CN115810178A - 人群异常聚集预警方法、装置、电子设备及介质 - Google Patents
人群异常聚集预警方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN115810178A CN115810178A CN202310053215.9A CN202310053215A CN115810178A CN 115810178 A CN115810178 A CN 115810178A CN 202310053215 A CN202310053215 A CN 202310053215A CN 115810178 A CN115810178 A CN 115810178A
- Authority
- CN
- China
- Prior art keywords
- crowd
- features
- clustering
- feature
- density
- 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)
Abstract
本发明提供了一种人群异常聚集预警方法、装置、电子设备及介质,包括:获取人群聚集场所的实时视频流数据,并对实时视频流数据进行预处理得到标准图像;基于标准图像和预先构建的点对点网络模型得到标准图像人群中每个人体的定位信息;对每个人体的定位信息进行特征提取和特征融合,得到人群多维融合特征;基于人群多维融合特征和预先构建的人群状态预测模型得到人群状态信息,并基于人群状态信息进行预警。本发明提高了人群聚集检测的准确性和时效性,同时能够及时对异常人群和危险人群进行预警。
Description
技术领域
本发明涉及人工智能技术领域,尤其是涉及一种人群异常聚集预警方法、装置、电子设备及介质。
背景技术
随着经济水平的不断发展,城市建设也越来越迅速,导致城市密集场所的数量和规模也在不断增长,如车站、商场、医院、大型活动现场和学校周边等。由于人群过度聚集而引发的危险乃至灾难频频不断,聚集人群的安全问题被各个领域广泛讨论,自动预警和提前干预是最有效的处理人群过度聚集和防止安全事故发生的措施。
目前针对人群聚集检测的研究主要有基于检测的方法、基于回归的方法和基于密度图的方法。基于检测的方法主要是通过对图像行人检测或人头检测来统计人数,主要用于稀疏的人群计数,随着人群密度的提升,人与人之间的遮挡变得越来越严重,此时会导致较大误差;基于回归的方法只能得到场景整体的一个拥挤指数,不能获知人群人体的具体位置,而且这种方法对图像分辨率很敏感;基于密度图的方法无法给出准确的人的位置信息。此外,这类方法都是在聚集行为已经发生后才能实现检测,时效性较差,也无法实现人群异常状态的预测及人群危险行为预警。综上所述,现有的人群聚集检测方法准确率较低,时效性较差,无法实现异常预警。
发明内容
有鉴于此,本发明的目的在于提供一种人群异常聚集预警方法、装置、电子设备及介质,以提高了人群聚集检测的准确性和时效性,同时能够及时对异常人群和危险人群进行预警。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种人群异常聚集预警方法,包括:获取人群聚集场所的实时视频流数据,并对实时视频流数据进行预处理得到标准图像;基于标准图像和预先构建的点对点网络模型得到标准图像人群中每个人体的定位信息;对每个人体的定位信息进行特征提取和特征融合,得到人群多维融合特征;基于人群多维融合特征和预先构建的人群状态预测模型得到人群状态信息,并基于人群状态信息进行预警。
在一种实施方式中,对实时视频流数据进行预处理得到标准图像,包括:依次对实时视频流数据进行抽帧处理、解码处理和图像变换处理,得到标准图像。
在一种实施方式中,基于标准图像和预先构建的点对点网络模型得到标准图像人群中每个人体的定位信息,包括:将标准图像输入到预先构建的点对点网络模型中,输出每个人体头部的中心点坐标和中心点坐标的置信度。
在一种实施方式中,对每个人体的定位信息进行特征提取和特征融合,得到人群多维融合特征,包括:基于每个人体的定位信息提取人群的距离特征、密度特征、聚类特征、分布特征和行为特征;对距离特征、密度特征、聚类特征、分布特征和行为特征进行归一化处理和离散化处理;采用全连接对归一化处理和离散化处理后的距离特征、密度特征、聚类特征、分布特征和行为特征进行特征融合,得到人群多维融合特征。
