CN115762055A - 一种基于计算机视觉的公共场所踩踏预警方法 - Google Patents
一种基于计算机视觉的公共场所踩踏预警方法 Download PDFInfo
- Publication number
- CN115762055A CN115762055A CN202310010093.5A CN202310010093A CN115762055A CN 115762055 A CN115762055 A CN 115762055A CN 202310010093 A CN202310010093 A CN 202310010093A CN 115762055 A CN115762055 A CN 115762055A
- Authority
- CN
- China
- Prior art keywords
- point
- time period
- person
- current time
- early warning
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供了一种基于计算机视觉的公共场所踩踏预警方法,包括:利用监控系统采集目标场所在当下时间段内的视频信息;基于计算机视觉技术对所述视频信息中每个人员的移动位置进行分析,确定每个人员的运动轨迹;基于获取的所有运动轨迹,确定所述目标场所中每个目标位置基于当下时间段内的轨迹占据点;基于所述当下时间段内同个目标位置的轨迹占据点的点个数,确定所述目标场所的点集中范围,并按照每个点集中范围基于当下时间段内每个时刻的点总个数,构建相应点集中范围的个数变化序列;按照相应点集中范围对应的个数变化序列,匹配预警指令,并进行踩踏预警。可以有效的避免踩踏事件的发生,保证生命安全。
Description
技术领域
本发明涉及公共场所踩踏预警技术领域,特别涉及一种基于计算机视觉的公共场所踩踏预警方法。
背景技术
当发生严重的踩踏事故时,整个人群产生拥挤移动,有人意外跌倒后,后面不明真相的人群依然在前行、对跌倒的人产生踩踏,从而产生惊慌、加剧的拥挤和新的跌倒人数,最终酿成惨案。所以当有人跌倒的时候,如果知情人能迅速反应,有组织地维持现场秩序并告知他人,可能就不会造成如此严重的踩踏,但是这种情况很难做到。
计算机视觉是一门研究如何使机器"看"的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像,可以为踩踏预警提供一定的技术基础。
因此,本发明提出一种基于计算机视觉的公共场所踩踏预警方法。
发明内容
本发明提供一种基于计算机视觉的公共场所踩踏预警方法,用于采用计算机视觉技术,并对目标场所内进行监控,来确定不同时刻点下的运动轨迹,同时,根据轨迹点的个数来确定集中范围,进而通过匹配预警指令进行踩踏预警,可以有效的避免踩踏事件的发生,保证生命安全。
本发明提供一种基于计算机视觉的公共场所踩踏预警方法,包括:
步骤1:利用监控系统采集目标场所在当下时间段内的视频信息;
步骤2:基于计算机视觉技术对所述视频信息中每个人员的移动位置进行分析,确定每个人员的运动轨迹;
步骤3:基于获取的所有运动轨迹,确定所述目标场所中每个目标位置基于当下时间段内的轨迹占据点;
步骤4:基于所述当下时间段内同个目标位置的轨迹占据点的点个数,确定所述目标场所的点集中范围,并按照每个点集中范围基于当下时间段内每个时刻的点总个数,构建相应点集中范围的个数变化序列;
步骤5:按照相应点集中范围对应的个数变化序列,匹配预警指令,并进行踩踏预警。
优选的,利用监控系统采集目标场所在当下时间段内的视频信息,包括:
确定监控系统中每个摄像头对所述目标场所的监控范围,并提取在所述目标场所内的有效范围;
基于所述目标场所所包含的所有摄像头的所有有效范围,按照场所布局进行范围拼接,获取得到同时刻的全局图像;
将获取的当下时间段内的所有全局图像,构建成视频信息。
优选的,基于计算机视觉技术对所述视频信息中每个人员的移动位置进行分析,确定每个人员的运动轨迹,包括:
对所述视频信息中第一张全局图像中的每个人员进行初始定位,同时,提取每个人员的第一行为姿态以及第一面部特征;
基于同个人员的第一行为姿态以及第一面部特征,构建得到所述同个人员的初始标签;
对所述视频信息中第二张全局图像中的每个人员进行再次定位,同时,提取所述第二张全局图像中每个人员的第二行为姿态以及第二面部特征;
基于同个人员的第一行为姿态以及第一面部特征,构建得到所述同个人员的第二标签;
根据每个人员的初始定位以及所述目标场所的场所布局,且结合常规移动规律,对对应人员基于所述初始定位进行范围锁定;
从所述第二张全局图像中划定与锁定范围一致的第一区域,并将对应人员的第一标签分别与所述第一区域中每个第二标签进行匹配,并获取匹配度最高的第三标签以及匹配度第二高的第四标签;
