CN112287890B - 人员聚集检测方法、可读存储介质和电子设备 - Google Patents
人员聚集检测方法、可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN112287890B CN112287890B CN202011319810.5A CN202011319810A CN112287890B CN 112287890 B CN112287890 B CN 112287890B CN 202011319810 A CN202011319810 A CN 202011319810A CN 112287890 B CN112287890 B CN 112287890B
- Authority
- CN
- China
- Prior art keywords
- moving object
- distance
- moving
- current
- aggregation
- 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
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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (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
本发明实施例提出人员聚集检测方法、可读存储介质和电子设备。方法包括:获取监控场景的视频流,根据视频流检测场景内的所有运动目标,生成各运动目标的运动轨迹;对于每一运动目标,设为第一运动目标,分别计算第一运动目标与其他各运动目标的当前距离;根据第一运动目标与其他各运动目标的历史距离,确定第一运动目标与其他各运动目标的当前距离的修正权重,根据该修正权重分别修正第一运动目标与其他各运动目标的当前距离;分别判断修正后的第一运动目标与其他各运动目标的当前距离是否小于预设聚集距离阈值,若小于,则确定第一运动目标相对对应的其他运动目标有聚集倾向。本发明实施例提高了人员聚集检测的准确度。
Description
技术领域
本发明涉及轨迹分析技术领域,尤其涉及人员聚集检测方法及可读存储介质和电子设备。
背景技术
在某些场景中,为了安全等原因,需要预防人员聚集,即人与人之间需要保持一定距离。
现有的预防人员聚集的方法主要有如下几种:
一、人工检测,即由人工通过视频监控器观察人员之间的距离,若觉得距离过近,则发出提醒。
二、提取场景中的任意帧的图像来确定运动目标的位置,计算任意两个运动目标之间的距离,若距离小于预设距离阈值则发出人员聚集预警。
发明内容
本发明实施例提出人员聚集检测方法及可读存储介质和电子设备,以提高人员聚集检测的准确度。
本发明实施例的技术方案是这样实现的:
一种人员聚集检测方法,该方法包括:
获取监控场景的视频流,根据视频流检测监控场景内的所有运动目标,并生成各运动目标的完整运动轨迹;
对于每一运动目标,设为第一运动目标,根据第一运动目标的完整运动轨迹和其他各运动目标的完整运动轨迹,分别计算第一运动目标与其他各运动目标的当前距离;
根据第一运动目标与其他各运动目标的历史距离,确定第一运动目标与其他各运动目标的当前距离的修正权重,根据该修正权重分别修正第一运动目标与其他各运动目标的当前距离;其中,第一运动目标与其他各运动目标的历史距离越小,所述修正权重越小,其中,0<修正权重<1;
分别判断修正后的第一运动目标与其他各运动目标的当前距离是否小于预设聚集距离阈值,若小于,则确定第一运动目标相对对应的其他运动目标有聚集倾向。
所述根据第一运动目标与其他各运动目标的历史距离,确定第一运动目标与其他各运动目标的当前距离的修正权重包括:
针对其他每个运动目标,设为第二运动目标,计算第一运动目标与第二运动目标的历史距离的均值,在预先定义的多个历史距离区间与影响权重的对应关系中,查找该均值所在的历史距离区间,确定查找到的历史距离区间对应的影响权重;当针对其他每个运动目标都得到对应的影响权重时,对所有影响权重求均值,得到第一运动目标与其他各运动目标的当前距离的修正权重;其中,预先将0至预设的两运动目标的距离上限之间的取值范围划分为多个互不重叠的历史距离区间,每个历史距离区间对应一个影响权重,且,历史距离区间所代表的取值越小,其对应的影响权重越小;0<影响权重<1;
所述根据该修正权重分别修正第一运动目标与其他各运动目标的当前距离包括:
将该修正权重分别与第一运动目标与其他各运动目标的当前距离相乘,得到修正后的第一运动目标与其他各运动目标的当前距离。
当判定修正后的第一运动目标与任一其他运动目标的当前距离小于预设聚集距离阈值之后进一步包括:
在预先定义的多个聚集距离区间与预警频率的对应关系中,查找修正后的第一运动目标与该其他运动目标的当前距离所处的聚集距离区间,确定查找到的聚集距离区间对应的预警频率,按照确定的预警频率发出人员聚集预警;
其中,预先将0至预设聚集距离阈值之间的取值范围划分为多个互不重叠的聚集距离区间,每个聚集距离区间对应一个预警频率,且,聚集距离区间所代表的取值越小,其对应的预警频率越高。
所述生成各运动目标的完整运动轨迹包括:
A、在场景内的每一摄像机采集的视频流中检测各运动目标,并生成各运动目标在每个轨迹融合周期内在单摄像机下的运动轨迹片段;