在一种实施方式中,距离特征包括:人群人体间像素距离和人群平均像素距离;基于每个人体的定位信息提取人群的距离特征、密度特征、聚类特征、分布特征和行为特征,包括:基于每个人体头部的中心点坐标计算每个人体头部中心点之间的欧式距离得到人群人体间像素距离,并基于人群人体间像素距离计算人群平均像素距离;基于标准图像中人群的人体数量确定密度特征;基于人群人体间像素距离,采用密度峰值聚类进行聚类分析得到聚类特征;基于人群人体间像素距离,计算人群分布熵得到分布特征;基于标准图像中人群的异常行为确定危险行为等级,并对危险行为等级进行编码得到行为特征。
在一种实施方式中,基于人群人体间像素距离,采用密度峰值聚类进行聚类分析得到聚类特征,包括:基于人群人体间像素距离,采用密度峰值聚类进行聚类分析得到聚类中心点;获取聚类中心点的聚类中心密度;如果聚类中心密度大于密度阈值,则对聚类中心密度进行编码得到聚类特征。
在一种实施方式中,基于人群人体间像素距离,计算人群分布熵得到分布特征,包括:将人群人体间像素距离进行归一化处理,并将归一化处理后的人群人体间像素距离划分为多个像素距离区间;基于像素距离区间计算人群分布熵得到分布特征。
第二方面,本发明实施例提供了一种人群异常聚集预警装置,包括:图像处理模块,用于获取人群聚集场所的实时视频流数据,并对实时视频流数据进行预处理得到标准图像;人群定位模块,用于基于标准图像和预先构建的点对点网络模型得到标准图像人群中每个人体的定位信息;特征提取模块,用于对每个人体的定位信息进行特征提取和特征融合,得到人群多维融合特征;人群状态判别模块,用于基于人群多维融合特征和预先构建的人群状态预测模型得到人群状态信息,并基于人群状态信息进行预警。
第三方面,本发明实施例提供了一种电子设备,包括处理器和存储器,存储器存储有能够被处理器执行的计算机可执行指令,处理器执行计算机可执行指令以实现上述第一方面提供的任一项的方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述第一方面提供的任一项的方法的步骤。
本发明实施例带来了以下有益效果:
本发明实施例提供的上述人群异常聚集预警方法、装置、电子设备及介质,首先获取人群聚集场所的实时视频流数据,并对实时视频流数据进行预处理得到标准图像;然后基于标准图像和预先构建的点对点网络模型得到标准图像人群中每个人体的定位信息;接着对每个人体的定位信息进行特征提取和特征融合,得到人群多维融合特征;最后基于人群多维融合特征和预先构建的人群状态预测模型得到人群状态信息,并基于人群状态信息进行预警。上述方法能够使用点对点网络模型准确获得人群中每个人体的定位信息,然后根据人群多维融合特征和人群状态预测模型实时预测人群状态,更能表现人群的状态,从而提高了人群聚集检测的准确性和时效性,同时能够及时对异常人群和危险人群进行判断和预警,达到提前预防安全事故的目的。
本发明的其他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在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种人群异常聚集预警方法的流程图;
图2为本发明实施例提供的一种特征聚类的流程图;
图3为本发明实施例提供的基于点对点网络和多维特征融合的人群异常聚集预警方法的流程图;
图4为本发明实施例提供的一种人群异常聚集预警装置的结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
目前,针对人群聚集检测的研究主要有基于检测的方法、基于回归的方法和基于密度图的方法。基于检测的方法主要是通过对图像行人检测或人头检测来统计人数,主要用于稀疏的人群计数,随着人群密度的提升,人与人之间的遮挡变得越来越严重,此时会导致较大误差;基于回归的方法只能得到场景整体的一个拥挤指数,不能获知人群人体的具体位置,而且这种方法对图像分辨率很敏感;基于密度图的方法无法给出准确的人的位置信息。此外,这类方法都是在聚集行为已经发生后才能实现检测,时效性较差,也无法实现人群异常状态的预测及人群危险行为预警。
基于此,本发明实施例提供的一种人群异常聚集预警方法、装置、电子设备及介质,可以提高人群聚集检测的准确性和时效性,同时能够及时对异常人群和危险人群进行预警。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种人群异常聚集预警方法进行详细介绍,该方法可以由电子设备执行,诸如:电脑、智能手机、平板电脑等。参见图1所示的一种人群异常聚集预警方法的流程图,示意出该方法主要包括以下步骤S101至步骤S104:
