CN116363598A - 人群拥挤预警方法、装置、电子设备及可读存储介质 - Google Patents
人群拥挤预警方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN116363598A CN116363598A CN202310610388.6A CN202310610388A CN116363598A CN 116363598 A CN116363598 A CN 116363598A CN 202310610388 A CN202310610388 A CN 202310610388A CN 116363598 A CN116363598 A CN 116363598A
- Authority
- CN
- China
- Prior art keywords
- crowd
- image
- crowding
- early warning
- target detection
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 claims abstract description 165
- 230000004927 fusion Effects 0.000 claims abstract description 92
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims description 16
- 238000013058 risk prediction model Methods 0.000 claims description 11
- 238000000280 densification Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了人群拥挤预警方法、装置、电子设备及可读存储介质，应用于图像处理技术领域，所述人群拥挤预警方法包括：获取由不同拍摄角度拍摄的目标检测区域的至少一个初始图像，其中，各所述初始图像的拍摄时间点相同；对各所述初始图像进行融合，得到多角度融合图像；根据所述多角度融合图像，确定所述目标检测区域的区域拥挤度；在所述区域拥挤度达到预设区域拥挤度阈值时，对所述目标检测区域的区域人群进行预警。本申请解决了进行人群拥挤预警的预警准确性低的技术问题。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种人群拥挤预警方法、装置、电子设备及可读存储介质。
背景技术
随着科技的不断发展，智慧校园的建设也在稳步推进，由于校园中人流量十分巨大，而当人群聚集到一定程度时，便有可能因为过度拥挤导致踩踏事故的发生，所以，针对于校园等场景下的人群拥挤情况的检测是十分必要的。
目前，通常情况下通过在高危拥挤区域附近布置摄像头，基于摄像头拍摄的图像进行区域人群量的统计，并在区域人群量过大时通过扬声器广播或者推送预警消息等方式对区域内人群进行预警，但是，由于摄像头单一且固定，导致摄像头的拍摄角度及拍摄范围有限，进而使得拍摄的图像无法完全反映区域内的人群拥挤情况，即易出现因拍摄角度或行人身形等原因而导致人群量统计不准确，进而进行频繁预警的情况发生，所以，当前人群拥挤预警的预警准确性低。
发明内容
本申请的主要目的在于提供一种人群拥挤预警方法、装置、电子设备及可读存储介质，旨在解决现有技术中进行人群拥挤预警的预警准确性低的技术问题。
为实现上述目的，本申请提供一种人群拥挤预警方法，所述人群拥挤预警方法包括：
获取由不同拍摄角度拍摄的目标检测区域的至少一个初始图像，其中，各所述初始图像的拍摄时间点相同；
对各所述初始图像进行融合，得到多角度融合图像；
根据所述多角度融合图像，确定所述目标检测区域的区域拥挤度；
在所述区域拥挤度达到预设区域拥挤度阈值时，对所述目标检测区域的区域人群进行预警。
为实现上述目的，本申请还提供一种人群拥挤预警装置，所述人群拥挤预警装置包括：
获取模块，用于获取由不同拍摄角度拍摄的目标检测区域的至少一个初始图像，其中，各所述初始图像的拍摄时间点相同；
融合模块，用于对各所述初始图像进行融合，得到多角度融合图像；
确定模块，用于根据所述多角度融合图像，确定所述目标检测区域的区域拥挤度；
预警模块，用于在所述区域拥挤度达到预设区域拥挤度阈值时，对所述目标检测区域的区域人群进行预警。