若所述第三标签对应的匹配度与所述第四标签对应的匹配度之间的差值大于或等于预设差值,将同个人员的第一标签以及第三标签对应的定位结果记录在向对应人员建立的记录单元格中;
否则,确定所述第三标签与第四标签的第一匹配信息,并获取与第一标签和所述第三标签的第二匹配信息的第一交集信息以及获取与第一标签和所述第四标签的第三匹配信息的第二交集信息;
当所述第一交集信息与第二交集信息的交集值小于预设值时,对所述第二张全局图像按照预设值与交集值的比值进行n1次放大处理;
若n1次放大处理后的图像仍然获取失败,则锁定对应人员的当下位置,并搜索与所述当下位置最近的摄像头以及处于最接近正方向拍摄的摄像头的第一图像和第二图像;
基于所述第一图像与第二图像,获取得到对应人员的第五标签,并记录在对应的记录单元格中,进而依次对剩余每张全局图像进行处理,根据记录后的记录单元格,得到每个人员对应的运动轨迹;
其中,所述运动轨迹包括移动位置点以及每个移动位置点的出现时间。
优选的,当所述第一交集信息与第二交集信息的交集值小于预设值时,对所述第二张全局图像按照预设值与交集值的比值进行n1次放大处理,包括:
计算所述第一交集信息与第二交集信息的交集值A1:
计算预设值与交集值的比值A2;
其中,A0表示预设值;
计算对应的放大处理次数n1:
其中,[]表示取整符号。
优选的,基于获取的所有运动轨迹,确定所述目标场所中每个目标位置基于当下时间段内的轨迹占据点,包括:
确定所述当下时间段的时间间隔,并确定每个运动轨迹在同个时间点下的第一占据点;
从所有第一占据点中提取所述目标位置基于所述当下时间段内每个时间点下的第二占据位置点,并得到所述目标位置基于当下时间段内的轨迹占据点。
优选的,基于所述当下时间段内同个目标位置的轨迹占据点的点个数,确定所述目标场所的点集中范围,包括:
根据所述当下时间段内同个目标位置的轨迹占据点的点个数,构建得到所述目标场所的第一分析图;
基于所述当下时间段内的同一时间点并结合所有运动轨迹,得到对应同一时间点下的占据图;
分析所述占据图的点密度,并按照所述点密度得到所述占据图的人流密集图;
根据所述当下时间段中每个时间点下的人流密集图,获取人流密度转移趋势;
基于所述第一分析图的当下占据点分布以及分布密度,且结合所述人流密度转移趋势以及转移位置分布,确定所述目标场所的点集中范围。
优选的,根据所述当下时间段中每个时间点下的人流密集图,获取人流密度转移趋势,包括:
基于所述监控系统中每个摄像头的拍摄范围获取每个时间点的人流密集图的人流密集序列以及对应人流密集边界;
基于所有人流密集序列构建得到针对每个拍摄范围的范围密集序列;
按照所述范围密集序列,获取得到每个拍摄范围的第一密度转移因子;
获取相邻的人流密集边界的人流密度变化,并构建相邻的人流密度边界的第二密度转移因子;
基于所有第一密度转移因子以及所有第二密度转移因子,获取得到人流密度转移趋势。
优选的,按照每个点集中范围基于当下时间段内每个时刻的点总个数,构建相应点集中范围的个数变化序列,包括:
按照所述点集中范围的范围边界对所述当下时间段中每个时刻下的全局图像进行边界划分,得到所述当下时间段内每个范围边界对应的区域基于每个时间点的点总个数;
根据所述当下时间段内的所有时刻,得到对应区域的个数变化序列。
优选的,按照相应点集中范围对应的个数变化序列,匹配预警指令,并进行踩踏预警,包括:
获取同个个数变化序列中的最大序列值以及平均序列值,并获取大于所述平均序列值的值个数;
按照所述最大序列值、平均序列值以及值个数,从预设数据库中匹配预警指令;
按照所述预警指令,控制与对应点集中范围所匹配的摄像头的拍摄范围中所预先部署的报警装置进行报警提醒。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于计算机视觉的公共场所踩踏预警方法的流程图;
图2为本发明实施例中第一分析图的结构图;
图3为本发明实施例中人流密度转移趋势分布图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供一种基于计算机视觉的公共场所踩踏预警方法,如图1所示,包括:
步骤1:利用监控系统采集目标场所在当下时间段内的视频信息;
步骤2:基于计算机视觉技术对所述视频信息中每个人员的移动位置进行分析,确定每个人员的运动轨迹;
步骤3:基于获取的所有运动轨迹,确定所述目标场所中每个目标位置基于当下时间段内的轨迹占据点;
步骤4:基于所述当下时间段内同个目标位置的轨迹占据点的点个数,确定所述目标场所的点集中范围,并按照每个点集中范围基于当下时间段内每个时刻的点总个数,构建相应点集中范围的个数变化序列;