步骤S101:获取人群聚集场所的实时视频流数据,并对实时视频流数据进行预处理得到标准图像。
在一种实施方式中,可以依次对实时视频流数据进行抽帧处理、解码处理和图像变换处理等一系列预处理操作,得到标准图像。
步骤S102:基于标准图像和预先构建的点对点网络模型得到标准图像人群中每个人体的定位信息。
在一种实施方式中,可以预先构建点对点网络模型,并使用点标注的人群聚集训练集对点对点网络模型进行训练。点对点网络模型直接使用人群头部点标注作为学习目标,实现人群的联合计数和人体定位,即输入一张预处理后的人群聚集图像,经过训练好的点对点网络模型,推理后输出图像人群中每个人体头部的中心点坐标和该中心点的置信度。基于此,本发明实施例中可以将标准图像输入到预先构建的点对点网络模型中,输出每个人体的定位信息。
步骤S103:对每个人体的定位信息进行特征提取和特征融合,得到人群多维融合特征。
在一种实施方式中,可以对点对点网络模型输出的定位信息进行特征提取,分别提取人群的距离特征、密度特征、聚类特征、分布特征和行为特征等,并将提取到的特征进行融合,得到人群多维融合特征。
步骤S104:基于人群多维融合特征和预先构建的人群状态预测模型得到人群状态信息,并基于人群状态信息进行预警。
在一种实施方式中,可以预先基于神经网络构建人群状态预测模型,使用打标的人群多维融合特征对该人群状态预测模型进行训练,训练好的人群状态预测模型即可对未知人群特征进行人群状态判别实现异常聚集人群和危险人群的预警。基于此,本发明实施例中可以将得到的人群多维融合特征模型输入到预先构建的人群状态预测模型中,得到人群状态信息,并根据人群状态信息对异常人群和危险人群进行预警。
本发明实施例提供的上述人群异常聚集预警方法,能够使用点对点网络模型准确获得人群中每个人体的定位信息,然后根据人群多维融合特征和人群状态预测模型实时预测人群状态,更能表现人群的状态,从而提高了人群聚集检测的准确性和时效性,同时能够及时对异常人群和危险人群进行判断和预警,达到提前预防安全事故的目的。
在一种实施方式中,对于前述步骤S102,即在基于标准图像和预先构建的点对点网络模型得到标准图像人群中每个人体的定位信息时,可以采用包括但不限于以下方式:将标准图像输入到预先构建的点对点网络模型中,输出每个人体头部的中心点坐标和中心点坐标的置信度。
在具体实施时,可以基于多尺度卷积神经网络和点的框架结构,构建点对点网络模型(P2PNet),P2PNet忽略了所有冗余步骤,能够直接预测一系列人体头部点集合从而来定位图像中的人群人体,并通过基于匈牙利算法的一对一匹配策略为预测候选点分配最优的学习目标,使预测点与真实标注点尽可能地接近,并有足够高的置信度。具体的,将一个包括N个人体的标准图像输入到P2PNet中,P2PNet可以预测输出每个人体头部的中心点坐标P和该中心点的置信度C。
在一种实施方式中,对于前述步骤S103,即在对每个人体的定位信息进行特征提取和特征融合,得到人群多维融合特征时,可以采用包括但不限于以下方式,主要包括以下步骤1至步骤3:
步骤1:基于每个人体的定位信息提取人群的距离特征、密度特征、聚类特征、分布特征和行为特征。
在具体实施时,距离特征包括:人群人体间像素距离和人群平均像素距离;在基于每个人体的定位信息提取人群的距离特征、密度特征、聚类特征、分布特征和行为特征时,主要包括以下步骤1.1至步骤1.5:
步骤1.1:基于每个人体头部的中心点坐标计算每个人体头部中心点之间的欧式距离得到人群人体间像素距离,并基于人群人体间像素距离计算人群平均像素距离。
具体的,可以首先以P2PNet预测的头部的中心点坐标作为输入,计算每个人体头部中心点之间的欧式距离,即人群人体间像素距离,构建人群距离集合;然后,通过人体头部中心点坐标间的欧氏距离(即人群人体间像素距离)计算人群平均像素距离,相较于传统算法通过多个特征角点计算欧式距离,本发明实施例采用的计算方法计算量少。具体的,人群平均像素距离的计算公式如下:
其中,D(k)表示第k帧图像的人群平均像素距离;N表示视频帧中所有人体的数量,即人群密度;C ij 表示第i个人体头部中心点坐标与第j个人体头部中心点坐标之间的欧式距离,即人群人体间像素距离;φ表示修正参数,取常数。
步骤1.2:基于标准图像中人群的人体数量确定密度特征。
具体的,可以将P2PNet输出的人群计数(即人体数量)确定为密度特征。
步骤1.3:基于人群人体间像素距离,采用密度峰值聚类进行聚类分析得到聚类特征。
具体的,可以采用包括但不限于以下方式确定聚类特征:首先,基于人群人体间像素距离,采用密度峰值聚类进行聚类分析得到聚类中心点;然后,获取聚类中心点的聚类中心密度;最后,如果聚类中心密度大于密度阈值,则对聚类中心密度进行编码得到聚类特征。
在具体实施时,参见图2所示,可以首先将P2PNet预测的人体头部的中心点坐标作为输入,计算每个人体头部中心点之间的像素距离(即人群人体间像素距离);然后,使用密度峰值聚类进行聚类分析,确定聚类中心点,获得聚类中心密度,并将聚类中心密度与密度阈值进行比较,如果聚类中心密度大于密度阈值,则对聚类中心密度进行one-hot编码,作为聚类特征。其中,密度峰值聚类不同于K-means等需要多次迭代的聚类方法,密度峰值聚类不需要迭代,不需要事先指定类簇数,能够一次性找到聚类中心,如果某样本点是聚类中心,该点密度比较大,不同聚类中心间的距离相对较远,因此,采用密度峰值聚类能够减少计算量。
步骤1.4:基于人群人体间像素距离,计算人群分布熵得到分布特征。
具体的,可以采用包括但不限于以下方式确定聚类特征:首先,将人群人体间像素距离进行归一化处理,并将归一化处理后的人群人体间像素距离划分为多个像素距离区间;然后,基于像素距离区间计算人群分布熵得到分布特征。
在具体实施时,信息熵可以体现随机事件的不确定性,对信息的多少进行了度量。通过信息熵可以实现对人群分布信息的描述,若人群分布较离散,则人群分布熵较大,若人群发生聚集,则人群分布熵较小。基于此,本发明实施例中可以采用人群分布熵表示人群的分布特征。具体的,首先将输入的头部中心点坐标归一化处理为[-1,1],然后将[-1,1]划分为20个连续的像素距离区间r i ,i=1,2,⋯,20;最后,进行人群分布熵的计算。其中,人群分布熵计算公式如下:
其中,E(k)表示第k帧图像的人群分布熵,p i 表示中心点坐标在r i 区间出现的概率,count(r i )是中心点坐标归一化后在r i 区间的个数。
步骤1.5:基于标准图像中人群的异常行为确定危险行为等级,并对危险行为等级进行编码得到行为特征。
具体的,首先定义行人的异常行为,如行人持棍、持刀、遮挡面部等危险行为,并确定危险行为等级。基于此,本发明实施例中可以先确定标准图像中人群点的议程行为,并确定危险行为等级;然后对其进行one-hot编码,编码后的行为状态即可作为行为特征。
步骤2:对距离特征、密度特征、聚类特征、分布特征和行为特征进行归一化处理和离散化处理。
步骤3:采用全连接对归一化处理和离散化处理后的距离特征、密度特征、聚类特征、分布特征和行为特征进行特征融合,得到人群多维融合特征。
在具体实施时,对提取距离特征、密度特征、聚类特征、分布特征和行为特征进行归一化处理、离散化处理、编码处理等操作后,使用全连接对其进行融合,形成人群多维融合特征x n ,x n =[x 1,x 2,x 3,…,x n ],x n 表示n维融合特征。
在一种实施方式中,对于前述步骤S104,即在基于人群多维融合特征和预先构建的人群状态预测模型得到人群状态信息,并基于人群状态信息进行预警时,主要采用包括但不限于以下方式:
首先,根据n维融合特征及标签构建训练集。
具体的,构造s个不同样本(x i ,t i )作为人群状态预测模型的训练样本。其中,x i =[x i1,x i2,…,x in ] T 表示第i个训练样本的n维融合特征矩阵;t i 表示目标,即正常人群、异常人群和危险人群。
然后,构建人群状态预测模型。
具体的,基于神经网络构建一个人群多维融合特征学习模型,使用人群融合特征样本集对该模型进行训练,训练好的模型即可对未知人群特征进行人群状态判别,实现异常聚集人群和危险人群的预警。
本发明实施例提供的上述人群异常聚集预警方法,通过对人群聚集场景、聚集状态及异常行为特征等方面进行分析,基于点对点网络模型对人群进行定位和多维特征提取,然后构造预测模型对多维融合特征进行学习,实现人群异常聚集的精准预警。与现有技术相比,本发明使用基于点的框架构建点对点网络模型实现人群计数和个体定位,适用于各种密集场景,有效解决了人群密度不均、行人头部尺度不同、人群之间由于遮挡而导致的准去率低等问题;本发明不仅仅对人群聚集就你行判断,还能够通过充分融合人群状态特征,实现对人群异常聚集状态的预测,并提高其预测的准确性。
为了便于理解,本发明实施例还提供了一种具体的基于点对点网络和多维特征融合的人群异常聚集预警方法,参见图3所示,示意出该方法主要包括:图像处理模块、人群定位模块、特征提取模块和人群状态判别模块。
首先,图像处理模块可以对人群聚集场所实时视频流进行抽帧、解码及图像变换等一系列预处理操作,形成标准数据。
其次,人群定位模块可以构建点对点网络模型,并使用点标注的人群聚集训练集对模型进行训练。经过训练好的点对点网络模型可以输出图像的人群密度和定位信息。
再次,判断人群密度是否大于阈值,如果是,则继续下一步,否则,返回图像处理模块重新对实时视频流进行抽帧和解码。
接着,特征提取模块可以将点对点网络输出的结果进行特征提取和特征融合,分别提取人群的像素距离特征(即人群人体间像素距离)、平均像素距离特征(即人群平均像素距离)、密度特征、聚类特征、分布特征和行为特征等,然后对特征进行融合,形成人群多维融合特征。
最后,人群状态判别模块可以首先基于神经网络构建人群状态预测模型,并使用训练好的模型对未知人群特征进行人群状态判别,识别出正常人群、异常人员和危险人群,并对异常人群和危险人群进行预警。
本发明实施例提供的上述方法,将人群状态的距离特征、密度特征、聚类特征、分布特征和行为特征等进行了融合处理,构建多维融合特征矩阵,使其对人群状态的表示更为充分;其次,基于神经网络构造人群状态预测模型,对人群状态融合特征进行多分类学习,实现人群状态的精准预测,使人群聚集及异常状态的综合判断更加准确。
对于前述实施例提供的人群异常聚集预警方法,本发明实施例还提供了一种人群异常聚集预警装置,参见图4所示的一种人群异常聚集预警装置的结构示意图,该装置可以包括以下部分:
图像处理模块401,用于获取人群聚集场所的实时视频流数据,并对实时视频流数据进行预处理得到标准图像;
人群定位模块402,用于基于标准图像和预先构建的点对点网络模型得到标准图像人群中每个人体的定位信息;
特征提取模块403,用于对每个人体的定位信息进行特征提取和特征融合,得到人群多维融合特征;
人群状态判别模块404,用于基于人群多维融合特征和预先构建的人群状态预测模型得到人群状态信息,并基于人群状态信息进行预警。
本发明实施例提供的上述人群异常聚集预警装置,能够使用点对点网络模型准确获得人群中每个人体的定位信息,然后根据人群多维融合特征和人群状态预测模型实时预测人群状态,更能表现人群的状态,从而提高了人群聚集检测的准确性和时效性,同时能够及时对异常人群和危险人群进行判断和预警,达到提前预防安全事故的目的。
在一种实施方式中,上述图像处理模块401进一步还用于:依次对实时视频流数据进行抽帧处理、解码处理和图像变换处理,得到标准图像。
在一种实施方式中,上述人群定位模块402进一步还用于:将标准图像输入到预先构建的点对点网络模型中,输出每个人体头部的中心点坐标和中心点坐标的置信度。
在一种实施方式中,上述特征提取模块403进一步还用于:基于每个人体的定位信息提取人群的距离特征、密度特征、聚类特征、分布特征和行为特征;对距离特征、密度特征、聚类特征、分布特征和行为特征进行归一化处理和离散化处理;采用全连接对归一化处理和离散化处理后的距离特征、密度特征、聚类特征、分布特征和行为特征进行特征融合,得到人群多维融合特征。
在一种实施方式中,距离特征包括:人群人体间像素距离和人群平均像素距离;上述特征提取模块403进一步还用于:基于每个人体头部的中心点坐标计算每个人体头部中心点之间的欧式距离得到人群人体间像素距离,并基于人群人体间像素距离计算人群平均像素距离;基于标准图像中人群的人体数量确定密度特征;基于人群人体间像素距离,采用密度峰值聚类进行聚类分析得到聚类特征;基于人群人体间像素距离,计算人群分布熵得到分布特征;基于标准图像中人群的异常行为确定危险行为等级,并对危险行为等级进行编码得到行为特征。
在一种实施方式中,上述特征提取模块403进一步还用于:基于人群人体间像素距离,采用密度峰值聚类进行聚类分析得到聚类中心点;获取聚类中心点的聚类中心密度;如果聚类中心密度大于密度阈值,则对聚类中心密度进行编码得到聚类特征。
在一种实施方式中,上述特征提取模块403进一步还用于:将人群人体间像素距离进行归一化处理,并将归一化处理后的人群人体间像素距离划分为多个像素距离区间;基于像素距离区间计算人群分布熵得到分布特征。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例还提供了一种电子设备,具体的,该电子设备包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被处理器运行时执行如上实施方式的任一项所述的方法。
图5为本发明实施例提供的一种电子设备的结构示意图,该电子设备100包括:处理器50,存储器51,总线52和通信接口53,所述处理器50、通信接口53和存储器51通过总线52连接;处理器50用于执行存储器51中存储的可执行模块,例如计算机程序。
其中,存储器51可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器51用于存储程序,所述处理器50在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中,或者由处理器50实现。
处理器50可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignalProcessing,简称DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51,处理器50读取存储器51中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见前述方法实施例,在此不再赘述。
所述功能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,本发明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)执行本发明各个实施例所述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。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种人群异常聚集预警方法,其特征在于,包括:
获取人群聚集场所的实时视频流数据,并对所述实时视频流数据进行预处理得到标准图像;
基于所述标准图像和预先构建的点对点网络模型得到所述标准图像人群中每个人体的定位信息;
对所述每个人体的定位信息进行特征提取和特征融合,得到人群多维融合特征;
基于所述人群多维融合特征和预先构建的人群状态预测模型得到人群状态信息,并基于所述人群状态信息进行预警。
2.根据权利要求1所述的方法,其特征在于,对所述实时视频流数据进行预处理得到标准图像,包括:
依次对所述实时视频流数据进行抽帧处理、解码处理和图像变换处理,得到标准图像。
3.根据权利要求1所述的方法,其特征在于,基于所述标准图像和预先构建的点对点网络模型得到所述标准图像人群中每个人体的定位信息,包括:
将所述标准图像输入到预先构建的点对点网络模型中,输出每个人体头部的中心点坐标和所述中心点坐标的置信度。
4.根据权利要求3所述的方法,其特征在于,对所述每个人体的定位信息进行特征提取和特征融合,得到人群多维融合特征,包括:
基于所述每个人体的定位信息提取人群的距离特征、密度特征、聚类特征、分布特征和行为特征;
对所述距离特征、所述密度特征、所述聚类特征、所述分布特征和所述行为特征进行归一化处理和离散化处理;
采用全连接对归一化处理和离散化处理后的所述距离特征、所述密度特征、所述聚类特征、所述分布特征和所述行为特征进行特征融合,得到人群多维融合特征。
5.根据权利要求4所述的方法,其特征在于,所述距离特征包括:人群人体间像素距离和人群平均像素距离;
基于所述每个人体的定位信息提取人群的距离特征、密度特征、聚类特征、分布特征和行为特征,包括:
基于每个人体头部的中心点坐标计算每个人体头部中心点之间的欧式距离得到人群人体间像素距离,并基于所述人群人体间像素距离计算人群平均像素距离;
基于所述标准图像中人群的人体数量确定密度特征;
基于所述人群人体间像素距离,采用密度峰值聚类进行聚类分析得到聚类特征;
基于所述人群人体间像素距离,计算人群分布熵得到分布特征;
基于所述标准图像中人群的异常行为确定危险行为等级,并对所述危险行为等级进行编码得到行为特征。
6.根据权利要求5所述的方法,其特征在于,基于所述人群人体间像素距离,采用密度峰值聚类进行聚类分析得到聚类特征,包括:
基于所述人群人体间像素距离,采用密度峰值聚类进行聚类分析得到聚类中心点;
获取所述聚类中心点的聚类中心密度;
如果所述聚类中心密度大于密度阈值,则对所述聚类中心密度进行编码得到聚类特征。
7.根据权利要求5所述的方法,其特征在于,基于所述人群人体间像素距离,计算人群分布熵得到分布特征,包括:
将所述人群人体间像素距离进行归一化处理,并将归一化处理后的人群人体间像素距离划分为多个像素距离区间;
基于所述像素距离区间计算人群分布熵得到分布特征。
8.一种人群异常聚集预警装置,其特征在于,包括:
图像处理模块,用于获取人群聚集场所的实时视频流数据,并对所述实时视频流数据进行预处理得到标准图像;
人群定位模块,用于基于所述标准图像和预先构建的点对点网络模型得到所述标准图像人群中每个人体的定位信息;
特征提取模块,用于对所述每个人体的定位信息进行特征提取和特征融合,得到人群多维融合特征;
人群状态判别模块,用于基于所述人群多维融合特征和预先构建的人群状态预测模型得到人群状态信息,并基于所述人群状态信息进行预警。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的方法的步骤。
10.一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计算机程序,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1至7任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310053215.9A CN115810178B (zh) | 2023-02-03 | 2023-02-03 | 人群异常聚集预警方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310053215.9A CN115810178B (zh) | 2023-02-03 | 2023-02-03 | 人群异常聚集预警方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115810178A true CN115810178A (zh) | 2023-03-17 |
CN115810178B CN115810178B (zh) | 2023-04-28 |
Family
ID=85487369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310053215.9A Active CN115810178B (zh) | 2023-02-03 | 2023-02-03 | 人群异常聚集预警方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115810178B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984027A (zh) * | 2023-03-20 | 2023-04-18 | 长沙迪迈数码科技股份有限公司 | 基于uwb的井下人员聚集预警方法、装置及存储介质 |
CN115984783A (zh) * | 2023-03-20 | 2023-04-18 | 北京龙智数科科技服务有限公司 | 人群计数方法及装置 |
CN116486337A (zh) * | 2023-04-25 | 2023-07-25 | 江苏图恩视觉科技有限公司 | 一种基于图像处理的数据监测系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738225A (zh) * | 2020-07-29 | 2020-10-02 | 中电科新型智慧城市研究院有限公司 | 人群聚集检测方法、装置、设备及存储介质 |
CN112861718A (zh) * | 2021-02-08 | 2021-05-28 | 暨南大学 | 一种轻量级特征融合人群计数方法及系统 |
CN114005085A (zh) * | 2021-10-28 | 2022-02-01 | 武汉大学 | 一种视频中密集人群分布检测与计数方法 |
CN114677638A (zh) * | 2022-03-16 | 2022-06-28 | 西安电子科技大学广州研究院 | 一种基于深度学习和聚类人群异常聚集的检测方法 |
CN114694102A (zh) * | 2022-04-24 | 2022-07-01 | 杭州电子科技大学 | 一种基于多尺度空间引导感知聚合网络的人群计数方法 |
-
2023
- 2023-02-03 CN CN202310053215.9A patent/CN115810178B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738225A (zh) * | 2020-07-29 | 2020-10-02 | 中电科新型智慧城市研究院有限公司 | 人群聚集检测方法、装置、设备及存储介质 |
CN112861718A (zh) * | 2021-02-08 | 2021-05-28 | 暨南大学 | 一种轻量级特征融合人群计数方法及系统 |