本申请还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述人群拥挤预警方法的程序，所述人群拥挤预警方法的程序被处理器执行时可实现如上述的人群拥挤预警方法的步骤。
本申请还提供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实现人群拥挤预警方法的程序，所述人群拥挤预警方法的程序被处理器执行时实现如上述的人群拥挤预警方法的步骤。
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的人群拥挤预警方法的步骤。
本申请提供了一种人群拥挤预警方法、装置、电子设备及可读存储介质，也即，获取由不同拍摄角度拍摄的目标检测区域的至少一个初始图像，其中，各所述初始图像的拍摄时间点相同；对各所述初始图像进行融合，得到多角度融合图像；根据所述多角度融合图像，确定所述目标检测区域的区域拥挤度；在所述区域拥挤度达到预设区域拥挤度阈值时，对所述目标检测区域的区域人群进行预警。由于在进行人群拥挤预警时通过多个不同拍摄角度拍摄多张初始图像，进而由多张初始图像融合而成的多角度融合图像能够反映不同角度下的人群拥挤情况，所以通过多角度融合图像确定的区域拥挤度能够完全反映区域内的人群拥挤情况，进而在区域拥挤度超过预设区域拥挤度阈值时才对区域内人群进行预警，即可实现基于区域内精确的人群拥挤情况对区域内人群进行预警的目的，而非仅通过单一拍摄角度且固定下的摄像头拍摄的图像，进行区域内人群拥挤情况的检测并预警，所以克服了由于摄像头单一且固定，导致摄像头的拍摄角度及拍摄范围有限，进而使得拍摄的图像无法完全反映区域内的人群拥挤情况，即易出现因拍摄角度或行人身形等原因而导致人群量统计不准确，进而进行频繁预警的情况发生的技术缺陷，所以，提升了人群拥挤预警的预警准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请人群拥挤预警方法第一实施例的流程示意图；
图2为本申请人群拥挤预警方法第二实施例的流程示意图；
图3为本申请人群拥挤预警装置实施例的示意图；
图4为本申请实施例中人群拥挤预警方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面将结合本申请实施例中的附图，对本申请实施例中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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本申请保护的范围。
在本申请实施例一中，首先，应当理解的是，校园安全问题是智慧校园中不可或缺的一部分，针对于校园密集场景下的安全风险预警，首先通常会在高危区域设置摄像头或者深度相机等拍摄装置，其中，拍摄装置内置有相应的人群检测方法，例如传统的目标检测方法或者以深度学习为主导的检测方法等，传统的目标检测方法通过使用滑动窗口检测对图像进行遍历以判定是否为人脸目标，而基于深度学习的检测方法通常从输入图像直接回归求出人群数量，但是，由于摄像头或者深度相机等固定安装于某一位置，而单一视角下采集的视频或图像所包含的人群信息是有限的，所以很难准确地对人群的拥挤程度进行估计，例如，假设行人A位于行人B的左侧，而摄像头安装于行人B的右侧，受限于身高及体重等众多因素的影响，在摄像头中可能未记录到有关行人A的标注信息，所以为了更加客观地反馈区域内的人群拥挤情况，消弭错误预警情况的发生，目前亟需一种提升人群拥挤预警的预警准确性的方法。
本申请实施例提供一种人群拥挤预警方法，在本申请人群拥挤预警方法的第一实施例中，参照图1，所述人群拥挤预警方法包括：
步骤S10，获取由不同拍摄角度拍摄的目标检测区域的至少一个初始图像，其中，各所述初始图像的拍摄时间点相同；
步骤S20，对各所述初始图像进行融合，得到多角度融合图像；
步骤S30，根据所述多角度融合图像，确定所述目标检测区域的区域拥挤度；
步骤S40，在所述区域拥挤度达到预设区域拥挤度阈值时，对所述目标检测区域的区域人群进行预警。