B、对于当前轨迹融合周期内的每一运动轨迹片段,分别计算该运动轨迹片段与在前一轨迹融合周期内生成的各运动目标的完整运动轨迹的相似度,若相似度大于相似度阈值,则将该运动轨迹片段与匹配的完整运动轨迹进行融合,得到当前轨迹融合周期内对应运动目标的完整运动轨迹。
所述方法进一步包括:在场景入口和出口处分别实时检测进入场景和离开场景的人数,根据进入场景的人数和离开场景的人数,实时计算场景内的人数;
所述步骤B得到当前轨迹融合周期内对应运动目标的完整运动轨迹之后进一步包括:
当对当前轨迹融合周期内的所有运动轨迹片段都执行完步骤B时,判断当前得到的完整运动轨迹的总数是否等于当前场景内的人数,若等于,则确定当前时刻的完整运动轨迹生成完成;若小于,则增大相似度阈值,并返回步骤B;若大于,则减少相似度阈值,并返回步骤B。
当判定修正后的第一运动目标与任一其他运动目标的当前距离小于预设聚集距离阈值之后进一步包括:
在预先定义的多个聚集距离+运动轨迹持续时长区间与预警频率的对应关系中,查找修正后的第一运动目标与该其他运动目标的当前距离+第一运动目标在当前轨迹融合周期内的运动轨迹持续时长所处的区间,确定查找到的区间对应的预警频率,按照确定的预警频率发出人员聚集预警;
其中,预先将0至预设聚集距离阈值之间的取值范围以及0到一个轨迹融合周期所代表的时间长度之间的取值范围划分为多个互不重叠的聚集距离+运动轨迹持续时长区间,每个区间对应一个预警频率,且,每个区间所代表的距离取值越小,其对应的预警频率越高,每个区间所代表的运动轨迹持续时长越大,其对应的预警频率越高。
所述根据第一运动目标的运动轨迹和其他各运动目标的运动轨迹,分别计算第一运动目标与其他各运动目标的当前距离包括:
获取当前轨迹融合周期内第一运动目标所经过的所有位置;针对其他每个运动目标,设为第二运动目标,获取当前轨迹融合周期内第二运动目标所经过的所有位置;对于第一运动目标所经过的每一位置,分别计算该位置与第二运动目标所经过的每一位置之间的距离;
当计算完第一运动目标所经过的每一位置与第二运动目标所经过的每一位置之间的距离时,对所有距离取均值,该均值即为第一运动目标与第二运动目标的当前距离。
所述确定第一运动目标相对对应的其他运动目标有聚集倾向之后进一步包括:
将第一运动目标的标识、或/和采集第一运动目标的视频流的摄像机标识、或/和从前一时刻到当前时刻的时间信息发送给监控服务器。
一种非瞬时计算机可读存储介质,所述非瞬时计算机可读存储介质存储指令,所述指令在由处理器执行时使得所述处理器执行如上任一项所述的人员聚集检测方法的步骤。
一种电子设备,包括如上所述的非瞬时计算机可读存储介质、以及可访问所述非瞬时计算机可读存储介质的所述处理器。
本发明实施例根据第一运动目标与其他各运动目标的历史距离,确定第一运动目标与其他各运动目标的当前距离的修正权重,根据该修正权重分别修正第一运动目标与其他各运动目标的当前距离;其中,第一运动目标与其他各运动目标的历史距离越小,第一运动目标与其他各运动目标的当前距离的修正权重越小,从而使得在第一运动目标与其他运动目标曾经存在或曾经即将存在聚集倾向时,能够对第一运动目标与其他运动目标的当前距离进行修正,从而提高人员聚集检测和预警的及时性和准确性。
附图说明
图1为本发明一实施例提供的人员聚集检测方法流程图;
图2为本发明另一实施例提供的人员聚集检测方法流程图;
图3为本发明又一实施例提供的人员聚集检测方法流程图;
图4为本发明的应用场景示例图;
图5为本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图及具体实施例对本发明再作进一步详细的说明。
发明人对现有的预防人员聚集的方法进行分析,发现存在如下缺陷:
一、通过人工检测的方法主观性较强,效率和准确率都很低。
二、通过场景图像来确定运动目标的位置,且在任意两个运动目标之间的距离小于预设距离阈值时发出人员聚集预警的方法,未考虑运动目标的运动的前后关联性,即未考虑到运动目标有意识或无意识的聚集倾向。
图1为本发明一实施例提供的人员聚集检测方法流程图,其具体步骤如下:
步骤101:获取监控场景的视频流,根据视频流检测监控场景内的所有运动目标,并生成各运动目标的完整运动轨迹。
步骤102:对于每一运动目标,设为第一运动目标,根据第一运动目标的完整运动轨迹和其他各运动目标的完整运动轨迹,分别计算第一运动目标与其他各运动目标的当前距离。
例如:检测到场景中共存在3个运动目标:A、B和C,则:
1)当第一运动目标为A时,根据当前时刻A的完整运动轨迹和B、C的完整运动轨迹,计算A与B的当前距离、以及A与C的当前距离;
2)当第一运动目标为B时,根据当前时刻B的完整运动轨迹和A、C的完整运动轨迹,计算B与A的当前距离、以及B与C的当前距离;其中,若A与B的当前距离已通过1)计算出,则B与A的当前距离可直接采用1)中A与B的当前距离。
3)当第一运动目标为C时,根据当前时刻C的完整运动轨迹和A、B的完整运动轨迹,计算C与A的当前距离、以及C与B的当前距离。
其中,若A与C的当前距离已通过1)计算出,则C与A的当前距离可直接采用1)中A与C的当前距离;若B与C的当前距离已通过2)计算出,则C与B的当前距离可直接采用2)中B与C的当前距离。
