CN113239894A - 基于群体行为分析辅助的群智感知系统 - Google Patents

基于群体行为分析辅助的群智感知系统 Download PDF

Info

Publication number
CN113239894A
CN113239894A CN202110657825.0A CN202110657825A CN113239894A CN 113239894 A CN113239894 A CN 113239894A CN 202110657825 A CN202110657825 A CN 202110657825A CN 113239894 A CN113239894 A CN 113239894A
Authority
CN
China
Prior art keywords
panoramic image
crowd
bus
panoramic
human body
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.)
Withdrawn
Application number
CN202110657825.0A
Other languages
English (en)
Inventor
肖文静
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.)
Donghua Polytechnic University Nanchang Campus
Original Assignee
Donghua Polytechnic University Nanchang Campus
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 Donghua Polytechnic University Nanchang Campus filed Critical Donghua Polytechnic University Nanchang Campus
Priority to CN202110657825.0A priority Critical patent/CN113239894A/zh
Publication of CN113239894A publication Critical patent/CN113239894A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Landscapes

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

Abstract

本发明公开了一种基于群体行为分析辅助的群智感知系统，图像采集模块采集公交车内部的全景图像，将全景图像送入到群体HOG特征模块中，群体HOG特征模块中通过对全景图像进行灰度处理、Gamma算法去杂，划分像素块，计算像素块的梯度直方图，将像素块直方图串联获得全景图像的人体HOG特征，将公交车内人体HOG特征送入到PeD贝叶斯模块，PeD贝叶斯模块确定人群中每个人的位置区域，异常判断模块包括运动点提取单元和速度计算单元，运动点提取单元提取每个人位置区域中的目标运动点，速度计算单元根据目标运动点计算每个人的实际运动速度，通过设定的阈值判断异常，通过异常判断为公交车内异常预警和及时做出应急反应提供便利。