在本实施例中，需要说明的是，虽然图1示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，人群拥挤方法应用于人群拥挤设备，人群拥挤设备具体可以为计算机或者个人PC等，目标检测区域用于表征进行人群拥挤检测的区域，具体可以为不同应用场景下的区域，例如操场、食堂、楼梯以及停车棚等，初始图像可以由部署的摄像头或者深度相机拍摄得到，其中，摄像头具体可以为红外摄像机、半球形摄像头或者一体化云台摄像机等，不同的拍摄角度具体可根据实际检测需求进行设置，例如，在一种可实施的方式中，假设所述目标检测区域为矩形区域，则可在目标检测区域的四个顶点分别部署一个摄像头，不同的摄像头均与智慧校园的信息管理总平台通信连接，摄像头可周期性地对目标检测区域进行拍摄，信息管理总平台为智慧校园的中心化信息管理系统，可整合不同摄像头硬件设备传输的图像数据，其中，由于目标检测区域内的行人易受主观因素的影响，且多个摄像头的布置是为了反馈不同视角下目标检测区域内的人群拥挤情况，进而部署的摄像头在同一时间步从不同角度对目标检测区域进行拍摄，即可规避不同时间步下拍摄的图像之间的差异而导致人群拥挤检测不准确的情况发生，所以，初始图像的拍摄时间点相同能够完全反映某一时间步下目标检测区域的人群拥挤实际情况。
另外地，需要说明的是，多角度融合图像用于表征融合多个拍摄视角下的目标检测区域的区域图像，为避免频繁拍摄目标检测区域的区域图像而导致耗费计算力及拍摄资源的情况，可基于某一主摄像头持续性地对目标检测区域进行拍摄，进而基于主摄像头拍摄预检测，先对目标检测区域的人群拥挤情况进行初步检测，并在检测到目标检测区域在具有一定人群基数的情况下，通过信息管理总平台触发相应的拍摄指令指示主摄像头和从摄像头对目标检测区域进行拍摄，从而在同一时间步获取到目标检测区域的不同拍摄角度下的初始图像，例如，在一种可实施的方式中，假设针对于目标检测区域部署两个摄像头m（主摄像头）和n（从摄像头），其中，主摄像头m每隔10秒对目标检测区域进行拍摄预检测图像，并基于常规行人检测方法对初始图像中的人群进行统计，在目标检测区域的人群量超过预设人群量阈值时，通过信息管理总平台触发图像采集指令指示摄像头m和摄像头n采集初始图像，在采集到同一拍摄时间点的初始图像后，方执行图像融合及后续步骤，其中，预设人群量阈值可根据需求自行设定，图像融合的方式具体可以为基于最大值/最小值的图像融合方法、基于像素加权平均的图像融合方法以及基于多尺度的图像融合方法等，在图像融合前需对初始图像进行图像校正、降噪及配准等图像预处理操作。
另外地，需要说明的是，在对初始图像进行融合的过程中，对于不同初始图像中的同一特征点，多角度融合图像中取其一进行留存，区域拥挤度用于表征区域的拥挤程度，为区域拥挤情况的量化体现，预设区域拥挤度阈值可根据不同场景下不同区域的区域类型进行针对性设置，例如，在一种可实施的方式中，分别设置目标检测区域“楼梯”的区域拥挤度阈值为x，以及设置目标检测区域“操场”的区域拥挤度阈值为y，其中，x＜y，其中，对目标检测区域人群进行预警的方式可以为通过与信息管理总平台的扬声器设备进行预警提醒。
作为一种示例，步骤S10至步骤S40包括：获取由部署于目标检测区域的主摄像头周期性拍摄的预检测图像，基于所述预检测图像，对所述目标检测区域的区域人群量进行预估，得到区域人群预估量，在检测到所述人群预估量大于预设人群量阈值时，向部署于所述目标检测区域的主摄像头和至少一个从摄像头发送图像采集指令，以及获取由所述主摄像头和各所述从摄像头从不同拍摄角度拍摄的目标检测区域的至少一个初始图像，其中，各所述初始图像的拍摄时间点相同；基于预设融合算法，对各所述初始图像进行融合，得到多角度融合图像；根据所述多角度融合图像，确定所述目标检测区域的区域拥挤度；检测所述区域拥挤度是否小于预设区域拥挤度阈值，若检测到所述区域拥挤度不小于所述预设区域拥挤度阈值，则获取预警设备信息，向所述预警设备信息对应的预警设备发送预警信息，以对所述目标检测区域的区域人群进行预警。
本申请实施例首先通过主摄像头对目标检测区域的人群拥挤情况进行预检测，并在预检测到目标检测区域的人群量大于预设人群量阈值后，通过信息管理总平台向主摄像头和至少一个从摄像头发起图像采集指令，从而获取到由主摄像头和多个从摄像头从多个不同角度拍摄得到的初始图像，其中，主摄像头和多个从摄像头拍摄不同角度的初始图像的时间点相同，进而通过融合多个初始图像得到多角度融合图像，并在确定出目标检测区域的区域拥挤度后，基于区域拥挤度和预设区域拥挤度阈值之间的相应关系，对目标检测区域的区域人群进行预警，从而并不是在目标检测区域周围部署了多个摄像头后，就持续性地确定目标检测区域的区域拥挤度，而是在目标检测区域有拥挤趋势的情况下再通过设置于不同位置的摄像头对区域拥挤度进行精准检测，所以，为提升对人群拥挤预警的预警准确性奠定了基础。
其中，所述根据所述多角度融合图像，确定所述目标检测区域的区域拥挤度的步骤包括：
步骤A10，对所述多角度融合图像进行密度化处理，得到多角度密度图像；
步骤A20，将所述多角度密度图像输入至人群量检测模型，通过所述人群量检测模型对所述目标检测区域的区域人群量进行检测，得到区域人群量检测结果；
步骤A30，根据所述区域人群量检测结果和所述目标检测区域的区域特征信息，计算得到所述目标检测区域的区域拥挤度。
在本实施例中，需要说明的是，人群量检测模型用于检测目标检测区域的人群量，区域人群量检测结果用于表征区域的人群量，为规避摄像头的位置限制导致的多角度融合图像存在遮挡现象，进而导致对于目标检测区域中部分小目标行人的漏检问题的发生，人群量检测模型可在现有检测模型的基础上融入通道空间注意力模块，通过该模块的注意力编码器计算特征图中的采样点和其它所有像素点之间的注意力权重，从而构建全局特征图，并且通过其与注意力解码器结合使得人群量检测模型具备全局建模能力，进而在输出检测结果时不会输出冗余的预测框，以减少噪声对目标检测区域的人群量检测的干扰，使得模型可以在缺失部分图像特征的前提下仍能准确完成检测。
另外地，需要说明的是，在得到多角度融合图像后倘若通过标注不同行人位置的像素点，难以包含目标检测区域内目标尺寸和形状信息，进而需要对多角度融合图像进行密度化处理，以得到多角度密度图像，以及通过固定的高斯核进行多角度密度图像的生成，其中，由多角度融合图像生成多角度密度图像的计算过程如下：
其中，D为所述固定高斯核，
为所述多角度融合图像的行人像素点的标记位置，N为所述多角度融合图像的标注行人个数，/>
为高斯核函数，/>
为所述多角度密度图存在的行人/>
，/>
为常数。
另外地，需要说明的是，区域特征信息用于表征区域的区域特征，例如区域倾斜度、区域长度以及区域等，由于相同行人在不同区域特征下的区域拥挤度不同，进而在确定目标检测区域的区域拥挤度时应考虑到区域特征对拥挤度的影响，例如，在一种可实施方式中，区域拥挤度的计算公式如下：
其中，M为所述区域拥挤度，N为区域人群量，
均为常数，/>
依次为所述区域倾斜度、区域长度和区域人流方向与坡度下降方向之间的夹角，S为区域面积。
作为一种示例，步骤A10至步骤A30包括：基于固定高斯核和所述多角度融合图像，生成多角度密度图像；将所述多角度密度图像输入至人群量检测模型，通过所述人群量检测模型对所述目标检测区域的区域人群量进行检测，得到区域人群量；将所述区域人群量和所述目标检测区域的区域特征信息输入预设区域拥挤度计算公式，计算得到所述目标检测区域的区域拥挤度。
其中，所述对所述多角度融合图像进行密度化处理，得到多角度密度图像的步骤包括：
步骤B10，根据所述多角度融合图像中的人群标注信息，生成人群真值密度图像；
步骤B20，在人群真值密度图像中选取第一目标行人，并根据所述第一目标行人与至少一个近邻行人之间的相邻距离，计算得到近邻极限距离；
步骤B30，根据所述近邻极限距离，将所述人群真值密度图像转换为所述多角度密度图像。
在本实施例中，需要说明的是，摄像头拍摄的图片中的行人，由于与摄像头之间的实际距离的差异，将存在过大过小的问题，以及由于图像采集存在透视效应，随着目标检测区域的规模的增大，人群图像尺度变化的变化将更加剧烈，倘若始终通过固定大小的高斯核进行多角度密度图像的生成，生成的多角度密度图像无法拟合于目标，例如，在行人目标过大时会导致在图像中靠后方的行人相互重合，所以，可通过自适应调整高斯核大小以适配于相应的区域检测场景。
另外地，需要说明的是，人群标注信息用于标注多尺度融合图像中的行人，第一目标行人可以为在多尺度融合图像中选取的任意一个行人，近邻极限距离用于表征距离第一目标行人的最近邻距离，通过近邻极限距离即可使得图像中的不同行人均可完整显示，从而确定自适应高斯核，以生成多角度密度图像。
作为一种示例，步骤B10至步骤B30包括：根据所述多角度融合图像中的人群标注信息，生成人群真值密度图像；在人群真值密度图像中选取第一目标行人，并计算所述第一目标行人与至少一个近邻行人之间的相邻距离，对各所述相邻距离进行筛选，得到近邻极限距离；将所述近邻极限距离输入预设高斯核计算公式，得到自适应高斯核，基于所述自适应高斯核将所述人群真值密度图像转换为所述多角度密度图像，其中，预设高斯核计算公式如下：