步骤103:根据第一运动目标与其他各运动目标的历史距离,确定第一运动目标与其他各运动目标的当前距离的修正权重,根据该修正权重分别修正第一运动目标与其他各运动目标的当前距离;其中,第一运动目标与其他各运动目标的历史距离越小,第一运动目标与其他各运动目标的当前距离的修正权重越小;0<修正权重<1。
例如:检测到场景中共存在3个运动目标:A、B和C,设第一运动目标当前为A,则根据A与B的历史距离以及A与C的历史距离,确定A与B的当前距离以及A与C的当前距离的修正权重,其中,A与B的历史距离以及A与C的历史距离越小,则修正权重越小。
步骤104:分别判断修正后的第一运动目标与其他各运动目标的当前距离是否小于预设聚集距离阈值,若小于,则确定第一运动目标相对对应的其他运动目标有聚集倾向。
例如:检测到场景中共存在3个运动目标:A、B和C,设第一运动目标当前为A,则判断修正后的A与B的当前距离是否小于预设聚集距离阈值,若小于,则确定A相对B有聚集倾向;再判断修正后的A与C的当前距离是否小于预设聚集距离阈值,若小于,则确定A相对C有聚集倾向。
上述实施例中,根据第一运动目标与其他各运动目标的历史距离,确定第一运动目标与其他各运动目标的当前距离的修正权重,根据该修正权重分别修正第一运动目标与其他各运动目标的当前距离;其中,第一运动目标与其他各运动目标的历史距离越小,第一运动目标与其他各运动目标的当前距离的修正权重越小,从而使得在第一运动目标与其他运动目标曾经存在或曾经即将存在聚集倾向时,能够对第一运动目标与其他运动目标的当前距离进行修正,从而提高人员聚集检测和预警的及时性和准确性。
图2为本发明另一实施例提供的人员聚集检测方法流程图,其具体步骤如下:
步骤201:获取监控场景的视频流,根据视频流检测监控场景内的所有运动目标,并生成各运动目标的完整运动轨迹。
步骤202:对于每一运动目标,设为第一运动目标,根据第一运动目标的完整运动轨迹和其他各运动目标的完整运动轨迹,分别计算第一运动目标与其他各运动目标的当前距离。
步骤203:针对其他每个运动目标,设为第二运动目标,计算第一运动目标与第二运动目标的历史距离的均值,在预先定义的多个历史距离区间与影响权重的对应关系中,查找该均值所在的历史距离区间,确定查找到的历史距离区间对应的影响权重。其中,预先将0至预设的两运动目标的距离上限之间的取值范围划分为多个互不重叠的历史距离区间,每个历史距离区间对应一个影响权重,且,历史距离区间所代表的取值越小,其对应的影响权重越小,且0<影响权重<1。
历史距离即当前时刻之前的距离。
步骤204:当针对其他每个运动目标都得到对应的影响权重时,对所有影响权重求均值,得到第一运动目标与其他各运动目标的当前距离的修正权重。
步骤205:将该修正权重分别与第一运动目标与其他各运动目标的当前距离相乘,得到修正后的第一运动目标与其他各运动目标的当前距离。
对于步骤203-205举例如下:
假设检测到场景中共存在3个运动目标:A、B和C,设第一运动目标当前为A,则:
1)计算A与B的历史距离的均值dAB,在预先定义的多个历史距离区间与影响权重的对应关系中,查找该均值dAB所在的历史距离区间,确定查找到的历史距离区间对应的影响权重αAB;
2)计算A与C的历史距离的均值dAC,在预先定义的多个历史距离区间与影响权重的对应关系中,查找该均值dAC所在的历史距离区间,确定查找到的历史距离区间对应的影响权重αAC;
3)计算修正权重βA:βA=(αAB+αAC)/2;
4)计算修正后的A与B的当前距离D'AB:D'AB=βA*DAB,其中,DAB为修正前的A与B的当前距离;
计算修正后的A与C的当前距离D'AC:D'AC=βA*DAC,其中,DAC为修正前的A与C的当前距离。
之后,再分别将B、C作为第一运动目标执行步骤203-205,就可得到修正后的B与A、B与C、C与A、C与B的当前距离。
步骤206:分别判断修正后的第一运动目标与其他各运动目标的当前距离是否小于预设聚集距离阈值,若小于,则确定第一运动目标相对对应的其他运动目标有聚集倾向。
上述实施例中,通过计算第一运动目标与其他各运动目标的历史距离的均值,来确定影响权重,并将所有影响权重的均值作为第一运动目标与其他各运动目标的当前距离的修正权重,其中,历史距离的均值越小,其对应的影响权重越小,从而使得第一运动目标与其他各运动目标的历史距离越小,对当前距离的影响越大,即当前距离往小的方向修正的幅度越大,从而提高人员聚集检测和预警的及时性和准确性。
一可选实施例中,步骤104或步骤206中,当判定修正后的第一运动目标与任一其他运动目标的当前距离小于预设聚集距离阈值之后进一步包括:在预先定义的多个聚集距离区间与预警频率的对应关系中,查找修正后的第一运动目标与该其他运动目标的当前距离所处的聚集距离区间,确定查找到的聚集距离区间对应的预警频率,按照确定的预警频率发出人员聚集预警;其中,预先将0至预设聚集距离阈值之间的取值范围划分为多个互不重叠的聚集距离区间,每个聚集距离区间对应一个预警频率,且,聚集距离区间所代表的取值越小,其对应的预警频率越高。
通过上述实施例使得运动目标之间的距离越小,发出的预警频率越高,即人员聚集程度越高,预警频率越高,从而实现了根据聚集程度的不同进行分级预警。
一可选实施例中,步骤101或201中,生成各运动目标的运动轨迹包括:
A、在场景内的每一摄像机采集的视频流中检测各运动目标,并生成各运动目标在每个轨迹融合周期内在单摄像机下的运动轨迹片段;