Description

基于群体行为分析辅助的群智感知系统
技术领域
本发明涉及一种数据分析系统，尤其涉及一种基于群体行为分析辅助的群智感知系统。
背景技术
群智感知是结合众包思想和移动设备感知能力的一种新的数据获取模式，是物联网的一种表现形式，它的理念就是无意识协作获取数据实现感知，通过感知判断异常具有很大效用。CN201510500666.8公开了一种群智感知大数据公共安全识别方法，这种方法通过将声音、视频、图像、文本形式将大量样本进行分类并设置关联标记，利用对应的训练算法建立特征集与异常检测模型，在应用阶段检测数据与异常检测模型进行特征匹配，若匹配决策为异常，则提示安全异常。现有技术，公交车属于人员密集的公共区域，随着公交车的行驶，车内人员处于运动状态，现有的群智感知分析方法无法分析判断图像中的人群异常。
发明内容
为了解决上述现有技术存在的缺陷，本发明提出了一种基于群体行为分析辅助的群智感知系统。
本发明的技术方案是这样实现的：
一种基于群体行为分析辅助的群智感知系统，其特征在于，包括：图像采集模块、群体HOG特征模块、PeD贝叶斯模块、异常判断模块，
图像采集模块中含有定时采集装置，通过定时采集装置每隔时间T采集一张公交 车内部的全景图像
Figure 683956DEST_PATH_IMAGE001
，得到全景图像序列
Figure 335518DEST_PATH_IMAGE002
，
Figure 911992DEST_PATH_IMAGE003
，将全景 图像序列
Figure 41622DEST_PATH_IMAGE002
送入群体HOG特征模块；
群体HOG特征模块接收全景图像序列
Figure 262519DEST_PATH_IMAGE002
，将全景图像序列
Figure 881719DEST_PATH_IMAGE002
中的任意全景图像
Figure 883174DEST_PATH_IMAGE001
转为全景灰度图
Figure 82074DEST_PATH_IMAGE004
, 利用Gamma算法对全景灰度图
Figure 672324DEST_PATH_IMAGE004
归一化，得 到有效全景灰度图
Figure 400108DEST_PATH_IMAGE005
，对有效全景灰度图
Figure 951176DEST_PATH_IMAGE005
的像素进行分组分块处 理，计算每一个像素块的梯度直方图，将图像中所有像素块的梯度直方图串联起来得到公 交车内人体HOG特征；
PeD贝叶斯模块将全景图像序列
Figure 422608DEST_PATH_IMAGE002
划分为训练集
Figure 945993DEST_PATH_IMAGE006
和验证集
Figure 47942DEST_PATH_IMAGE007
，训练集
Figure 23988DEST_PATH_IMAGE008
，验证集
Figure 95849DEST_PATH_IMAGE009
，通过公交车内人体HOG特征 标记训练集
Figure 473741DEST_PATH_IMAGE006
的全景图像中人体像素位置，利用训练集
Figure 808907DEST_PATH_IMAGE006
生成PeD贝叶斯模型，PeD贝叶斯 模型将验证集
Figure 459200DEST_PATH_IMAGE007
的全景图像中属于人体HOG特征的像素块合并，找出公交车内每个人体的 相应位置；
异常判断模块包括运动点提取单元和速度计算单元，运动点提取单元根据公交车 内每个人体的相应位置提取目标运动点，速度计算单元根据目标运动点计算每个人体的实 际运动速度
Figure 272435DEST_PATH_IMAGE010
，通过设定的阈值
Figure 567151DEST_PATH_IMAGE011
判断公交车内异常情况。
在本发明中，通过像素色彩通道平均值法将全景图像
Figure 73218DEST_PATH_IMAGE001
的像素
Figure 695961DEST_PATH_IMAGE012
转变得 到全景灰度图
Figure 312887DEST_PATH_IMAGE004
的像素
Figure 462108DEST_PATH_IMAGE013
，
Figure 139077DEST_PATH_IMAGE014
，其中
Figure 501313DEST_PATH_IMAGE015
为 像素
Figure 656351DEST_PATH_IMAGE012
红色通道像素值，
Figure 925658DEST_PATH_IMAGE016
为像素
Figure 773528DEST_PATH_IMAGE012
绿色通道像素值，
Figure 370863DEST_PATH_IMAGE017
为像素
Figure 329592DEST_PATH_IMAGE012
蓝色通 道像素值。
在本发明中，
Figure 187826DEST_PATH_IMAGE018
，
Figure 206598DEST_PATH_IMAGE019
为Gamma系数。
在本发明中，根据验证集的全景图像中人体目标运动点距离与实际距离的映射关 系求出实际速度，表达式为：
Figure 540496DEST_PATH_IMAGE020
，求得全景图像中每个人 的实际运动速度
Figure 302916DEST_PATH_IMAGE010
，
Figure 281236DEST_PATH_IMAGE021
，
Figure 470909DEST_PATH_IMAGE022
为全景图像中的人体个数，其中，
Figure 105153DEST_PATH_IMAGE023
,
Figure 343367DEST_PATH_IMAGE024
是相邻两张全景图像中同一人体的目标运动点，
Figure 379456DEST_PATH_IMAGE025
，
Figure 536768DEST_PATH_IMAGE026
为全景图像中公交车内 部各区域在水平、垂直方向上的实际距离，
Figure 923887DEST_PATH_IMAGE027
，
Figure 28109DEST_PATH_IMAGE028
为公交车内部区域个数，A×B 为全景图像分辨率，A 为全景图像长度值，B为全景图像宽度值，T2-T1为相邻两张全景图像 的时间差。
在本发明中，通过设定的阈值
Figure 840076DEST_PATH_IMAGE011
判断公交车内异常情况，
Figure 371552DEST_PATH_IMAGE029
，
Figure 980388DEST_PATH_IMAGE030
为公交车速度，信号为
Figure 950618DEST_PATH_IMAGE031
是异常情况。
实施本发明的这种基于群体行为分析辅助的群智感知系统，具有以下有益效果：通过对大量图像数据感知分析，先提取公交车内人体HOG特征，然后训练PeD贝叶斯模型判断像素块,通过提取合并是人体特征的像素块找到人体位置，最后通过人体位置目标运动点距离与实际距离的映射关系计算人体实际速度，利用公交车中人体实际速度与阈值判断异常情况，为异常预警和及时做出应急反应有极大便利。
附图说明
图1为基于群体行为分析辅助的群智感知系统的系统模块图。
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。
如图1所示基于群体行为分析辅助的群智感知系统的系统模块图，图像采集模块采集公交车内部的全景图像，将全景图像送入到群体HOG特征模块中。群体HOG特征模块中通过对全景图像进行灰度处理、Gamma算法去除光线和阴影杂质，将全景图像划分像素块，计算像素块的梯度直方图，将像素块直方图串联获得全景图的人体HOG特征，将公交车内人体HOG特征送入到PeD贝叶斯模块。通过PeD贝叶斯模块确定人群中每个人的位置区域。异常判断模块包括运动点提取单元和速度计算单元，运动点提取单元提取每个人位置区域中的目标运动点，速度计算单元根据目标运动点计算每个人的实际运动速度，通过设定的阈值判断异常。
图像采集模块采集监控摄像头中公交车内部的全景图像，图像采集模块中含有定 时采集装置，通过定时采集装置每隔3s采集一张全景图像
Figure 695720DEST_PATH_IMAGE001
，得到全景图像序列
Figure 663676DEST_PATH_IMAGE003
，将全景图像序列
Figure 431912DEST_PATH_IMAGE003
送入群体HOG 特征模块。
群体HOG特征模块接收全景图像序列
Figure 877937DEST_PATH_IMAGE002
，通过像素
Figure 539862DEST_PATH_IMAGE032
三色彩通道平均值法 将全景图像
Figure 413140DEST_PATH_IMAGE001
转为全景灰度图像
Figure 996568DEST_PATH_IMAGE004
,对于全景图像
Figure 167655DEST_PATH_IMAGE001
的每一个像素
Figure 887350DEST_PATH_IMAGE012
，经过下式的处理，可将像素转换为灰度像素：
Figure 993846DEST_PATH_IMAGE014
，对全景 图像
Figure 64570DEST_PATH_IMAGE001
的所有像素
Figure 852398DEST_PATH_IMAGE012
都进行这样的操作，得到像素灰度化后的全景灰度图像
Figure 364282DEST_PATH_IMAGE004
，利用Gamma算法对全景灰度图像
Figure 579362DEST_PATH_IMAGE004
归一化，通过Gamma算法归一化调 节可以去除全景灰度图像
Figure 871803DEST_PATH_IMAGE004
中存在的光线、阴影问题。Gamma算法表达式为：
Figure 525639DEST_PATH_IMAGE018
，
Figure 954346DEST_PATH_IMAGE019
为Gamma系数，当
Figure 605907DEST_PATH_IMAGE033
时，在低灰度值区域内，动态范围较 大，图像对比度增强；在较高的灰度值区域内，动态范围变小，图像整体的灰度值变大；而当
Figure 563806DEST_PATH_IMAGE034
时，图像低灰度值区域的动态范围变小，高灰度值区域的动态范围变大，降低了低灰 度值区域的对比度。通过Gamma算法调整图像灰度值区域和对比度有利于对图像中阴影、暗 淡部分进行分析，以去除图像中存在的光线、阴影杂质，通过调整，得到有效全景灰度图
Figure 693436DEST_PATH_IMAGE005
，对有效全景灰度图
Figure 773387DEST_PATH_IMAGE005
的像素进行分组分块处理，每4*4 个像素为 一个像素组，每4*4个像素组为一个像素块，计算每一个像素块的梯度直方图，将图像中所 有像素块的梯度直方图串联起来就得到了全景HOG特征，全景HOG特征即为公交车内人体 HOG特征，将全景HOG特征送入到PeD贝叶斯模块进行人群标记检测。
PeD贝叶斯模块接收公交车内人体HOG特征，贝叶斯模型是一种数学模型，其通常 用来解决例如先验概率、后验概率、分类问题等。例如对于事件a和事件b而言，已知事件b发 生了，事件a不确定有没有发生，求此时事件a发生的概率，可以通过贝叶斯来计算求得，基 于这个模型思路，我们提出了PeD贝叶斯模型。通过PeD贝叶斯模型可以实现对图像中人体 特征像素块的分割和位置确定，对于人体特征像素块和待验像素块而言，待验像素块为两 类，可能是人体特征像素块，可能不是，通过公交车内人体HOG特征标记已知人体特征像素 块，求待验像素块属于人体特征像素块的概率，具体为：将全景图像序列