CN114005085A (zh) * | 2021-10-28 | 2022-02-01 | 武汉大学 | 一种视频中密集人群分布检测与计数方法 |
CN114677638A (zh) * | 2022-03-16 | 2022-06-28 | 西安电子科技大学广州研究院 | 一种基于深度学习和聚类人群异常聚集的检测方法 |
CN114694102A (zh) * | 2022-04-24 | 2022-07-01 | 杭州电子科技大学 | 一种基于多尺度空间引导感知聚合网络的人群计数方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984027A (zh) * | 2023-03-20 | 2023-04-18 | 长沙迪迈数码科技股份有限公司 | 基于uwb的井下人员聚集预警方法、装置及存储介质 |
CN115984783A (zh) * | 2023-03-20 | 2023-04-18 | 北京龙智数科科技服务有限公司 | 人群计数方法及装置 |
CN115984783B (zh) * | 2023-03-20 | 2023-08-18 | 成都须弥云图建筑设计有限公司 | 人群计数方法及装置 |
CN116486337A (zh) * | 2023-04-25 | 2023-07-25 | 江苏图恩视觉科技有限公司 | 一种基于图像处理的数据监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115810178B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115810178A (zh) | 人群异常聚集预警方法、装置、电子设备及介质 | |
WO2020125057A1 (zh) | 牲畜个数的识别方法及装置 | |
CN112200081A (zh) | 异常行为识别方法、装置、电子设备及存储介质 | |
CN111274926B (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
CN112309126B (zh) | 车牌检测方法、装置、电子设备及计算机可读存储介质 | |
CN111898491A (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
CN113065474A (zh) | 行为识别方法、装置及计算机设备 | |
CN115660262B (zh) | 一种基于数据库应用的工程智慧质检方法、系统及介质 | |
CN114782897A (zh) | 基于机器视觉及深度学习的危险行为检测方法及系统 | |
CN110838230A (zh) | 一种移动视频监控方法、监控中心及系统 | |
CN113516144A (zh) | 目标检测方法及装置、计算设备 | |
CN111353342B (zh) | 肩头识别模型训练方法、装置、人数统计方法、装置 | |
CN115272656A (zh) | 环境检测报警方法、装置、计算机设备及存储介质 | |
CN111325181A (zh) | 一种状态监测方法、装置、电子设备及存储介质 | |
CN110674887A (zh) | 一种基于视频分类的端到端道路拥堵检测算法 | |
CN113610770A (zh) | 一种车牌识别方法和装置及设备 | |
CN116384844B (zh) | 基于地理信息云平台的决策方法及装置 | |
CN115620098B (zh) | 跨摄像头行人跟踪算法的评价方法、系统和电子设备 | |
CN112001453A (zh) | 一种视频事件检测算法的准确率计算方法及装置 | |
CN116959099A (zh) | 一种基于时空图卷积神经网络的异常行为识别方法 | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
CN112990350B (zh) | 目标检测网络训练方法及基于目标检测网络煤矸识别方法 | |
WO2022262013A1 (zh) | 一种车辆状态信息采集监控方法及系统 | |
CN115278757A (zh) | 一种检测异常数据的方法、装置及电子设备 | |
CN114330542A (zh) | 一种基于目标检测的样本挖掘方法、装置及存储介质 |
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 |