B、对于当前轨迹融合周期内的每一运动轨迹片段,分别计算该运动轨迹片段与在前一轨迹融合周期内生成的各运动目标的完整运动轨迹的相似度,若相似度大于相似度阈值,则将该运动轨迹片段与匹配的完整运动轨迹进行融合,得到当前轨迹融合周期内对应运动目标的完整运动轨迹。
且,上述方法进一步包括:在场景入口和出口处分别实时检测进入场景和离开场景的人数,根据进入场景的人数和离开场景的人数,实时计算场景内的人数;且,步骤B中得到当前轨迹融合周期内对应运动目标的完整运动轨迹之后进一步包括:当对当前轨迹融合周期内的所有运动轨迹片段都执行完步骤B时,判断当前得到的完整运动轨迹的总数是否等于当前场景内的人数,若等于,则确定当前时刻的完整运动轨迹生成完成;若小于,则增大相似度阈值,并返回步骤B;若大于,则减少相似度阈值,并返回步骤B。
上述实施例中,通过统计当前场景内的人数,并利用当前场景内的人数对生成的完整运动轨迹进行校正,提高了生成的完整运动轨迹的准确性。
一可选实施例中,步骤104或步骤206中,当判定修正后的第一运动目标与任一其他运动目标的当前距离小于预设聚集距离阈值之后进一步包括:在预先定义的多个聚集距离+运动轨迹持续时长区间与预警频率的对应关系中,查找修正后的第一运动目标与该其他运动目标的当前距离+第一运动目标在当前轨迹融合周期内的运动轨迹持续时长所处的区间,确定查找到的区间对应的预警频率,按照确定的预警频率发出人员聚集预警;
其中,预先将0至预设聚集距离阈值之间的取值范围以及0到一个轨迹融合周期所代表的时间长度之间的取值范围划分为多个互不重叠的聚集距离+运动轨迹持续时长区间,每个区间对应一个预警频率,且,每个区间所代表的距离取值越小,其对应的预警频率越高,每个区间所代表的运动轨迹持续时长越大,其对应的预警频率越高。
例如:先将0至预设聚集距离阈值之间的取值范围划分为m个区间,然后将0到一个轨迹融合周期所代表的时间长度之间的取值范围划分为n个区间,则一个聚集距离区间可根据运动轨迹持续时长区间,再划分成n个区间,最终得到m*n个聚集距离+运动轨迹持续时长区间。其中,每个区间所代表的聚集距离取值越小,其对应的预警频率越高,在聚集距离相同的情况下,每个区间所代表的运动轨迹持续时长越大,其对应的预警频率越高。
一可选实施例中,步骤102或步骤202中,根据第一运动目标的运动轨迹和其他各运动目标的运动轨迹,分别计算第一运动目标与其他各运动目标的当前距离包括:获取当前轨迹融合周期内第一运动目标所经过的所有位置;针对其他每个运动目标,设为第二运动目标,获取当前轨迹融合周期内第二运动目标所经过的所有位置;对于第一运动目标所经过的每一位置,分别计算该位置与第二运动目标所经过的每一位置之间的距离;当计算完第一运动目标所经过的每一位置与第二运动目标所经过的每一位置之间的距离时,对所有距离取均值,该均值即为第一运动目标与第二运动目标的当前距离。
通过上述实施例,实现了对两运动目标的距离的计算。
一可选实施例中,步骤104或206中,确定第一运动目标相对对应的其他运动目标有聚集倾向之后进一步包括:将第一运动目标的标识、或/和采集第一运动目标的视频流的摄像机标识、或/和从前一时刻到当前时刻的时间信息发送给监控服务器。
通过上述实施例,使得在发生人员聚集情形时,监控服务器能够得知发生聚集的人员的信息,并可以通过查看聚集时间段的视频流来及时了解情况以作出后续处理。
图3为本发明又一实施例提供的人员聚集检测方法流程图,其具体步骤如下:
步骤301:在场景的入口和出口处分别安装摄像机,在场景内安装摄像机,保证场景内安装的所有摄像机的视野能够覆盖整个场景。
步骤302:预先将0至预设的两运动目标的距离上限之间的取值范围划分为多个互不重叠的历史距离区间,每个历史距离区间对应一个影响权重,且,历史距离区间所代表的取值越小,其对应的影响权重越小;预先将0至预设聚集距离阈值之间的取值范围划分为多个互不重叠的聚集距离区间,每个聚集距离区间对应一个预警频率,且,聚集距离区间所代表的取值越小,其对应的预警频率越高;预先设定轨迹融合周期。
步骤303:在入口处和出口处的摄像机采集的视频流中检测人脸,根据在入口处的摄像机采集的视频流中检测到的人脸的数目,统计进入场景的人数,根据在出口处的摄像机采集的视频流中检测到的人脸数目统计离开场景的人数,根据进入场景的人数和离开场景的人数,实时计算当前场景内的人数。
步骤304:接收场景内的各个摄像机采集的视频流,在场景内的每一摄像机采集的视频流中检测各运动目标,并生成各运动目标在每个轨迹融合周期内在单摄像机下的运动轨迹片段。
单摄像机即单个摄像机。在一个轨迹融合周期内,一个运动目标在单摄像机下可能存在多条运动轨迹片段,同时,在一个轨迹融合周期内,一个运动目标可能在多个单摄像机下存在运动轨迹片段。
步骤305:对于当前轨迹融合周期内的每一运动轨迹片段,分别计算该运动轨迹片段与在前一轨迹融合周期内生成的各运动目标的完整运动轨迹的相似度,若相似度大于相似度阈值,则将该运动轨迹片段与匹配的完整运动轨迹进行融合,得到当前轨迹融合周期内对应运动目标的完整运动轨迹。
例如:场景内有P个摄像机,前一轨迹融合周期内场景内共有Q个运动目标,则前一轨迹融合周期内生成的完整运动轨迹共Q条,当前轨迹融合周期内在P个单摄像机下共生成了S条运动轨迹片段,将该S条运动轨迹片段中的每一条轨迹片段分别与前一轨迹融合周期内的Q条完整运动轨迹进行匹配,若相似度大于相似度阈值,则确定匹配成功,将匹配的当前轨迹融合周期内的运动轨迹片段和前一轨迹融合周期的完整运动轨迹进行融合,得到当前轨迹融合周期内对应运动目标的完整运动轨迹。
当对当前轨迹融合周期内的所有运动轨迹片段都完成上述匹配过程后,判断最终得到的当前轨迹融合周期内的完整运动轨迹的总数是否等于当前场景内的人数,若等于,则确定匹配完成,若小于,则增大相似度阈值,重新对当前融合周期内的所有运动轨迹片段执行上述匹配过程,若大于,则减少相似度阈值,重新对当前轨迹融合周期内的所有运动轨迹片段执行上述匹配融合过程。
轨迹召回率是衡量轨迹匹配完整性的重要指标,轨迹召回率等于计算得到的完整运动轨迹中包含的一运动目标的真实轨迹片段的数目/该运动目标的真实轨迹片段的总数目。例如:一轨迹融合周期内,运动目标x在存在a条单摄像机下的运动轨迹片段,但是采用轨迹匹配算法得到的运动目标x的完整运动轨迹中包含的运动轨迹片段中真正属于运动目标x的运动轨迹片段的数目为b,则在该轨迹融合周期内运动目标x的轨迹召回率=b/a。通过当前场景内的人数来对轨迹匹配融合过程进行调整,可以提升轨迹召回率。
步骤306:当对当前轨迹融合周期内场景内的所有运动轨迹片段都执行完步骤305时,判断当前得到的完整运动轨迹的条数是否等于当前场景内的人数,若等于,则确定当前时刻的完整运动轨迹生成完成,执行步骤307;若小于,则增大相似度阈值,并返回步骤305;若大于,则减少相似度阈值,并返回步骤305。
步骤307:对于任一运动目标,设为第一运动目标,根据生成的当前时刻第一运动目标的完整运动轨迹获取当前轨迹融合周期内第一运动目标所经过的所有位置;针对其他每个运动目标,设为第二运动目标,根据生成的当前轨迹融合周期内第二运动目标的完整运动轨迹,获取当前轨迹融合周期内第二运动目标所经过的所有位置;对于第一运动目标所经过的每一位置,分别计算该位置与第二运动目标所经过的每一位置之间的距离;当计算完第一运动目标所经过的每一位置与第二运动目标所经过的每一位置之间的距离时,对所有距离取均值,该均值即为第一运动目标与第二运动目标的当前距离。
步骤308:对于任一运动目标,设为第一运动目标,针对其他每个运动目标,设为第二运动目标,计算第一运动目标与第二运动目标的历史距离的均值,在预先定义的多个历史距离区间与影响权重的对应关系中,查找该均值所在的历史距离区间,确定查找到的历史距离区间对应的影响权重;当针对其他每个运动目标都得到对应的影响权重时,对所有影响权重求均值,得到第一运动目标与其他各运动目标的当前距离的修正权重。
其中,预先将0至预设的两运动目标的距离上限之间的取值范围划分为多个互不重叠的历史距离区间,每个历史距离区间对应一个影响权重,且,历史距离区间所代表的取值越小,其对应的影响权重越小;0<影响权重<1。
其中,计算第一运动目标与第二运动目标的历史距离的均值为:对当前时刻之前的第一运动目标与第二运动目标的所有距离取平均值,这里,当前时刻之前的第一运动目标与第二运动目标的距离指的是采用当时的修正权重修正后的距离。
步骤309:将该修正权重分别与第一运动目标与其他各运动目标的当前距离相乘,得到修正后的第一运动目标与其他各运动目标的当前距离。
步骤310:分别判断修正后的第一运动目标与其他各运动目标的当前距离是否小于预设聚集距离阈值,若小于,则确定第一运动目标相对对应的其他运动目标有聚集倾向,在预先定义的多个聚集距离区间与预警频率的对应关系中,查找修正后的第一运动目标与该其他运动目标的当前距离所处的聚集距离区间,确定查找到的聚集距离区间对应的预警频率,按照确定的预警频率发出人员聚集预警。
其中,预先将0至预设聚集距离阈值之间的取值范围划分为多个互不重叠的聚集距离区间,每个聚集距离区间对应一个预警频率,且,聚集距离区间所代表的取值越小,其对应的预警频率越高。
在实际应用中,在确定第一运动目标相对一其他运动目标有聚集倾向之后,还可将第一运动目标的标识、或/和采集第一运动目标的视频流的摄像机的IP地址、或/和从前一时刻到当前时刻的时间信息发送给监控服务器;或者,若摄像机具有音频告警模块,则向采集第一运动目标的视频流的摄像机发出音频告警指令,以通过摄像机对第一运动目标发出提醒。
图4为本发明的应用场景示例图。如图4所示,场景的入口处和出口处安装了人脸检测设备,用于通过检测人脸的数目确定进入和离开场景的人数,场景内安装了6个摄像机,以对场景内的区域做到全覆盖,6个摄像机采集的视频流实时发送到人员聚集检测装置上进行本发明实施例的处理,人员聚集检测装置在检测到第一运动目标相对第二运动目标存在聚集倾向时,会将相关信息:第一运动目标ID、第一运动目标对应的摄像机IP地址、聚集时间段等信息发生给监控服务器,也可向第一运动目标对应的摄像机发送音频告警播放指令。
本发明实施例还提供一种非瞬时计算机可读存储介质,非瞬时计算机可读存储介质存储指令,该指令在由处理器执行时使得处理器执行如步骤101~104,或者步骤201~206,或者步骤301~310所述的方法的步骤。
图5为本发明实施例提供的电子设备的结构示意图,该装置包括如上所述的非瞬时计算机可读存储介质、以及可访问非瞬时计算机可读存储介质的处理器。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (9)
1.一种人员聚集检测方法,其特征在于,该方法包括:
获取监控场景的视频流,根据视频流检测监控场景内的所有运动目标,并生成各运动目标的完整运动轨迹;
对于每一运动目标,设为第一运动目标,根据第一运动目标的完整运动轨迹和其他各运动目标的完整运动轨迹,分别计算第一运动目标与其他各运动目标的当前距离;
根据第一运动目标与其他各运动目标的历史距离,确定第一运动目标与其他各运动目标的当前距离的修正权重,根据该修正权重分别修正第一运动目标与其他各运动目标的当前距离;其中,第一运动目标与其他各运动目标的历史距离越小,所述修正权重越小,其中,0<修正权重<1;
分别判断修正后的第一运动目标与其他各运动目标的当前距离是否小于预设聚集距离阈值,若小于,则确定第一运动目标相对对应的其他运动目标有聚集倾向;
所述根据第一运动目标与其他各运动目标的历史距离,确定第一运动目标与其他各运动目标的当前距离的修正权重包括:
针对其他每个运动目标,设为第二运动目标,计算第一运动目标与第二运动目标的历史距离的均值,在预先定义的多个历史距离区间与影响权重的对应关系中,查找该均值所在的历史距离区间,确定查找到的历史距离区间对应的影响权重;当针对其他每个运动目标都得到对应的影响权重时,对所有影响权重求均值,得到第一运动目标与其他各运动目标的当前距离的修正权重;其中,预先将0至预设的两运动目标的距离上限之间的取值范围划分为多个互不重叠的历史距离区间,每个历史距离区间对应一个影响权重,且,历史距离区间所代表的取值越小,其对应的影响权重越小;0<影响权重<1;其中,所述计算第一运动目标与第二运动目标的历史距离的均值为:对当前时刻之前的第一运动目标与第二运动目标的所有距离取平均值,这里,当前时刻之前的第一运动目标与第二运动目标的距离指的是采用当时的修正权重修正后的距离;
所述根据该修正权重分别修正第一运动目标与其他各运动目标的当前距离包括:
将该修正权重分别与第一运动目标与其他各运动目标的当前距离相乘,得到修正后的第一运动目标与其他各运动目标的当前距离。
2.根据权利要求1所述的方法,其特征在于,当判定修正后的第一运动目标与任一其他运动目标的当前距离小于预设聚集距离阈值之后进一步包括:
在预先定义的多个聚集距离区间与预警频率的对应关系中,查找修正后的第一运动目标与该其他运动目标的当前距离所处的聚集距离区间,确定查找到的聚集距离区间对应的预警频率,按照确定的预警频率发出人员聚集预警;
其中,预先将0至预设聚集距离阈值之间的取值范围划分为多个互不重叠的聚集距离区间,每个聚集距离区间对应一个预警频率,且,聚集距离区间所代表的取值越小,其对应的预警频率越高。
3.根据权利要求1所述的方法,其特征在于,所述生成各运动目标的完整运动轨迹包括:
A、在场景内的每一摄像机采集的视频流中检测各运动目标,并生成各运动目标在每个轨迹融合周期内在单摄像机下的运动轨迹片段;
B、对于当前轨迹融合周期内的每一运动轨迹片段,分别计算该运动轨迹片段与在前一轨迹融合周期内生成的各运动目标的完整运动轨迹的相似度,若相似度大于相似度阈值,则将该运动轨迹片段与匹配的完整运动轨迹进行融合,得到当前轨迹融合周期内对应运动目标的完整运动轨迹。
4.根据权利要求3所述的方法,其特征在于,所述方法进一步包括:在场景入口和出口处分别实时检测进入场景和离开场景的人数,根据进入场景的人数和离开场景的人数,实时计算场景内的人数;
所述步骤B得到当前轨迹融合周期内对应运动目标的完整运动轨迹之后进一步包括:
当对当前轨迹融合周期内的所有运动轨迹片段都执行完步骤B时,判断当前得到的完整运动轨迹的总数是否等于当前场景内的人数,若等于,则确定当前时刻的完整运动轨迹生成完成;若小于,则增大相似度阈值,并返回步骤B;若大于,则减少相似度阈值,并返回步骤B。
5.根据权利要求3所述的方法,其特征在于,当判定修正后的第一运动目标与任一其他运动目标的当前距离小于预设聚集距离阈值之后进一步包括:
在预先定义的多个聚集距离+运动轨迹持续时长区间与预警频率的对应关系中,查找修正后的第一运动目标与该其他运动目标的当前距离+第一运动目标在当前轨迹融合周期内的运动轨迹持续时长所处的区间,确定查找到的区间对应的预警频率,按照确定的预警频率发出人员聚集预警;
其中,预先将0至预设聚集距离阈值之间的取值范围以及0到一个轨迹融合周期所代表的时间长度之间的取值范围划分为多个互不重叠的聚集距离+运动轨迹持续时长区间,每个区间对应一个预警频率,且,每个区间所代表的距离取值越小,其对应的预警频率越高,每个区间所代表的运动轨迹持续时长越大,其对应的预警频率越高。
6.根据权利要求3所述的方法,其特征在于,所述根据第一运动目标的运动轨迹和其他各运动目标的运动轨迹,分别计算第一运动目标与其他各运动目标的当前距离包括:
获取当前轨迹融合周期内第一运动目标所经过的所有位置;针对其他每个运动目标,设为第二运动目标,获取当前轨迹融合周期内第二运动目标所经过的所有位置;对于第一运动目标所经过的每一位置,分别计算该位置与第二运动目标所经过的每一位置之间的距离;
当计算完第一运动目标所经过的每一位置与第二运动目标所经过的每一位置之间的距离时,对所有距离取均值,该均值即为第一运动目标与第二运动目标的当前距离。
7.根据权利要求1所述的方法,其特征在于,所述确定第一运动目标相对对应的其他运动目标有聚集倾向之后进一步包括:
将第一运动目标的标识、或/和采集第一运动目标的视频流的摄像机标识、或/和从前一时刻到当前时刻的时间信息发送给监控服务器。
8.一种非瞬时计算机可读存储介质,所述非瞬时计算机可读存储介质存储指令,其特征在于,所述指令在由处理器执行时使得所述处理器执行如权利要求1至7中任一项所述的人员聚集检测方法的步骤。
9.一种电子设备,其特征在于,包括如权利要求8所述的非瞬时计算机可读存储介质、以及可访问所述非瞬时计算机可读存储介质的所述处理器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011319810.5A CN112287890B (zh) | 2020-11-23 | 2020-11-23 | 人员聚集检测方法、可读存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011319810.5A CN112287890B (zh) | 2020-11-23 | 2020-11-23 | 人员聚集检测方法、可读存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112287890A CN112287890A (zh) | 2021-01-29 |
CN112287890B true CN112287890B (zh) | 2023-08-04 |
Family
ID=74425220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011319810.5A Active CN112287890B (zh) | 2020-11-23 | 2020-11-23 | 人员聚集检测方法、可读存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287890B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115990012B (zh) * | 2022-11-08 | 2023-08-18 | 广东保伦电子股份有限公司 | 一种在特定空间下预防近视的综合防控方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105760822A (zh) * | 2016-02-01 | 2016-07-13 | 徐黎卿 | 一种车辆驾驶控制方法及系统 |
CN106127814A (zh) * | 2016-07-18 | 2016-11-16 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别人员聚集打斗报警方法和装置 |
CN109063578A (zh) * | 2018-07-06 | 2018-12-21 | 江西洪都航空工业集团有限责任公司 | 一种人群聚集检测方法 |
CN109448291A (zh) * | 2018-11-22 | 2019-03-08 | 广东点讯智能科技有限公司 | 一种应用于建筑工地的行为视频监控系统 |
CN110135314A (zh) * | 2019-05-07 | 2019-08-16 | 电子科技大学 | 一种基于深度轨迹预测的多目标跟踪方法 |
CN110457315A (zh) * | 2019-07-19 | 2019-11-15 | 国家计算机网络与信息安全管理中心 | 一种基于用户轨迹数据的群体聚集模式分析方法和系统 |
CN110766895A (zh) * | 2019-09-17 | 2020-02-07 | 重庆特斯联智慧科技股份有限公司 | 基于目标轨迹分析的智慧社区异常报警系统及方法 |
CN111261301A (zh) * | 2020-02-13 | 2020-06-09 | 姜通渊 | 一种大数据传染病防控方法及系统 |
CN111274864A (zh) * | 2019-12-06 | 2020-06-12 | 长沙千视通智能科技有限公司 | 人群聚集的判断方法及人群聚集的判断装置 |
CN111274287A (zh) * | 2020-01-16 | 2020-06-12 | 北京旷视科技有限公司 | 人员集合同行信息的挖掘方法、装置及电子设备 |
CN111580553A (zh) * | 2020-05-11 | 2020-08-25 | 桂林电子科技大学 | 一种无人机飞行控制器、无人机防疫监管系统和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10423892B2 (en) * | 2016-04-05 | 2019-09-24 | Omni Ai, Inc. | Trajectory cluster model for learning trajectory patterns in video data |
-
2020
- 2020-11-23 CN CN202011319810.5A patent/CN112287890B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105760822A (zh) * | 2016-02-01 | 2016-07-13 | 徐黎卿 | 一种车辆驾驶控制方法及系统 |
CN106127814A (zh) * | 2016-07-18 | 2016-11-16 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别人员聚集打斗报警方法和装置 |
CN109063578A (zh) * | 2018-07-06 | 2018-12-21 | 江西洪都航空工业集团有限责任公司 | 一种人群聚集检测方法 |
CN109448291A (zh) * | 2018-11-22 | 2019-03-08 | 广东点讯智能科技有限公司 | 一种应用于建筑工地的行为视频监控系统 |
CN110135314A (zh) * | 2019-05-07 | 2019-08-16 | 电子科技大学 | 一种基于深度轨迹预测的多目标跟踪方法 |
CN110457315A (zh) * | 2019-07-19 | 2019-11-15 | 国家计算机网络与信息安全管理中心 | 一种基于用户轨迹数据的群体聚集模式分析方法和系统 |
CN110766895A (zh) * | 2019-09-17 | 2020-02-07 | 重庆特斯联智慧科技股份有限公司 | 基于目标轨迹分析的智慧社区异常报警系统及方法 |
CN111274864A (zh) * | 2019-12-06 | 2020-06-12 | 长沙千视通智能科技有限公司 | 人群聚集的判断方法及人群聚集的判断装置 |
CN111274287A (zh) * | 2020-01-16 | 2020-06-12 | 北京旷视科技有限公司 | 人员集合同行信息的挖掘方法、装置及电子设备 |
CN111261301A (zh) * | 2020-02-13 | 2020-06-09 | 姜通渊 | 一种大数据传染病防控方法及系统 |
CN111580553A (zh) * | 2020-05-11 | 2020-08-25 | 桂林电子科技大学 | 一种无人机飞行控制器、无人机防疫监管系统和方法 |
Non-Patent Citations (1)
Title |
---|
基于视频分析的人群密集场所客流监控预警研究;陈冲;《中国安全生产科学技术》;第第16卷卷(第第4期期);143-148 * |
Also Published As
Publication number | Publication date |
---|---|
CN112287890A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852219B (zh) | 一种多行人跨摄像头在线跟踪系统 | |
CN107305627B (zh) | 一种车辆视频监控方法、服务器及系统 | |
CN111105437B (zh) | 车辆轨迹异常判断方法及装置 | |
CN112235537B (zh) | 一种变电站现场作业安全预警方法 | |
CN110555397A (zh) | 一种人群态势分析方法 | |
CN111325048B (zh) | 一种人员聚集检测方法和装置 | |
CN113192105B (zh) | 一种室内多人追踪及姿态估量的方法及装置 | |
CN108986472A (zh) | 一种掉头车辆监控方法及装置 | |
CN113267828A (zh) | 一种信息关联方法、装置、安检设备及存储介质 | |
CN112287890B (zh) | 人员聚集检测方法、可读存储介质和电子设备 | |
CN113887445A (zh) | 一种视频中驻足和徘徊行为识别方法及系统 | |
CN116153086B (zh) | 基于深度学习的多路段交通事故及拥堵检测方法及系统 | |
CN110868568A (zh) | 空管外台站的视频监控方法及装置 | |
CN114648748A (zh) | 一种基于深度学习的机动车违停智能识别方法及系统 | |
KR101107120B1 (ko) | 음원 추적 및 객체 인식 장치와 음원 추적 및 객체 인식 방법 | |
CN115932765A (zh) | 基于多源数据分析的雷达失效自动检测系统及方法 | |
CN113052125B (zh) | 一种施工现场违章图像识别告警方法 | |
KR20220128778A (ko) | 카메라와 레이더를 이용한 구간 단속 방법 및 구간 단속 시스템 | |
CN109815861B (zh) | 一种基于人脸识别的用户行为信息统计方法 | |
CN116311166A (zh) | 交通障碍物识别方法、装置及电子设备 | |
JP7434394B2 (ja) | フォールスネガティブ物体検出を有する可能性があるイメージを決定するための方法 | |
CN113076899B (zh) | 一种基于目标跟踪算法的高压输电线路异物检测方法 | |
CN113065491A (zh) | 一种基于多摄的客流统计方法及系统 | |
CN111898434B (zh) | 一种视频侦测分析系统 | |
CN110852203A (zh) | 一种基于视频特征学习的多要素可疑人员识别方法 |
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 |