CN115880643B - 一种基于目标检测算法的社交距离监测方法和装置 - Google Patents

Abstract

本申请涉及人工智能技术领域，尤其是涉及一种基于目标检测算法的社交距离监测方法和装置，该方法包括：步骤一，获取监控设备的拍摄参数，以及监控视频中的实时视频流，并对视频流进行抽帧操作，获取到图像样本；步骤二，采用目标检测算法对图像样本进行行人运动目标物检测，后对检测到的行人运动目标物进行基于中心点的标记；步骤三，采用图像类比算法计算行人间距；步骤四，设定行人间距阈值，对于小于行人间距阈值的行人间距，对其对应的行人标记做警示处理。本发明对于固定监控场景下进行监控图像处理，并对行人间距进行实时计算，并做出警示标识，大大简化了计算逻辑，提升计算效率，增强距离精度计算，使整个社交距离的监控更加稳定流畅。

Description

一种基于目标检测算法的社交距离监测方法和装置

技术领域

本申请涉及人工智能技术领域，尤其是涉及一种基于目标检测算法的社交距离监测方法和装置。

背景技术

社交距离的控制一直是疾病防疫的重点，特别是在车站、商场、医院、餐厅等重要的社交场合，人员密度大，如果不做好社交距离的控制，很容易出现人员密度过大导致的群体性传播事故。

做好社交距离的控制一般采用计算机算法对于监控视频中的行人进行特征提取，然后被识别为行人的目标物进行标记 ，采用三角形相似技术的算法对行人间距进行实时计算，对于超过设定阈值的行人间距进行标红或者其它警示。

这种行人间距的计算方法具体是假设一个人离镜头的距离是D厘米，人的实际身高是H厘米。使用目标检测代码，使用边界框坐标识别人的像素高度P。使用以下公式计算相机的焦距：F=（P x D）/H；

在计算了镜头的焦距后，使用人的实际高度H、人的像素高度P和镜头的焦距F来计算人与镜头的距离。可以使用以下公式计算与镜头的距离：D'=（H x F）/P；

现在已经知道了人在镜头中的深度，可以继续计算视频中两个人之间的距离。在视频中可以检测到n人。因此，欧几里德距离是计算所有检测到的人的边界框中点之间的距离。通过这样做，得到了x和y值，再使用等式x_mid_cm = (x_mid * distance) / F ； y_mid_cm = (y_mid * distance) / F 将这些值转换为厘米。这样就得到每个人的x、y和z（人与镜头的距离）坐标。检测到的每个人之间的欧氏距离是使用（x，y，z）坐标计算的。如果两个人之间的距离小于设定阈值，他们周围会显示一个红色边框，表示他们没有保持社交距离。

现有的社交距离算法对于行人的距离计算比较粗略，没有考虑到镜头的角度问题，这样就可能导致对于行人间距的判断出现很大的误差，从而导致出现误报警，或者出现间距过小却不报警的情况。

发明内容

为了解决现有技术中存在的上述技术问题，本发明提出了一种基于目标检测算法的社交距离监测方法，其具体技术方案如下：

一种基于目标检测算法的社交距离监测方法，包括以下步骤：

步骤一，获取监控设备的拍摄参数，以及监控视频中的实时视频流，并对视频流进行抽帧操作，获取到图像样本；

步骤二，采用目标检测算法对图像样本进行行人运动目标物检测，后对检测到的行人运动目标物进行基于中心点的标记；

步骤三，采用图像类比算法计算行人间距；

步骤四，设定行人间距阈值，对于小于行人间距阈值的行人间距，对其对应的行人标记做警示处理。

进一步的，所述拍摄参数包括：镜头与地面垂线和摄像下视野线的夹角α、镜头与地面垂线和上视野线的夹角β、镜头的安装高度a和镜头焦距f。

进一步的，所述步骤二，具体包括以下子步骤：

步骤2.1，对于图像样本中的行人运动目标物数量大于等于2的图像定义为待检测样本，对于行人运动目标物小于2的图像样本做丢弃处理；

步骤2.2，对于待检测样本中的行人运动目标物进行像素块标记处理，并对像素块的中心点进行标记为Ox。

进一步的，所述步骤三，具体包括以下子步骤：

步骤3.1，设定监控区域实际的宽度为w，长度为h，则待检测样本的实际监控面积为w*h；

步骤3.2，设定一个像素大小与待检测样本图片一致的纯色背景的基准图片，对该基准图片按照实际面积的1平方厘米为单位网格化；

步骤3.3，将多个行人运动目标物像素块的中心点Ox位置对应到基准图片里，任意两个Ox之间跨越多少个网格，即可得出这两个行人像素块之间的实际间距s，即行人间距。

进一步的，所述步骤3.2中的对该基准图片按照实际面积的1平方厘米为单位网格化，具体为：

先获取基准图片的像素大小，再将基准图片设定坐标系，坐标系原点为基准图片下沿的中点，行人运动目标物像素块的下沿坐标值设为y，成像平面上的一个像素对应的实际长度为P，镜头到目标物像素块的下沿之间的距离为l₁，镜头经过目标物像素块的下沿所在平面到成像平面的距离为l₂，在Y轴方向上，y₀到y_N所对应的实际长度值为l_y，f(y)为图像中坐标系Y轴上任意一个像素和对应地面尺寸比例值，则f(y)=l₁/l₂=l_y/P，得出l_y=f(y)P，l_y表示Y轴方向y₀到y_N每个像素所对应地面的实际长度值，再对l_y做镜头仰角处理：

，α表示镜头与地面垂线和摄像下视野线的夹角，得到准确的l_yd值，l_yd值表示Y轴方向y₀到y_N每个像素所对应地面的实际长度准确值，根据相似三角形原理，在X轴方向同一水平线上的所有x点实际对应长度值是与本水平线对应的y点l_y相同，同理得到l_x=f(x)P，l_x值表示X轴方向X₀到X_N每个像素所对应地面的实际长度准确值。

进一步的，所述步骤四，具体为：对两个行人像素块之间的实际间距s进行间距标识，设定行人间距的黄色预警颜色阈值x1和红色预警颜色阈值x2，对比s与x1和x2，若s≥x1，则对两个行人像素块和间距标识均做绿色处理；若x2＜s＜x1，则对两个行人像素块和间距标识均做黄色处理；若s≤x2，则对两个行人像素块和间距标识均做红色处理。

一种基于目标检测算法的社交距离监测装置，包括一个或多个处理器，用于实现所述的基于目标检测算法的社交距离监测方法。

一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现所述的基于目标检测算法的社交距离监测方法。

有益效果：

本发明对固定监控场景下进行监控图像处理，并对行人间距进行实时计算，并做出警示标识，在不改变原有硬件构架的前提下，大大简化了计算逻辑，提升计算效率，增强距离精度计算，使整个社交距离监控系统更加稳定可靠，运行更加流畅。

附图说明

图1是本发明的一种基于目标检测算法的社交距离监测方法流程示意图；

图2是本发明计算行人间距的原理示意图；

图3是本发明成像图片对应到实际距离的原理示意图；

图4至图6是本发明实施例的实际应用场景下监控画面示意图；

图7是本发明实施例的一种基于目标检测算法的社交距离监测装置的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和技术效果更加清楚明白，以下结合说明书附图和实施例，对本发明作进一步详细说明。

如图1所示，本发明实施例的一种基于目标检测算法的社交距离监测方法，包括以下步骤：

步骤一，获取监控设备的拍摄参数，以及监控视频中的实时视频流，并对视频流进行抽帧操作，获取到图像样本。

所述拍摄参数包括：镜头与地面垂线和摄像下视野线的夹角α、镜头与地面垂线和上视野线的夹角β、镜头的安装高度a和镜头焦距f，采集上述参数，为后续更加精准的计算目标物的间距做准备。

步骤二，采用目标检测算法对图像样本进行行人运动目标物检测，后对检测到的行人运动目标物进行基于中心点的标记，具体包括以下子步骤：

步骤2.1，对于图像样本中的行人运动目标物数量大于等于2的图像定义为待检测样本，对于行人运动目标物小于2的图像样本做丢弃处理，因为目标物小于2的图像样本没有社交距离的检测需要，这样的样本进行丢弃，能够提升整个算法的效率。

步骤2.2，对于待检测样本中的行人运动目标物进行像素块标记处理，并对像素块的中心点进行标记为Ox。

对于待检测样本中行人运动目标物进行像素块标记处理，能够方便后续将像素块对应到被监控范围的网格中，能够提升整个算法的计算速度。

步骤三，采用图像类比算法计算行人间距，具体包括以下子步骤：

步骤3.1，设定监控区域实际的宽度为w，长度为h，则待检测样本的实际监控面积为w*h。

步骤3.2，设定一个像素大小与待检测样本图片一致的纯色背景的基准图片，对该基准图片按照实际面积的1平方厘米为单位网格化。

其中，所述对该基准图片按照实际面积的1平方厘米为单位网格化，具体为：

参照图2 和图3，先获取基准图片的像素大小，再将基准图片设定坐标系，坐标系原点为基准图片下沿的中点，行人运动目标物像素块的下沿坐标值设为y，成像平面上的一个像素对应的实际长度为P,镜头到目标物像素块的下沿之间的距离为l₁，镜头经过目标物像素块的下沿所在平面到成像平面的距离为l₂，在Y轴方向上，y₀到y_N所对应的实际长度值为l_y，f(y)为图像中坐标系Y轴上任意一个像素和对应地面尺寸比例值，则f(y)=l₁/l₂=l_y/P，得出l_y=f(y)P；由此公式需分别计算出l₁和l₂值。

设定，场景中测量出镜头的安装高度a和画面下沿距离镜头垂面的距离b，测量出图像画面显示的地面点到目标所在地面的距离为m，设定镜头到成像平面Y轴中点的距离为x，成像平面Y轴中点到目标在成像平面投影的位置长度Y，则有：

；/>

；

通过计算即可得到l₁和l₂值，则可得出f(y)值，即可计算出任意一个l_y值；

这样就得到一张表，表示Y轴方向y₀到y_N每个像素所对应地面的实际长度值l_y；对于Y轴方向上，由于镜头与地面垂线和摄像下视野线的夹角α的存在，需要对l_y值进行修正，具体修正步骤为：

，即对l_y做镜头仰角处理得到准确的l_yd值，再次得到一张表，l_yd值表示Y轴方向y₀到y_N每个像素所对应地面的实际长度准确值，根据相似三角形原理，在X轴方向同一水平线上的所有x点实际对应长度值是与本水平线对应的y点l_y相同，同理得到l_x=f(x)P，得到一张表l_x值表示X轴方向X₀到X_N每个像素所对应地面的实际长度准确值。

对于任意具体的行人检测目标，对其做中心点像素画处理后，就可以得到一个落在图像中的具体像素点，任意两个行人对应的像素点之间的连线是其像素距离，对应到实际距离中，可通过上述方法计算其X轴像对应的实际距离为l_x，同样计算其对应到Y轴的实际距离

，这样其对应的实际间距s=/>

，这就是任意两个行人的实际间距，进行对应阈值的标识即可。

步骤3.3，将多个行人运动目标物像素块的中心点Ox位置对应到基准图片里，任意两个Ox之间跨越多少个网格，即可得出这两个行人像素块之间的实际间距s，即行人间距。

步骤四，设定行人间距阈值，对于小于行人间距阈值的行人间距，对其对应的行人标记做警示处理。

例如，设定行人间距阈值为x，比较x和s，对于小于阈值x的行人间距s对其对应的行人标记做警示处理。

更加具体的，对两个行人像素块之间的实际间距s进行间距标识，设定行人间距的黄色预警颜色阈值x₁和红色预警颜色阈值x₂，对比s与x₁和x₂，若s≥x₁，则对两个行人像素块和间距标识均做绿色处理；若x₂＜s＜x₁，则对两个行人像素块和间距标识均做黄色警示处理；若s≤x₂，则对两个行人像素块和间距标识均做红色警示处理。

综上，本发明在抓取到监控视频中的图像样本，获取监控设备的拍摄参数，采用目标检测算法对图像样本进行检测，对于判定符合行人特征数量少于设定值的图像样本做丢弃处理，对于判定符合行人特征数量大于设定值的图像样本进行中心点标记，采用图像类比算法计算行人间距s，设定行人间距阈值x，比较x和s，对于小于阈值x的行人间距s对其对应的行人标记做警示处理。

在本发明中，监控设备的镜头在安装调试完成后，其与地面的距离一般不做调整，其拍摄角度也不做变动，因此该摄像监控设备安装完成后其在三维场景中的位置就不再变化了，拍摄画面的背景也就不再变化了，这时再从拍摄的背景画面中找到画面的上下边界所对应的场景实际位置，设定一个像素大小与待检测样本图片一致的纯色背景的基准图片，对该基准图片按照实际面积的1平方厘米为单位网格化；将多个行人运动目标物像素块的中心点O_x位置对应到基准图片里，任意两个O_x之间跨越多少个网格，即可得出这两个行人像素块之间的实际间距s；将两个行人像素块之间的实际间距s进行间距标识；设定黄色预警颜色阈值x₁和红色预警颜色阈值x₂，对比s与x₁和x₂，若s≥x₁，则该两个行人像素块和间距标识均为绿色处理；若x₂＜s＜x₁，则该两个行人像素块和间距标识均为黄色处理；若s≤x₂，则该两个行人像素块和间距标识均为红色处理。这样就完成了对于目标物的距离测量，以及两个行人运动目标物之间距离的测量和阈值预警标识处理，计算更加简便，效率更高，精度更高。

本发明实施例的一种基于目标检测算法的社交距离监测方法的实施原理为：

参照图4，是实际应用场景中，监控画面为2人，测算实际两人距离s大于阈值x₁，此时人物外框和距离连线标识均绿色处理；

参照图5，是实际应用场景中，监控画面为3人，测算实际其中左边两人的距离s小于x₂，该两人的物外框和距离连线标识均红色警示处理，右边一人与其它两人的距离均大于阈值x₁，此时该人的外框以及与其它两人的距离连线标识均绿色处理；

参照图6，是实际应用场景中，监控画面为4人，测算实际中间两人的距离s小于x₂，该两人的物外框和距离连线标识均红色警示处理，左右两边的两人与中间两人的距离均大于阈值x₁，此时左右两边的两人与中间两人的距离连线标识均绿色处理。

与前述一种基于目标检测算法的社交距离监测方法的实施例相对应，本发明还提供了一种基于目标检测算法的社交距离监测方法装置的实施例。

参见图7，本发明实施例提供的一种基于目标检测算法的社交距离监测装置，包括一个或多个处理器，用于实现上述实施例中的一种基于目标检测算法的社交距离监测方法。

本发明一种基于目标检测算法的社交距离监测装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图7所示，为本发明一种基于目标检测算法的社交距离监测装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图7所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置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发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的一种基于目标检测算法的社交距离监测方法。

所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。

以上所述，仅为本发明的优选实施案例，并非对本发明做任何形式上的限制。虽然前文对本发明的实施过程进行了详细说明，对于熟悉本领域的人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行同等替换。凡在本发明精神和原则之内所做修改、同等替换等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于目标检测算法的社交距离监测方法，其特征在于，包括以下步骤：

步骤一，获取监控设备的拍摄参数，以及监控视频中的实时视频流，并对视频流进行抽帧操作，获取到图像样本；

步骤二，采用目标检测算法对图像样本进行行人运动目标物检测，后对检测到的行人运动目标物进行基于中心点的标记；

所述步骤二，具体包括以下子步骤：

步骤2.1，对于图像样本中的行人运动目标物数量大于等于2的图像定义为待检测样本，对于行人运动目标物小于2的图像样本做丢弃处理；

步骤2.2，对于待检测样本中的行人运动目标物进行像素块标记处理，并对像素块的中心点进行标记为Ox；

步骤三，采用图像类比算法计算行人间距；

所述步骤三，具体包括以下子步骤：

步骤3.1，设定监控区域实际的宽度为w，长度为h，则待检测样本的实际监控面积为w*h；

步骤3.2，设定一个像素大小与待检测样本图片一致的纯色背景的基准图片，对该基准图片按照实际面积的1平方厘米为单位网格化；

所述步骤3.2中的对该基准图片按照实际面积的1平方厘米为单位网格化，具体为：

先获取基准图片的像素大小，再将基准图片设定坐标系，坐标系原点为基准图片下沿的中点，行人运动目标物像素块的下沿坐标值设为y，成像平面上的一个像素对应的实际长度为P，镜头到目标物像素块的下沿之间的距离为l₁，镜头经过目标物像素块的下沿所在平面到成像平面的距离为l₂，在Y轴方向上，y₀到y_N所对应的实际长度值为l_y，f(y)为图像中坐标系Y轴上任意一个像素和对应地面尺寸比例值，则f(y)=l₁/l₂=l_y/P，得出l_y=f(y)P，l_y表示Y轴方向y₀到y_N每个像素所对应地面的实际长度值，再对l_y做镜头仰角处理：l_yd=sinα·l_d，α表示镜头与地面垂线和摄像下视野线的夹角，得到准确的l_yd值，l_yd值表示Y轴方向y₀到y_N每个像素所对应地面的实际长度准确值，根据相似三角形原理，在X轴方向同一水平线上的所有x点实际对应长度值是与本水平线对应的y点l_y相同，同理得到l_x=f(x)P，l_x值表示X轴方向X₀到X_N每个像素所对应地面的实际长度准确值；

步骤3.3，将多个行人运动目标物像素块的中心点Ox位置对应到基准图片里，任意两个Ox之间跨越多少个网格，即可得出这两个行人像素块之间的实际间距s，即行人间距；

步骤四，设定行人间距阈值，对于小于行人间距阈值的行人间距，对其对应的行人标记做警示处理。

2.如权利要求1所述的一种基于目标检测算法的社交距离监测方法，其特征在于，所述拍摄参数包括：镜头与地面垂线和摄像下视野线的夹角α、镜头与地面垂线和上视野线的夹角β、镜头的安装高度a和镜头焦距f。

3.如权利要求1所述的一种基于目标检测算法的社交距离监测方法，其特征在于，所述步骤四，具体为：对两个行人像素块之间的实际间距s进行间距标识，设定行人间距的黄色预警颜色阈值x1和红色预警颜色阈值x2，对比s与x1和x2，若s≥x1，则对两个行人像素块和间距标识均做绿色处理；若x2＜s＜x1，则对两个行人像素块和间距标识均做黄色处理；若s≤x2，则对两个行人像素块和间距标识均做红色处理。

4.一种基于目标检测算法的社交距离监测装置，其特征在于，包括一个或多个处理器，用于实现权利要求1至3中任一项所述的基于目标检测算法的社交距离监测方法。

5.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1至3中任一项所述的基于目标检测算法的社交距离监测方法。

Images