Figure 533533DEST_PATH_IMAGE002
划分为训练集
Figure 534987DEST_PATH_IMAGE008
和验证集
Figure 733887DEST_PATH_IMAGE009
，通过群体HOG特征模块获 得的人体HOG特征标记训练集
Figure 933924DEST_PATH_IMAGE006
中人体特征像素块位置，验证集
Figure 927288DEST_PATH_IMAGE007
中待验像素块特征表示 为
Figure 681618DEST_PATH_IMAGE035
，求该待验像素块为人体特征像素块的概率，则可以由下式计算求得：
Figure 340001DEST_PATH_IMAGE036
其中，
Figure 597807DEST_PATH_IMAGE037
表示为像素块个数，
Figure 824389DEST_PATH_IMAGE038
表示的是全景图像中人体特征像素块的概 率，
Figure 534856DEST_PATH_IMAGE039
表示已知全景图像中人体特征像素块情况下第
Figure 747663DEST_PATH_IMAGE037
个待验像素块 为人体像素块的概率即后验概率，
Figure 125554DEST_PATH_IMAGE040
表示已知第
Figure 460721DEST_PATH_IMAGE037
个待验像素块是什 么像素块的情况下为人体像素块的概率即先验概率。通过训练集
Figure 986380DEST_PATH_IMAGE006
训练PeD贝叶斯模型参 数生成PeD贝叶斯模型，训练好的PeD贝叶斯模型对验证集
Figure 799615DEST_PATH_IMAGE007
的像素块进行概率判断之后， 将属于人体像素块的各个像素块进行合并，可以找出公交车内每个人的相应位置。
异常判断模块中运动点提取单元根据公交车内每个人的相应位置提取每个人位 置区域中的目标运动点，公交车异常出现常常伴随着公交车内人体速度的变化，速度计算 单元根据目标运动点计算每个人的实际运动速度，通过计算每个人的实际运动速度与阈值 判断异常，具体为计算验证集
Figure 218964DEST_PATH_IMAGE007
相邻两张全景图像，此时相邻两张全景图像的时间差是 6s，相邻两张全景图像同一人体目标运动点分别为
Figure 725032DEST_PATH_IMAGE023
,
Figure 675670DEST_PATH_IMAGE024
，因为通过图像坐标 计算人体的运动速度和实际场景中的速度是不一致的，速度由距离算出，所以需要找出图 像中人体目标运动点距离与实际距离的映射关系。首先测量全景图像中在公交车内部各区 域如把手、座位、握杆在水平、垂直方向上的实际距离
Figure 354913DEST_PATH_IMAGE025
，
Figure 441818DEST_PATH_IMAGE026
，
Figure 384366DEST_PATH_IMAGE027
，
Figure 494405DEST_PATH_IMAGE028
为公交车 内部区域个数，全景图像分辨率为A×B，一般为
Figure 649442DEST_PATH_IMAGE041
，A 为全景图像长度值，B为全 景图像宽度值，人体目标运动点在水平方向的实际距离为
Figure 918750DEST_PATH_IMAGE042
，垂直方 向的实际距离
Figure 501041DEST_PATH_IMAGE043
，此时人体目标运动点速度表示为
Figure 426271DEST_PATH_IMAGE044
，T2- T1在本实施例中数值为相邻两张图像的时间差6，此时
Figure 571951DEST_PATH_IMAGE045
，计算全景图像每一个人体目标运动点速度
Figure 633448DEST_PATH_IMAGE010
，
Figure 714536DEST_PATH_IMAGE021
，
Figure 127063DEST_PATH_IMAGE022
为全景图像人体个数，通过设定的阈值
Figure 623904DEST_PATH_IMAGE011
判断公交车内情况
Figure 477590DEST_PATH_IMAGE029
，
Figure 667263DEST_PATH_IMAGE030
为公交车速度，信号为
Figure 567086DEST_PATH_IMAGE031
表示的是异常情况。
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，所作的任何修改，等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于群体行为分析辅助的群智感知系统，其特征在于，包括，图像采集模块、群体HOG特征模块、PeD贝叶斯模块、异常判断模块，
图像采集模块中含有定时采集装置，通过定时采集装置每隔时间T采集一张公交车内 部的全景图像
Figure 770985DEST_PATH_IMAGE001
，得到全景图像序列
Figure 628082DEST_PATH_IMAGE002
，
Figure 587948DEST_PATH_IMAGE003
，将全景图像 序列
Figure 770668DEST_PATH_IMAGE002
送入群体HOG特征模块；
群体HOG特征模块接收全景图像序列
Figure 815984DEST_PATH_IMAGE002
，将全景图像序列
Figure 476773DEST_PATH_IMAGE002
中的任意全景图像
Figure 291145DEST_PATH_IMAGE001
