方法、系统、设备、存储介质及机器人 | |
| CN103795978B (zh) | 一种多画面智能识别方法及其装置 | |
| CN104820995A (zh) | 一种面向大型公共场所的人流密度监测预警方法 | |
| CN106251363A (zh) | 一种智慧金睛识别人流人数统计方法和装置 | |
| US9558406B2 (en) | Image processing apparatus including an object setting section, image processing method, and program using the same | |
| CN111401215A (zh) | 一种多类别目标检测的方法及系统 | |
| CN108229421A (zh) | 一种基于深度视频信息的坠床行为实时检测方法 | |
| CN110222647B (zh) | 一种基于卷积神经网络的人脸活体检测方法 | |
| CN112257527A (zh) | 基于多目标融合与时空视频序列的手机检测方法 | |
| CN113963373A (zh) | 一种基于视频图像动态检测与跟踪算法系统及方法 | |
| CN113920585A (zh) | 行为识别方法及装置、设备和存储介质 | |
| CN202872972U (zh) | 一种图像监测处理装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |