CN116071696A - 一种基于YOLOv7的楼宇楼梯拥挤检测方法及装置 - Google Patents

一种基于YOLOv7的楼宇楼梯拥挤检测方法及装置 Download PDF

Info

Publication number
CN116071696A
CN116071696A CN202211477327.9A CN202211477327A CN116071696A CN 116071696 A CN116071696 A CN 116071696A CN 202211477327 A CN202211477327 A CN 202211477327A CN 116071696 A CN116071696 A CN 116071696A
Authority
CN
China
Prior art keywords
building
data set
stairs
area
yolov7
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.)
Pending
Application number
CN202211477327.9A
Other languages
English (en)
Inventor
孙剑
陈莹
刘畅
周慰
武杨
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.)
Zhongtong Hexin Technology Co ltd
Original Assignee
Zhongtong Hexin Technology Co ltd
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 Zhongtong Hexin Technology Co ltd filed Critical Zhongtong Hexin Technology Co ltd
Priority to CN202211477327.9A priority Critical patent/CN116071696A/zh
Publication of CN116071696A publication Critical patent/CN116071696A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning 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
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于YOLOv7的楼宇楼梯拥挤检测方法及装置，涉及目标检测技术领域，该方法包括：对数据集进行预处理；建立YOLOv7网络模型，利用数据集对所述YOLOv7目标检测框架进行训练；通过采集装置获取楼梯视频；运用JavaScript+SVG技术通过鼠标在楼宇楼梯视频监控画面上标记多个点位，围成需要进行拥挤检测的区域，并计算拥挤检测区域面积；对所述楼宇楼梯监控视频逐帧读取为目标图片，利用生成的权重文件对目标图片进行人群检测，获取每个人的坐标；根据坐标计算出楼宇楼梯人群密度；当楼梯人群密度超出设定阈值时，判定为拥挤，通过预警装置进行预警并实时反馈给楼宇管理人员；本发明能通过楼宇监控视频实时监控楼梯中的人群密度，楼梯人群拥挤时发出警示信号，防止因楼梯人群拥挤所带来的潜在危机。

Description

一种基于YOLOv7的楼宇楼梯拥挤检测方法及装置
技术领域
本发明涉及目标检测技术领域，具体是一种基于YOLOv7的楼宇楼梯拥挤检测方法及装置。
背景技术
公知的，中、小学生天性爱动，中、小学生也是在嬉戏打闹中成长的，由于中、小学生对安全的警惕性不高，国内经常发生学生踩踏事故；踩踏事故的地点多集中在楼梯上；事故发生时学生挤在楼梯上，人越来越多，当前排学生摔倒后，后排学生蜂拥而至，事故惨剧便会发生；一旦事故发生便会造成多人罹难和多人受伤；同时，在政府及企业的应急场景中，也存在楼梯拥挤发生事故的隐患。因此，对楼梯拥挤的检测十分有必要。
经检索，中国专利号CN201721496683.X和CN201910687243.X分别公开了一种防止通道过往人员拥挤的报警装置和一种校园教学楼楼梯用防踩踏装置，该两项发明虽然能在一定程度上减轻踩踏事故造成的后果，但造价高昂；为此，我们提出一种基于YOLOv7的楼宇楼梯拥挤检测方法及装置。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于YOLOv7的楼宇楼梯拥挤检测方法及装置。
为实现上述目的，根据本发明的第一方面的实施例提出一种基于YOLOv7的楼宇楼梯拥挤检测方法，包括如下步骤：
步骤1、对楼宇楼梯拥挤检测方法的数据集进行预处理，并对数据集进行图像增强扩容处理，所述数据集包括训练集和测试集；
步骤2、建立YOLOv7网络模型，利用数据集对所述YOLOv7目标检测框架进行训练，并保存训练过程中检测准确率最高时的权重参数，得到权重文件；
步骤3、通过采集装置获取楼梯视频，其中采集装置包括多个楼宇监控摄像头；监控摄像头可旋转方向，用于多方位采集楼宇楼梯的视频；
步骤4、运用JavaScript+SVG技术实现鼠标在楼宇楼梯视频上标记多个点位围成需要进行拥挤检测区域，并调用OpenCV库contourArea函数计算拥挤检测区域面积；
步骤5、对楼宇楼梯监控视频逐帧读取为目标图片，利用所述步骤2生成的权重文件对目标图片进行人群检测，获取每个人的识别框坐标；
步骤6、根据坐标计算出楼梯人群密度；当楼梯人群密度超出设定阈值时，则判定为拥挤，通过预警装置进行预警，并实时反馈给楼宇管理人员。
进一步地，所述步骤1包括：
步骤1.1、将数据集从随机位置裁剪原始图像大小的1/4作为补充数据集；
步骤1.2、将数据集中的原始图像从6个角度翻转作为补充数据集；
步骤1.3、将数据集中的原始图像随机缩放成不同尺寸作为补充数据集；
步骤1.4、将数据集中的原始图像进行噪声添加作为补充数据集。
进一步地，所述步骤2包括：
步骤2.1、通过自行采集的数据集基于YOLOv7的预训练模型进行训练；
步骤2.2、对输入的图片进行处理，对齐成640*640大小的RGB图片；
步骤2.3、将处理好的图片输入到backbone网络中，经由backbone网络中的三层输出；所述backbone网络总共有51层，由4个BConv层、4个E-ELAN层以及3个MPConv层组成，每一个MP有5层，ELAN有8层；其中BConv层由卷积层+BN层+SiLU组成，SiLU为激活函数；E-ELAN层是由不同的卷积拼接而成；
步骤2.4、在head层通过backbone网络继续输出三层不同size大小的featuremap；整个head层通过SPPCPC层、若干BConv层、若干MPConv层、若干Catconv层以及后续输出三个head的RepVGG block层组成。
进一步地，所述步骤4包括：
步骤4.1、运用JavaScript+SVG开发一个可覆盖在视频图像上层的图形绘制组件。通过Web前端HTML5组件中监听鼠标事件获取点位的坐标，计算出坐标相对于图像的位置信息，使用获取到的位置信息构建出SVG图像实时显示至视频图形上层，标记后的点可删除。最终通过组件提供的接口获取到所有点位相对于图像的百分比信息；
步骤4.2、对所有点位相对于图像的百分比信息调用OpenCV库中的contourArea函数计算拥挤检测区域面积，contourArea函数使用的是格林公式计算轮廓内面积，公式如下：
Figure BDA0003959786650000031
其中L是D的取正向的边界曲线。
进一步地，所述步骤5包括：
步骤5.1、将不同数据源的楼宇楼梯监控视频逐帧导出为指定格式的目标图片；
步骤5.2、利用所述步骤2生成的权重文件对目标图片进行人群检测，在目标图片上标注每个人的识别框，并输出每个识别框的坐标。
进一步地，所述步骤6包括：
步骤6.1、根据识别框的坐标计算得到人群密度；人群密度计算公式如下：
Figure BDA0003959786650000041
其中，P表示人群密度，
Figure BDA0003959786650000042
表示所有人识别框的面积，xmin，ymin指矩形左下顶点坐标，xmax，ymax是指矩形右上顶点坐标；Areaimg指步骤4中拥挤检测区域面积，Area∩指识别框交集部分面积；
其中，Area∩计算公式如下：
Figure BDA0003959786650000043
gxmin，gymin指矩形g的左下坐标，gxmax，gymax指矩形g的右上坐标，pxmin，pymin指矩形p的左下坐标，pxmax，pymax指矩形p的右上坐标；
步骤6.2、设定楼梯最多容纳人群密度阈值，如果楼宇楼梯人群密度P超出设定阈值，则判定为楼宇楼梯拥挤，通过预警装置进行预警，并实时反馈给楼宇管理人员。其中，预警装置是指声光报警器；
步骤6.3、如果楼宇楼梯人群密度小于最多容纳人数阈值，则楼宇楼梯拥挤程度正常，不进行提示。
进一步地，一种基于YOLOv7的楼宇楼梯拥挤检测装置，包括采集装置、预警装置、处理器、存储器以及存储在存储器中的计算机程序；所述处理器执行计算机程序时执行上述的一种基于YOLOv7的楼宇楼梯拥挤检测方法。
与现有技术相比，本发明的有益效果是：
本发明通过对楼宇楼梯拥挤检测方法的数据集进行预处理，并对数据集进行图像增强扩容处理；建立YOLOv7网络模型，利用数据集对所述YOLOv7目标检测框架进行训练，并保存训练过程中检测准确率最高时的权重参数，得到权重文件；运用JavaScript+SVG技术实现鼠标在楼宇楼梯视频上标记多个点位围成需要进行拥挤检测区域，并计算拥挤检测区域面积；通过采集装置获取楼梯视频；对所述楼宇楼梯监控视频逐帧读取为目标图片，利用生成的权重文件对目标图片进行人群检测，获取每个人的坐标；根据坐标计算出楼宇楼梯人群密度；当楼梯人群密度超出设定阈值时，判定为拥挤，通过预警装置进行预警并实时反馈给楼宇管理人员；防止因人群密度过大或人数太多所带来的潜在危机。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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为本发明一种基于YOLOv7的楼宇楼梯拥挤检测方法的原理框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。
如图1所示，一种基于YOLOv7的楼宇楼梯拥挤检测方法，包括如下步骤：
步骤1、对楼宇楼梯拥挤检测方法的数据集进行预处理，并对数据集进行图像增强扩容处理，所述数据集包括训练集和测试集；具体为：
步骤1.1、将数据集从随机位置裁剪原始图像大小的1/4作为补充数据集；
步骤1.2、将数据集中的原始图像从6个角度翻转作为补充数据集；
步骤1.3、将数据集中的原始图像随机缩放成不同尺寸作为补充数据集；
步骤1.4、将数据集中的原始图像进行噪声添加作为补充数据集；
步骤2、建立YOLOv7网络模型，利用数据集对所述YOLOv7目标检测框架进行训练，并保存训练过程中检测准确率最高时的权重参数，得到权重文件；具体包括：
步骤2.1、通过自行采集的数据集基于YOLOv7的预训练模型进行训练；
步骤2.2、对输入的图片进行处理，对齐成640*640大小的RGB图片；
步骤2.3、将处理好的图片输入到backbone网络中，经由backbone网络中的三层输出；所述backbone网络总共有51层，由4个BConv层、4个E-ELAN层以及3个MPConv层组成，每一个MP有5层，ELAN有8层；其中BConv层由卷积层+BN层+SiLU组成，SiLU为激活函数；E-ELAN层是由不同的卷积拼接而成；
步骤2.4、在head层通过backbone网络继续输出三层不同size大小的featuremap；整个head层通过SPPCPC层、若干BConv层、若干MPConv层、若干Catconv层以及后续输出三个head的RepVGG block层组成；
步骤3、通过采集装置获取楼梯视频，其中采集装置包括多个楼宇监控摄像头；监控摄像头可旋转方向，用于多方位采集楼宇楼梯的视频；
步骤4、运用JavaScript+SVG技术实现鼠标在楼宇楼梯视频上标记多个点位围成需要进行拥挤检测区域，并调用OpenCV库中的contourArea函数计算拥挤检测区域面积；
步骤4.1、运用JavaScript+SVG开发一个可覆盖在视频图像上层的图形绘制组件。通过Web前端HTML5组件中监听鼠标事件获取点位的坐标，计算出坐标相对于图像的位置信息，使用获取到的位置信息构建出SVG图像实时显示至视频图形上层，标记后的点可删除。最终通过组件提供的接口获取到所有点位相对于图像的百分比信息；
步骤4.2、对所有点位相对于图像的百分比信息调用OpenCV库中的contourArea函数计算拥挤检测区域面积，contourArea函数使用的是格林公式计算轮廓内面积，公式如下：
Figure BDA0003959786650000071
其中L是D的取正向的边界曲线。
步骤5、对楼宇楼梯监控视频逐帧读取为目标图片，利用所述步骤2生成的权重文件对目标图片进行人群检测，获取每个人的识别框坐标；具体包括：
步骤5.1、将不同数据源的楼宇楼梯监控视频逐帧导出为指定格式的目标图片；
步骤5.2、利用所述步骤2生成的权重文件对目标图片进行人群检测，在目标图片上标注每个人的识别框，并输出每个识别框的坐标；
步骤6、根据坐标计算出楼梯人群密度；当楼梯人群密度超出设定阈值时，则判定为拥挤，通过预警装置进行预警，并实时反馈给楼宇管理人员；
所述步骤6包括：
步骤6.1、根据识别框的坐标计算得到人群密度；人群密度计算公式如下：
Figure BDA0003959786650000072
其中，P表示人群密度，
Figure BDA0003959786650000073
表示所有人识别框的面积，xmin，ymin指矩形左下顶点坐标，xmax，ymax是指矩形右上顶点坐标；Areaimg指步骤4中拥挤检测区域面积，Area∩指识别框交集部分面积；
其中，Area∩计算公式如下：
Figure BDA0003959786650000081
gxmin，gymin指矩形g的左下坐标，gxmax，gymax指矩形g的右上坐标，pxmin，pymin指矩形p的左下坐标，pxmax，pymax指矩形p的右上坐标；
步骤6.2、设定楼梯最多容纳人群密度阈值，如果楼宇楼梯人群密度P超出设定阈值，则判定为楼宇楼梯拥挤，通过预警装置进行预警，并实时反馈给楼宇管理人员。其中，预警装置是指声光报警器；
步骤6.3、如果楼宇楼梯人群密度小于最多容纳人数阈值，则楼宇楼梯拥挤程度正常，不进行提示。
一种基于YOLOv7的楼宇楼梯拥挤检测装置，包括采集装置、预警装置、处理器、存储器以及存储在存储器中的计算机程序；所述处理器执行计算机程序时执行上述一种基于YOLOv7的楼宇楼梯拥挤检测方法。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理：
一种基于YOLOv7的楼宇楼梯拥挤检测方法及装置，在工作时，首先对楼宇楼梯拥挤检测方法的数据集进行预处理，并对数据集进行图像增强扩容处理；建立YOLOv7网络模型，利用数据集对所述YOLOv7目标检测框架进行训练，并保存训练过程中检测准确率最高时的权重参数，得到权重文件；运用JavaScript+SVG技术实现鼠标在楼宇楼梯视频上标记多个点位围成需要进行拥挤检测区域，并计算拥挤检测区域面积；通过采集装置获取楼梯视频；对所述楼宇楼梯监控视频逐帧读取为目标图片，利用生成的权重文件对目标图片进行人群检测，获取每个人的坐标；根据坐标计算出楼宇楼梯人群密度；当楼梯人群密度超出设定阈值时，判定为拥挤，通过预警装置进行预警并实时反馈给楼宇管理人员；本发明能通过楼宇监控视频实时监控楼梯中的人群密度，人群密度过大时发出警示信号，防止因人群密度过大或人数太多所带来的潜在危机。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (7)

1.一种基于YOLOv7的楼宇楼梯拥挤检测方法，其特征在于，包括如下步骤：
步骤1、对楼宇楼梯拥挤检测方法的数据集进行预处理，并对数据集进行图像增强扩容处理，所述数据集包括训练集和测试集；
步骤2、建立YOLOv7网络模型，利用数据集对所述YOLOv7目标检测框架进行训练，并保存训练过程中检测准确率最高时的权重参数，得到权重文件；
步骤3、通过采集装置获取楼宇楼梯视频，其中采集装置包括多个楼宇监控摄像头；监控摄像头可旋转方向，用于多方位采集楼宇楼梯的视频；
步骤4、运用JavaScript+SVG技术通过鼠标在楼宇楼梯视频监控画面上标记多个点位，围成需要进行拥挤检测的区域，并调用OpenCV库contourArea函数计算拥挤检测区域面积；
步骤5、对楼宇楼梯监控视频逐帧读取为目标图片，利用所述步骤2生成的权重文件对目标图片进行人群检测，获取每个人的识别框坐标；
步骤6、根据坐标计算出楼梯人群密度；当楼梯人群密度超出设定阈值时，则判定为拥挤，通过预警装置进行预警，并实时反馈给楼宇管理人员。
2.根据权利要求1所述的一种基于YOLOv7的楼宇楼梯拥挤检测方法，其特征在于，所述步骤1包括：
步骤1.1、将数据集从随机位置裁剪原始图像大小的1/4作为补充数据集；
步骤1.2、将数据集中的原始图像从6个角度翻转作为补充数据集；
步骤1.3、将数据集中的原始图像随机缩放成不同尺寸作为补充数据集；
步骤1.4、将数据集中的原始图像进行噪声添加作为补充数据集。
3.根据权利要求2所述的一种基于YOLOv7的楼宇楼梯拥挤检测方法，其特征在于，所述步骤2包括：
步骤2.1、通过自行采集的数据集基于YOLOv7的预训练模型进行训练；
步骤2.2、对输入的图片进行处理，对齐成640*640大小的RGB图片；
步骤2.3、将处理好的图片输入到backbone网络中，经由backbone网络中的三层输出；所述backbone网络总共有51层，由4个BConv层、4个E-ELAN层以及3个MPConv层组成，每一个MP有5层，ELAN有8层；其中BConv层由卷积层+BN层+SiLU组成，SiLU为激活函数；E-ELAN层是由不同的卷积拼接而成；
步骤2.4、在head层通过backbone网络继续输出三层不同size大小的feature map；整个head层通过SPPCPC层、若干BConv层、若干MPConv层、若干Catconv层以及后续输出三个head的RepVGG block层组成。
4.根据权利要求3所述的一种基于YOLOv7的楼宇楼梯拥挤检测方法，其特征在于，所述步骤4包括：
步骤4.1、运用JavaScript+SVG开发一个可覆盖在视频图像上层的图形绘制组件；通过Web前端HTML5组件中监听鼠标事件获取点位的坐标，计算出坐标相对于图像的位置信息，使用获取到的位置信息构建出SVG图像实时显示至视频图形上层，标记后的点可删除；最终通过组件提供的接口获取到所有点位相对于图像的百分比信息；
步骤4.2、对所有点位相对于图像的百分比信息调用OpenCV库中的contourArea函数计算拥挤检测区域面积，contourArea函数使用的是格林公式计算轮廓内面积，公式如下：
Figure FDA0003959786640000021
其中L是D的取正向的边界曲线。
5.根据权利要求3所述的一种基于YOLOv7的楼宇楼梯拥挤检测方法，其特征在于，所述步骤5包括：
步骤5.1、将不同数据源的楼宇楼梯监控视频逐帧导出为指定格式的目标图片；
步骤5.2、利用所述步骤2生成的权重文件对目标图片进行人群检测，在目标图片上标注每个人的识别框，并输出每个识别框的坐标。
6.根据权利要求4所述的一种基于YOLOv7的楼宇楼梯拥挤检测方法，其特征在于，所述步骤6包括：
步骤6.1、根据识别框的坐标计算得到人群密度；人群密度计算公式如下：
Figure FDA0003959786640000031
其中，P表示人群密度，
Figure FDA0003959786640000032
表示所有人识别框的面积，xmin，ymin指矩形左下顶点坐标，xmax，ymax是指矩形右上顶点坐标；Areaimg指步骤4中拥挤检测区域面积，Area∩指识别框交集部分面积；
其中，Area∩计算公式如下：
Figure FDA0003959786640000033
gxmin，gymin指矩形g的左下坐标，gxmax，gymax指矩形g的右上坐标，pxmin，pymin指矩形p的左下坐标，pxmax，pymax指矩形p的右上坐标；
步骤6.2、设定楼梯最多容纳人群密度阈值，如果楼宇楼梯人群密度P超出设定阈值，则判定为楼宇楼梯拥挤，通过预警装置进行预警，并实时反馈给楼宇管理人员。其中，预警装置是指声光报警器；
步骤6.3、如果楼宇楼梯人群密度小于最多容纳人数阈值，则楼宇楼梯拥挤程度正常，不进行提示。
7.一种基于YOLOv7的楼宇楼梯拥挤检测装置，其特征在于，包括采集装置、预警装置、处理器、存储器以及存储在存储器中的计算机程序；
所述处理器执行计算机程序时执行如权利要求1-6任一所述的一种基于YOLOv7的楼宇楼梯拥挤检测方法。
CN202211477327.9A 2022-11-23 2022-11-23 一种基于YOLOv7的楼宇楼梯拥挤检测方法及装置 Pending CN116071696A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211477327.9A CN116071696A (zh) 2022-11-23 2022-11-23 一种基于YOLOv7的楼宇楼梯拥挤检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211477327.9A CN116071696A (zh) 2022-11-23 2022-11-23 一种基于YOLOv7的楼宇楼梯拥挤检测方法及装置

Publications (1)

Publication Number Publication Date
CN116071696A true CN116071696A (zh) 2023-05-05

Family

ID=86182885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211477327.9A Pending CN116071696A (zh) 2022-11-23 2022-11-23 一种基于YOLOv7的楼宇楼梯拥挤检测方法及装置

Country Status (1)

Country Link
CN (1) CN116071696A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116229376A (zh) * 2023-05-06 2023-06-06 山东易视智能科技有限公司 一种人群预警方法、计数系统、计算设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116229376A (zh) * 2023-05-06 2023-06-06 山东易视智能科技有限公司 一种人群预警方法、计数系统、计算设备及存储介质
CN116229376B (zh) * 2023-05-06 2023-08-04 山东易视智能科技有限公司 一种人群预警方法、计数系统、计算设备及存储介质

Similar Documents

Publication Publication Date Title
CN109670441B (zh) 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质
CN112819068B (zh) 一种基于深度学习的船舶作业违章行为实时侦测方法
CN112216049A (zh) 一种基于图像识别的施工警戒区监测预警系统及方法
CN114241298A (zh) 一种激光雷达和图像融合的塔吊环境目标检测方法及系统
CN111860160A (zh) 一种室内检测口罩佩戴的方法
CN102122390A (zh) 基于深度图像进行人体检测的方法
WO2022222766A1 (zh) 语义分割的人脸完整度度量方法、系统、设备及存储介质
CN109508576B (zh) 一种异常驾驶行为检测方法、装置及电子设备
CN113076683A (zh) 用于变电站行为监测的卷积神经网络模型的建模方法
CN112184773A (zh) 一种基于深度学习的安全帽佩戴检测方法及系统
CN111488827A (zh) 一种基于多尺度特征信息的人群计数方法及系统
CN116071696A (zh) 一种基于YOLOv7的楼宇楼梯拥挤检测方法及装置
CN111738336A (zh) 基于多尺度特征融合的图像检测方法
CN113449675B (zh) 一种煤矿人员越界检测方法
CN110557628A (zh) 一种检测摄像头遮挡的方法、装置及电子设备
CN112685812A (zh) 一种动态监管方法、装置、设备及存储介质
CN112711996A (zh) 一种用于消防通道占用检测的系统
CN114140745A (zh) 施工现场人员属性检测方法、系统、装置及介质
CN117726991B (zh) 一种高空吊篮安全带检测方法及终端
CN116259002A (zh) 一种基于视频的人体危险行为分析方法
CN113887372A (zh) 目标聚集检测方法及计算机可读存储介质
CN113052140A (zh) 一种基于视频的变电站人员车辆违规检测方法及系统
CN116503911A (zh) 一种结合语义分割的室内实时摔倒检测算法
CN112598738B (zh) 一种基于深度学习的人物定位方法
CN112101134B (zh) 物体的检测方法及装置、电子设备和存储介质

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