转为全景灰度图
Figure 379187DEST_PATH_IMAGE004
, 利用Gamma算法对全景灰度图
Figure 911799DEST_PATH_IMAGE004
归一化，得到有效 全景灰度图
Figure 376278DEST_PATH_IMAGE005
，对有效全景灰度图
Figure 45157DEST_PATH_IMAGE005
的像素进行分组分块处理，计算 每一个像素块的梯度直方图，将所有像素块的梯度直方图串联起来得到公交车内人体HOG 特征；
PeD贝叶斯模块将全景图像序列
Figure 304100DEST_PATH_IMAGE002
划分为训练集
Figure 324009DEST_PATH_IMAGE006
和验证集
Figure 326600DEST_PATH_IMAGE007
，训练集
Figure 849985DEST_PATH_IMAGE008
，验证集
Figure 545409DEST_PATH_IMAGE009
，通过公交车内人体HOG特征 标记训练集
Figure 52613DEST_PATH_IMAGE006
的全景图像中人体像素位置，利用训练集
Figure 593316DEST_PATH_IMAGE006
生成PeD贝叶斯模型，PeD贝叶斯 模型将验证集
Figure 502366DEST_PATH_IMAGE007
的全景图像中属于人体HOG特征的像素块合并，确定公交车内每个人体的 相应位置；
异常判断模块包括运动点提取单元和速度计算单元，运动点提取单元根据公交车内每 个人体的相应位置提取目标运动点，速度计算单元根据目标运动点计算每个人体的实际运 动速度
Figure 103112DEST_PATH_IMAGE010
，通过设定的阈值
Figure 832033DEST_PATH_IMAGE011
判断公交车内异常情况。
2.根据权利要求1所述的基于群体行为分析辅助的群智感知系统，其特征在于，通过像 素色彩通道平均值法将全景图像
Figure 176427DEST_PATH_IMAGE001
的像素
Figure 939984DEST_PATH_IMAGE012
转变得到全景灰度图
Figure 977210DEST_PATH_IMAGE004
的像 素
Figure 927848DEST_PATH_IMAGE013
，
Figure 75933DEST_PATH_IMAGE014
，其中
Figure 693996DEST_PATH_IMAGE015
为像素
Figure 902124DEST_PATH_IMAGE012
红色通道像素值，
Figure 605637DEST_PATH_IMAGE016
为像素
Figure 26254DEST_PATH_IMAGE012
绿色通道像素值，
Figure 764403DEST_PATH_IMAGE017
为像素
Figure 134643DEST_PATH_IMAGE012
蓝色通道像素值。
3.根据权利要求1所述的基于群体行为分析辅助的群智感知系统，其特征在于，
Figure 325453DEST_PATH_IMAGE018
，
Figure 815340DEST_PATH_IMAGE019
为Gamma系数。
4.根据权利要求1所述的基于群体行为分析辅助的群智感知系统，其特征在于，根据验 证集的全景图像中人体目标运动点距离与实际距离的映射关系求出实际速度，表达式为：
Figure 876837DEST_PATH_IMAGE020
，求得全景图像中每个人的实际运动速度
Figure 426767DEST_PATH_IMAGE010
，
Figure 104873DEST_PATH_IMAGE021
，
Figure 398451DEST_PATH_IMAGE022
为全景图像中人体个数，其中，
Figure 845613DEST_PATH_IMAGE023
,
Figure 35286DEST_PATH_IMAGE024
是相邻两张全景图像 中同一人体的目标运动点，
Figure 200688DEST_PATH_IMAGE025
，
Figure 32378DEST_PATH_IMAGE026
为全景图像中公交车内部各区域在水平、垂直方向上的 实际距离，
Figure 599625DEST_PATH_IMAGE027
，
Figure 225779DEST_PATH_IMAGE028
为公交车内部区域个数，A×B为全景图像分辨率，A 为全景图 像长度值，B为全景图像宽度值，T2-T1为相邻两张全景图像的时间差。
5.根据权利要求1所述的基于群体行为分析辅助的群智感知系统，其特征在于，通过设 定的阈值
Figure 878477DEST_PATH_IMAGE011
判断公交车内异常情况，
Figure 513858DEST_PATH_IMAGE029
，
Figure 670032DEST_PATH_IMAGE030
为公交车速度，信号为
Figure 467087DEST_PATH_IMAGE031
是异常情况。
CN202110657825.0A 2021-06-15 2021-06-15 基于群体行为分析辅助的群智感知系统 Withdrawn CN113239894A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110657825.0A CN113239894A (zh) 2021-06-15 2021-06-15 基于群体行为分析辅助的群智感知系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110657825.0A CN113239894A (zh) 2021-06-15 2021-06-15 基于群体行为分析辅助的群智感知系统