步骤5:按照相应点集中范围对应的个数变化序列,匹配预警指令,并进行踩踏预警。
该实施例中,监控系统由若干个摄像头组成,设置在目标场所的指定位置点上,且目标场所比如演唱会现场,人流量较大的地方等。
该实施例中,计算机视觉是为了对视频信息中人员的移动位置进行跟踪,来确定人员的运动轨迹,也就是该人员在当下时间段内的移动轨迹。
该实施例中,目标位置指的是目标场所中的一个位置点,当下时间段为2s,那么以为100ms为一帧,来分别获取2s内每帧下对应位置点1处的被占据个数,比如,在第一帧中该位置点1被占据,在第二帧中该位置点1未被占据等,以此类推,来得到2s内该位置点1处的点占据个数,进而可以得到该目标场所每个位置点的点占据个数,进而可以得到点占据分布以及点占据密度,通过对目标场所进行范围分割,可以得到当下时间段内每个时刻下,该范围内的点总个数。
比如:位置1:占据、未被占据、占据、占据;
位置2:占据、未被占据、未被占据、占据;
假如,对应的点集中范围包括位置1和位置2,那么就可以获取得到每个位置点的总个数:2、0、1、2,也就构建得到个数变化序列{2 0 1 2},因此,从数据库中匹配与个数变化序列一致的指令进行踩踏预警。
该实施例中,数据库中包括不同的个数变化序列以及与个数变化序列匹配的预警指令在内,主要是为了有效避免踩踏事件的发生。
上述技术方案的有益效果是:采用计算机视觉技术,并对目标场所内进行监控,来确定不同时刻点下的运动轨迹,同时,根据轨迹点的个数来确定集中范围,进而通过匹配预警指令进行踩踏预警,可以有效的避免踩踏事件的发生,保证生命安全。
本发明提供一种基于计算机视觉的公共场所踩踏预警方法,利用监控系统采集目标场所在当下时间段内的视频信息,包括:
确定监控系统中每个摄像头对所述目标场所的监控范围,并提取在所述目标场所内的有效范围;
基于所述目标场所所包含的所有摄像头的所有有效范围,按照场所布局进行范围拼接,获取得到同时刻的全局图像;
将获取的当下时间段内的所有全局图像,构建成视频信息。
该实施例中,监控范围指的是摄像头可以监控到地方,但是,由于有些监控到的地方是没必要进行踩踏考虑的,因此,将这部分范围删除,来得到目标场所的有效范围,将所有的有效范围拼接起来,可以得到同时刻,也就是同个时间点下的全局图像。
该实施例中,全局图像指的是目标场所的有效监控范围的图像。
上述技术方案的有益效果是:通过根据摄像头确定有效范围并进行范围拼接,可以获取得到全局图像,进而构建得到当下时间段的视频信息,为后续进行踩踏预警提供有效基础。
本发明提供一种基于计算机视觉的公共场所踩踏预警方法,基于计算机视觉技术对所述视频信息中每个人员的移动位置进行分析,确定每个人员的运动轨迹,包括:
对所述视频信息中第一张全局图像中的每个人员进行初始定位,同时,提取每个人员的第一行为姿态以及第一面部特征;
基于同个人员的第一行为姿态以及第一面部特征,构建得到所述同个人员的初始标签;
对所述视频信息中第二张全局图像中的每个人员进行再次定位,同时,提取所述第二张全局图像中每个人员的第二行为姿态以及第二面部特征;
基于同个人员的第一行为姿态以及第一面部特征,构建得到所述同个人员的第二标签;
根据每个人员的初始定位以及所述目标场所的场所布局,且结合常规移动规律,对对应人员基于所述初始定位进行范围锁定;
从所述第二张全局图像中划定与锁定范围一致的第一区域,并将对应人员的第一标签分别与所述第一区域中每个第二标签进行匹配,并获取匹配度最高的第三标签以及匹配度第二高的第四标签;
若所述第三标签对应的匹配度与所述第四标签对应的匹配度之间的差值大于或等于预设差值,将同个人员的第一标签以及第三标签对应的定位结果记录在向对应人员建立的记录单元格中;
否则,确定所述第三标签与第四标签的第一匹配信息,并获取与第一标签和所述第三标签的第二匹配信息的第一交集信息以及获取与第一标签和所述第四标签的第三匹配信息的第二交集信息;
当所述第一交集信息与第二交集信息的交集值小于预设值时,对所述第二张全局图像按照预设值与交集值的比值进行n1次放大处理;
若n1次放大处理后的图像仍然获取失败,则锁定对应人员的当下位置,并搜索与所述当下位置最近的摄像头以及处于最接近正方向拍摄的摄像头的第一图像和第二图像;
基于所述第一图像与第二图像,获取得到对应人员的第五标签,并记录在对应的记录单元格中,进而依次对剩余每张全局图像进行处理,根据记录后的记录单元格,得到每个人员对应的运动轨迹;
其中,所述运动轨迹包括移动位置点以及每个移动位置点的出现时间。
该实施例中,第一行为姿态指的是针对该人员的姿态特征,可以代表该人员的姿态行为,第一面部特征指的是该人员的五官情况,进而可以构建得到该人员的初始标签,也就是初始标签是包括可以代表行为姿态特征以及面部特征在内,方便后续与相邻图像进行比较。
该实施例中,初始定位指的是对人员当下位置进行定位,且再次定位与初始定位的原理类似。
该实施例中,第二标签与第一标签的获取原理类似,此处不再赘述。
该实施例中,常规移动规律是预先设定好的,比如,在2s内可以正常情况下,比如,跑步或者行走情况下的最大运动直径,进而可以按照该最大运动直径,来对初始定位进行范围锁定,来得到第一区域。
该实施例中,第一标签与第二标签的匹配,主要是进行行为姿态的匹配以及面部特征的匹配,因此,来获取匹配度最高的第三标签以及匹配度第二高的第四标签,通过进行第三标签与第四标签的匹配度差值与预设差值的比较,可以有效的确定出可以与第一标签对应人员作为同个人员的可靠性。
该实施例中,匹配信息指的是针对不姿态与面部的信息。
该实施例中,因为在拍摄过程中,由于相邻摄像头之间会存在拍摄重叠部分,但是在构建成全局图像的过程中,会保留任意一个摄像头的重叠部分图像删除另一个摄像头的重叠部分图像,来构建得到全局图像,所以,在n1次放大处理之后,在还获取失败的情况下,获取当下位置最近的摄像头的第一图像以及正方向的第二图像,来进一步进行图像处理,获取第五标签。
由于每个人员都对应一个记录单元格,所以会获取得到针对该人员的运动轨迹。
上述技术方案的有益效果是:通过对每张全局图像进行姿态分析以及面部分析,可以有效的依据不同时刻下的图像对同个人员的移动位置点进行确定,进而来得到当下时间段内该人员的运动轨迹,为后续进行占据分析提供有效基础,保证后续踩踏预警的准确性。
本发明提供一种基于计算机视觉的公共场所踩踏预警方法,当所述第一交集信息与第二交集信息的交集值小于预设值时,对所述第二张全局图像按照预设值与交集值的比值进行n1次放大处理,包括:
计算所述第一交集信息与第二交集信息的交集值A1:
计算预设值与交集值的比值A2;
其中,A0表示预设值;
计算对应的放大处理次数n1:
其中,[]表示取整符号。
上述技术方案的有益效果是:通过计算交集值、比值以及处理次数,为对第二张全局图像进行如何处理提供有效基础,保证对该人员运动轨迹确定的合理性以及后续踩踏预警的可靠性。
本发明提供一种基于计算机视觉的公共场所踩踏预警方法,基于获取的所有运动轨迹,确定所述目标场所中每个目标位置基于当下时间段内的轨迹占据点,包括:
确定所述当下时间段的时间间隔,并确定每个运动轨迹在同个时间点下的第一占据点;
从所有第一占据点中提取所述目标位置基于所述当下时间段内每个时间点下的第二占据位置点,并得到所述目标位置基于当下时间段内的轨迹占据点。
该实施例中,确定轨迹占据点也就是为了确定在当下时间段内对应目标位置的出现占据的次数。
上述技术方案的有益效果是:通过确定同个时间点下的占据点,以及确定同个目标位置下的占据点,方便获取得到轨迹占据点,为后续获取运动轨迹提供基础。
本发明提供一种基于计算机视觉的公共场所踩踏预警方法,基于所述当下时间段内同个目标位置的轨迹占据点的点个数,确定所述目标场所的点集中范围,包括:
根据所述当下时间段内同个目标位置的轨迹占据点的点个数,构建得到所述目标场所的第一分析图;
基于所述当下时间段内的同一时间点并结合所有运动轨迹,得到对应同一时间点下的占据图;
分析所述占据图的点密度,并按照所述点密度得到所述占据图的人流密集图;
根据所述当下时间段中每个时间点下的人流密集图,获取人流密度转移趋势;
基于所述第一分析图的当下占据点分布以及分布密度,且结合所述人流密度转移趋势以及转移位置分布,确定所述目标场所的点集中范围。
该实施例中,目标场所中包括位置点1、位置点2以及位置点3,且当下时间段内位置点1的轨迹占据点的点个数为2,位置点2的轨迹占据点的点个数为3,位置点3的轨迹占据点的点个数为3,此时,可以构建得到针对该目标场所的点分析图,也就是该点分析图上是包括当下时间段内不同位置点对应的点个数在内的,如图2所示。
该实施例中,同一时间点下的占据图指的是对应帧全局图像中每个人员的所处位置点的图。
该实施例中,点密度指的是针对占据图的密度,也就是人员位置密度,进而可以得到针对该占据图的密集图。
该实施例中,由于当下时间段内是存在多张占据图的,所以,通过对每张占据图进行人流密集分析,可以有效的确定处人流密度转移趋势,也就是人流往哪个地方汇集。
该实施例中,第一分析图是当下时间段的一个总的点分布图,所以,通过对总的点分布图并结合人流密度转移趋势以及转移位置分布,可以合理的确定出点集中范围。
如图3所示,为人流密度转移趋势分布图,其中,图3中a1表示时间点1下的占据图,图3中a2表示时间点2下的占据图,其中,图3中a1中的a11部分点流出到图3中a2中的a22中,进而可以确定出转移趋势。
上述技术方案的有益效果是:通过确定当下时间段的分析图以及每个时间点的占据图,可以有效的分析出人流密度转移趋势以及该场所的点集中范围,为后续进行预警提醒提供有效基础。
本发明提供一种基于计算机视觉的公共场所踩踏预警方法,根据所述当下时间段中每个时间点下的人流密集图,获取人流密度转移趋势,包括:
基于所述监控系统中每个摄像头的拍摄范围获取每个时间点的人流密集图的人流密集序列以及对应人流密集边界;
基于所有人流密集序列构建得到针对每个拍摄范围的范围密集序列;
按照所述范围密集序列,获取得到每个拍摄范围的第一密度转移因子;
获取相邻的人流密集边界的人流密度变化,并构建相邻的人流密度边界的第二密度转移因子;
基于所有第一密度转移因子以及所有第二密度转移因子,获取得到人流密度转移趋势。
该实施例中,每个拍摄范围的范围边界线即为对应人流密集边界。
该实施例中,人流密集图指的是该时间点下对应拍摄范围内所包含的每个位置点是否被占据,进而确定出该该拍摄范围的人流分布情况,人流密集序列指的是该拍摄范围内每个位置点的被占据情况,进而获取到该人流密集图的序列,占据的序列为1,未被占据的序列为0。
该实施例中,范围密集序列指的是基于所有时间点下的人流密集序列构建得到的,且在构建过程中,人流密集序列在时间点1下为:1110,在第二时间点下为1101,在第三时间点下为:1100,那么对应的范围密集序列为:332,进而可以确定出对应的密度转移因子,且该密度转移因子是针对转移总数量以及转移位置点来综合确定的。
该实施例中,人流密集边界指的是范围的边界线上每个边界位置点上的占据与被占据情况以及与边界线存在一定距离的边界范围内每个位置点的占据与被占据情况,进而可以确定出人流密度变化情况,进而来构建基于边界的密度转移因子。
该实施例中,在获取人流密度转移趋势的过程中,获取基于第一密度转移因子与第二密度转移因子的交集因子以及基于所有第一密度转移因子的第一独立因子以及基于所有第二密度转移因子的第二独立因子;
构建基于每个交集因子所确定的第一转移线路以及并获取所述第一转移线路的的转移量、转移初点和转移终点;
构建基于每个第一独立因子所确定的第二转移线路以及并获取所述第二转移线路的的转移量、转移初点和转移终点;
构建基于每个第二独立因子所确定的第三转移线路以及并获取所述第三转移线路的的转移量、转移初点和转移终点;
基于构建结果以及获取结果,确定转移趋势。
上述技术方案的有益效果是:通过获取人流密集序列以及人流密集边界的人流密度变化,来分别确定不同的密度转移因子,进而获取到人流密度转移趋势,为后续预警提取提供基础,方便及时有效的分析出哪些位置可能会存在踩踏事故进行提前预防。
本发明提供一种基于计算机视觉的公共场所踩踏预警方法,按照每个点集中范围基于当下时间段内每个时刻的点总个数,构建相应点集中范围的个数变化序列,包括:
按照所述点集中范围的范围边界对所述当下时间段中每个时刻下的全局图像进行边界划分,得到所述当下时间段内每个范围边界对应的区域基于每个时间点的点总个数;
根据所述当下时间段内的所有时刻,得到对应区域的个数变化序列。
上述技术方案的有益效果是:通过确定个数变化序列,为该区域是否存在引发踩踏事故的发生提供基础判断条件,为后续避免踩踏事故的发生提供基础。
本发明提供一种基于计算机视觉的公共场所踩踏预警方法,按照相应点集中范围对应的个数变化序列,匹配预警指令,并进行踩踏预警,包括:
获取同个个数变化序列中的最大序列值以及平均序列值,并获取大于所述平均序列值的值个数;
按照所述最大序列值、平均序列值以及值个数,从预设数据库中匹配预警指令;
按照所述预警指令,控制与对应点集中范围所匹配的摄像头的拍摄范围中所预先部署的报警装置进行报警提醒。
该实施例中,预设数据库包括:不同值以及值个数的组合以及与该组合匹配的预警指令在内,因此,可以控制对应范围所部署的装置进行报警提醒,避免踩踏事故的发生。
上述技术方案的有益效果是:通过获取最大序列、平均序列以及满足条件的值个数,可以从预设数据库中有效的获取得到相关的预警指令,实现第拍摄范围的报警提醒,避免踩踏事故的发生。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于计算机视觉的公共场所踩踏预警方法,其特征在于,包括:
步骤1:利用监控系统采集目标场所在当下时间段内的视频信息;
步骤2:基于计算机视觉技术对所述视频信息中每个人员的移动位置进行分析,确定每个人员的运动轨迹;
步骤3:基于获取的所有运动轨迹,确定所述目标场所中每个目标位置基于当下时间段内的轨迹占据点;
步骤4:基于所述当下时间段内同个目标位置的轨迹占据点的点个数,确定所述目标场所的点集中范围,并按照每个点集中范围基于当下时间段内每个时刻的点总个数,构建相应点集中范围的个数变化序列;
步骤5:按照相应点集中范围对应的个数变化序列,匹配预警指令,并进行踩踏预警。
2.如权利要求1所述的基于计算机视觉的公共场所踩踏预警方法,其特征在于,利用监控系统采集目标场所在当下时间段内的视频信息,包括:
确定监控系统中每个摄像头对所述目标场所的监控范围,并提取在所述目标场所内的有效范围;
基于所述目标场所所包含的所有摄像头的所有有效范围,按照场所布局进行范围拼接,获取得到同时刻的全局图像;
将获取的当下时间段内的所有全局图像,构建成视频信息。
3.如权利要求1所述的基于计算机视觉的公共场所踩踏预警方法,其特征在于,基于计算机视觉技术对所述视频信息中每个人员的移动位置进行分析,确定每个人员的运动轨迹,包括:
对所述视频信息中第一张全局图像中的每个人员进行初始定位,同时,提取每个人员的第一行为姿态以及第一面部特征;
基于同个人员的第一行为姿态以及第一面部特征,构建得到所述同个人员的初始标签;
对所述视频信息中第二张全局图像中的每个人员进行再次定位,同时,提取所述第二张全局图像中每个人员的第二行为姿态以及第二面部特征;
基于同个人员的第一行为姿态以及第一面部特征,构建得到所述同个人员的第二标签;
根据每个人员的初始定位以及所述目标场所的场所布局,且结合常规移动规律,对对应人员基于所述初始定位进行范围锁定;
从所述第二张全局图像中划定与锁定范围一致的第一区域,并将对应人员的第一标签分别与所述第一区域中每个第二标签进行匹配,并获取匹配度最高的第三标签以及匹配度第二高的第四标签;
若所述第三标签对应的匹配度与所述第四标签对应的匹配度之间的差值大于或等于预设差值,将同个人员的第一标签以及第三标签对应的定位结果记录在向对应人员建立的记录单元格中;
否则,确定所述第三标签与第四标签的第一匹配信息,并获取与第一标签和所述第三标签的第二匹配信息的第一交集信息以及获取与第一标签和所述第四标签的第三匹配信息的第二交集信息;
当所述第一交集信息与第二交集信息的交集值小于预设值时,对所述第二张全局图像按照预设值与交集值的比值进行n1次放大处理;
若n1次放大处理后的图像仍然获取失败,则锁定对应人员的当下位置,并搜索与所述当下位置最近的摄像头以及处于最接近正方向拍摄的摄像头的第一图像和第二图像;
基于所述第一图像与第二图像,获取得到对应人员的第五标签,并记录在对应的记录单元格中,进而依次对剩余每张全局图像进行处理,根据记录后的记录单元格,得到每个人员对应的运动轨迹;
其中,所述运动轨迹包括移动位置点以及每个移动位置点的出现时间。
5.如权利要求1所述的基于计算机视觉的公共场所踩踏预警方法,其特征在于,基于获取的所有运动轨迹,确定所述目标场所中每个目标位置基于当下时间段内的轨迹占据点,包括:
确定所述当下时间段的时间间隔,并确定每个运动轨迹在同个时间点下的第一占据点;
从所有第一占据点中提取所述目标位置基于所述当下时间段内每个时间点下的第二占据位置点,并得到所述目标位置基于当下时间段内的轨迹占据点。
6.如权利要求5所述的基于计算机视觉的公共场所踩踏预警方法,其特征在于,基于所述当下时间段内同个目标位置的轨迹占据点的点个数,确定所述目标场所的点集中范围,包括:
根据所述当下时间段内同个目标位置的轨迹占据点的点个数,构建得到所述目标场所的第一分析图;
基于所述当下时间段内的同一时间点并结合所有运动轨迹,得到对应同一时间点下的占据图;
分析所述占据图的点密度,并按照所述点密度得到所述占据图的人流密集图;
根据所述当下时间段中每个时间点下的人流密集图,获取人流密度转移趋势;
基于所述第一分析图的当下占据点分布以及分布密度,且结合所述人流密度转移趋势以及转移位置分布,确定所述目标场所的点集中范围。
7.如权利要求6所述的基于计算机视觉的公共场所踩踏预警方法,其特征在于,根据所述当下时间段中每个时间点下的人流密集图,获取人流密度转移趋势,包括:
基于所述监控系统中每个摄像头的拍摄范围获取每个时间点的人流密集图的人流密集序列以及对应人流密集边界;
基于所有人流密集序列构建得到针对每个拍摄范围的范围密集序列;
按照所述范围密集序列,获取得到每个拍摄范围的第一密度转移因子;
获取相邻的人流密集边界的人流密度变化,并构建相邻的人流密度边界的第二密度转移因子;
基于所有第一密度转移因子以及所有第二密度转移因子,获取得到人流密度转移趋势。
8.如权利要求1所述的基于计算机视觉的公共场所踩踏预警方法,其特征在于,按照每个点集中范围基于当下时间段内每个时刻的点总个数,构建相应点集中范围的个数变化序列,包括:
按照所述点集中范围的范围边界对所述当下时间段中每个时刻下的全局图像进行边界划分,得到所述当下时间段内每个范围边界对应的区域基于每个时间点的点总个数;
根据所述当下时间段内的所有时刻,得到对应区域的个数变化序列。
9.如权利要求1所述的基于计算机视觉的公共场所踩踏预警方法,其特征在于,按照相应点集中范围对应的个数变化序列,匹配预警指令,并进行踩踏预警,包括:
获取同个个数变化序列中的最大序列值以及平均序列值,并获取大于所述平均序列值的值个数;
按照所述最大序列值、平均序列值以及值个数,从预设数据库中匹配预警指令;
按照所述预警指令,控制与对应点集中范围所匹配的摄像头的拍摄范围中所预先部署的报警装置进行报警提醒。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310010093.5A CN115762055B (zh) | 2023-01-05 | 2023-01-05 | 一种基于计算机视觉的公共场所踩踏预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310010093.5A CN115762055B (zh) | 2023-01-05 | 2023-01-05 | 一种基于计算机视觉的公共场所踩踏预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115762055A true CN115762055A (zh) | 2023-03-07 |
CN115762055B CN115762055B (zh) | 2023-04-14 |
Family
ID=85348462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310010093.5A Active CN115762055B (zh) | 2023-01-05 | 2023-01-05 | 一种基于计算机视觉的公共场所踩踏预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115762055B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116631596A (zh) * | 2023-07-24 | 2023-08-22 | 深圳市微能信息科技有限公司 | 一种放射人员工作时长的监控管理系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205177086U (zh) * | 2015-12-08 | 2016-04-20 | 郑州大学 | 一种基于计算机视觉的人群异常实时监测预警系统 |
CN105763853A (zh) * | 2016-04-14 | 2016-07-13 | 北京中电万联科技股份有限公司 | 一种公共区域拥挤、踩踏事件应急预警方法 |
CN106710208A (zh) * | 2015-11-16 | 2017-05-24 | 中兴通讯股份有限公司 | 交通状态的获取方法及装置 |
CN109087478A (zh) * | 2018-08-22 | 2018-12-25 | 徐自远 | 一种智能防拥挤踩踏的预警与导流方法及系统 |
CN109598894A (zh) * | 2018-12-14 | 2019-04-09 | 河南理工大学 | 一种基于多种信号检测的踩踏预警报警系统 |
WO2022042434A1 (zh) * | 2020-08-28 | 2022-03-03 | 北京市商汤科技开发有限公司 | 目标对象的活动区域确定方法、装置、设备及存储介质 |
US20220254162A1 (en) * | 2021-02-10 | 2022-08-11 | Umm Al-Qura University | Deep learning framework for congestion detection and prediction in human crowds |
-
2023
- 2023-01-05 CN CN202310010093.5A patent/CN115762055B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106710208A (zh) * | 2015-11-16 | 2017-05-24 | 中兴通讯股份有限公司 | 交通状态的获取方法及装置 |
CN205177086U (zh) * | 2015-12-08 | 2016-04-20 | 郑州大学 | 一种基于计算机视觉的人群异常实时监测预警系统 |
CN105763853A (zh) * | 2016-04-14 | 2016-07-13 | 北京中电万联科技股份有限公司 | 一种公共区域拥挤、踩踏事件应急预警方法 |
CN109087478A (zh) * | 2018-08-22 | 2018-12-25 | 徐自远 | 一种智能防拥挤踩踏的预警与导流方法及系统 |
CN109598894A (zh) * | 2018-12-14 | 2019-04-09 | 河南理工大学 | 一种基于多种信号检测的踩踏预警报警系统 |
WO2022042434A1 (zh) * | 2020-08-28 | 2022-03-03 | 北京市商汤科技开发有限公司 | 目标对象的活动区域确定方法、装置、设备及存储介质 |
US20220254162A1 (en) * | 2021-02-10 | 2022-08-11 | Umm Al-Qura University | Deep learning framework for congestion detection and prediction in human crowds |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116631596A (zh) * | 2023-07-24 | 2023-08-22 | 深圳市微能信息科技有限公司 | 一种放射人员工作时长的监控管理系统及方法 |
CN116631596B (zh) * | 2023-07-24 | 2024-01-02 | 深圳市微能信息科技有限公司 | 一种放射人员工作时长的监控管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115762055B (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110364008B (zh) | 路况确定方法、装置、计算机设备和存储介质 | |
Rasouli et al. | Pie: A large-scale dataset and models for pedestrian intention estimation and trajectory prediction | |
CN109684916B (zh) | 基于路径轨迹数据异常检测方法、系统、设备及存储介质 | |
US9858474B2 (en) | Object tracking and best shot detection system | |
Heikkila et al. | A real-time system for monitoring of cyclists and pedestrians | |
CN106128053A (zh) | 一种智慧金睛识别人员逗留徘徊报警方法和装置 | |
CN108319926A (zh) | 一种工地现场的安全帽佩戴检测系统及检测方法 | |
CN104616438A (zh) | 一种用于疲劳驾驶检测的打哈欠动作检测方法 | |
CN115762055B (zh) | 一种基于计算机视觉的公共场所踩踏预警方法 | |
CN106210634A (zh) | 一种智慧金睛识别人员倒地报警方法和装置 | |
CN106529401A (zh) | 一种车辆反跟踪方法、装置及系统 | |
CN111832400A (zh) | 一种基于概率神经网络的口罩佩戴情况的监测系统及方法 | |
CN114359976B (zh) | 一种基于人物识别的智能安防方法与装置 | |
CN106127814A (zh) | 一种智慧金睛识别人员聚集打斗报警方法和装置 | |
CN113963399A (zh) | 基于多算法融合应用的人员轨迹检索方法及装置 | |
CN115116127A (zh) | 一种基于计算机视觉和人工智能的跌倒检测方法 | |
CN111489380A (zh) | 一种目标物体轨迹分析方法 | |
CN112395967A (zh) | 一种口罩佩戴监测方法、电子设备和可读存储介质 | |
CN115171336A (zh) | 一种海滩监控溺水防护系统 | |
CN103324950B (zh) | 基于在线学习的人体重现检测方法及其系统 | |
De et al. | Fall detection method based on spatio-temporal feature fusion using combined two-channel classification | |
WO2020217812A1 (ja) | 被写体の状態を認識する画像処理装置及びその方法 | |
Kielty et al. | Neuromorphic sensing for yawn detection in driver drowsiness | |
CN106376163B (zh) | 机场中线灯具的安全检测系统及方法 | |
CN112418096A (zh) | 检测跌的方法、装置和机器人 |
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 |