Publications (1)

Publication Number Publication Date
CN113239894A true CN113239894A (zh) 2021-08-10

Family

ID=77139845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110657825.0A Withdrawn CN113239894A (zh) 2021-06-15 2021-06-15 基于群体行为分析辅助的群智感知系统

Country Status (1)

Country Link
CN (1) CN113239894A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114429580A (zh) * 2021-12-16 2022-05-03 哈尔滨理工大学 一种基于多模态轨迹的移动群智感知覆盖优化方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114429580A (zh) * 2021-12-16 2022-05-03 哈尔滨理工大学 一种基于多模态轨迹的移动群智感知覆盖优化方法

Similar Documents

Publication Publication Date Title
EP2959454B1 (en) Method, system and software module for foreground extraction
CN109636771B (zh) 基于图像处理的飞行目标检测方法及系统
CN112800860B (zh) 一种事件相机和视觉相机协同的高速抛撒物检测方法和系统
CN105894701B (zh) 输电线路防外破大型施工车辆的识别报警方法
CN109918971B (zh) 监控视频中人数检测方法及装置
CN111553214B (zh) 一种驾驶员吸烟行为检测方法及系统
CN111626170B (zh) 一种铁路边坡落石侵限检测的图像识别方法
CN115691026A (zh) 一种森林防火的智能预警监控管理方法
CN106886778B (zh) 一种监控场景下车牌字符分割与识别方法
Bedruz et al. Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach
US9904868B2 (en) Visual attention detector and visual attention detection method
CN107563985B (zh) 一种红外图像空中运动目标的检测方法
KR102391853B1 (ko) 영상 정보 처리 시스템 및 방법
CN116309607B (zh) 基于机器视觉的船艇式智能水上救援平台
CN111626169A (zh) 一种基于图像的铁路危险落石尺寸判断方法
CN107247934A (zh) 一种基于快速特征点定位的全天候哈欠检测方法及系统
WO2019088333A1 (ko) 깊이 맵 정보 기반의 인체 행위 인지 방법 및 그 장치
CN114445661B (zh) 一种基于边缘计算的嵌入式图像识别方法
CN115166717A (zh) 一种融合毫米波雷达与单目相机的轻量级目标跟踪方法
CN113239894A (zh) 基于群体行为分析辅助的群智感知系统
CN106372566A (zh) 一种基于数字标牌紧急疏散系统及方法
CN109325426B (zh) 一种基于三正交平面时空特征的黑烟车检测方法
CN112329858B (zh) 一种铁路动车防松铁丝折断故障图像识别方法
CN116110006B (zh) 一种用于智慧旅游系统的景区游客异常行为识别方法
CN116228756B (zh) 一种自动驾驶中相机坏点的检测方法及检测系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210730