其中，
为所述自适应高斯核，/>
为权重系数，/>
为所述近邻极限距离。
其中，所述根据所述多角度融合图像，确定所述目标检测区域的区域拥挤度的步骤包括：
步骤C10，获取所述多角度融合图像中第二目标行人在预设拥挤范围内的拥挤人群总量，其中，所述拥挤人群总量为与所述第二目标行人之间的距离小于行人拥挤半径的第三目标行人的行人数之和；
步骤C20，确定所述第二目标行人与所述第三目标行人之间的实际行人距离；
步骤C30，根据所述实际行人距离对应的行人拥挤度和所述拥挤人群总量，确定所述目标检测区域的区域拥挤度。
在本实施例中，需要说明的是，在计算区域拥挤度时，也可通过多角度融合图像中的个体所反映的拥挤情况对目标检测区域的拥挤情况进行量化估算，其中，预设拥挤范围可根据需求在目标检测区域中选取得到，由于范围选取的不确定性，个体所在人群密度波动范围较大，进而可基于个体间距替代区域密度，以计算出人群密集拥挤度，其中，行人拥挤半径用于表征多角度融合图像中某一行人所在拥挤范围的绝对拥挤半径，绝对拥挤半径的计算公式如下：
其中，
为所述行人拥挤半径，/>
为所述个体所在区域面积，/>
为群体密度，m为第m个行人。
作为一种示例，步骤C10至步骤C30包括：获取所述多角度融合图像中第二目标行人在预设拥挤范围内的拥挤人群总量，其中，所述拥挤人群总量为与所述第二目标行人之间的距离小于行人拥挤半径的第三目标行人的行人数之和；确定所述第二目标行人与所述第三目标行人之间的实际行人距离；根据所述实际行人距离和第一预设拥挤度计算公式，计算得到所述第二目标行人的行人拥挤度，根据所述行人拥挤度、所述拥挤人群总量和第二预设拥挤度计算公式，计算得到所述目标检测区域的区域拥挤度。
其中，所述确定所述第二目标行人与所述第三目标行人之间的实际行人距离的具体步骤如下：
其中，
用于表征第二目标行人和第三目标行人之间的实际行人距离，/>
为所述第二目标行人的正射空间位置坐标，/>
为所述第三目标行人的正射空间位置坐标。
其中，第一预设拥挤度计算公式具体可以为：
其中，
为所述行人拥挤度。
其中，第二预设拥挤度计算公式具体可以为：
其中，
为所述区域拥挤度。
其中，所述确定所述第二目标行人与所述第三目标行人之间的实际行人距离的步骤包括：
步骤D10，获取所述目标检测区域的标定样本图像，其中，所述标定样本图像包括标定基准线；
步骤D20，将所述标定基准线在所述标定样本图像中的测量长度和所述标定基准线的实际长度之间的比值作为长度映射标准；
步骤D30，根据所述长度映射标准，对所述多角度融合图像进行映射，得到所述第二目标行人和所述第三目标行人之间的实际行人距离。
在本实施例中，需要说明的是，标定样本图像用于表征包含目标检测区域的样本图像，具体可通过部署于目标检测区域周围的摄像头拍摄得到，长度映射标准用于表征图像与实物之间进行映射的长度标准值，其中，标定样本图像中包含标定基准线，例如，在一种可实施的方式中，为规避摄像头拍摄画面时的光学图像畸变，以确保最终显示的图像与实物之间比例相符，首先对目标检测区域部署的摄像头进行初始化，进而实时扫描目标检测区域，通过标定基准线确定长度映射标准，通过长度映射标准即可确定图像中像素点之间的距离对应于实际场景下第二目标行人和第三目标行人之间的实际行人距离，其中，第二目标行人和第三目标行人为多角度融合图像中的不同行人。
作为一种示例，步骤D10至步骤D30包括：通过所述目标检测周围部署的摄像头获取所述目标检测区域的标定样本图像，其中，所述标定样本图像包括标定基准线；将所述标定基准线在所述标定样本图像中的测量长度和所述标定基准线的实际长度之间的比值作为长度映射标准；通过所述长度映射标准，对所述多角度融合图像中表征第二目标行人的像素点和表征第三目标行人的像素点进行映射，得到所述第二目标行人和第三目标行人的实际行人距离。
其中，所述对各所述初始图像进行融合，得到多角度融合图像的步骤包括：
步骤E10，在各所述初始图像中选取待融合图像；
步骤E20，根据各所述初始图像中的融合基准图像和所述待融合图像之间的特征匹配点和变换关系，对所述融合基准图像和所述待融合图像进行融合，得到融合子图像；
步骤E30，将所述融合子图像作为所述融合基准图像，并返回执行在各所述初始图像中选取待融合图像的步骤及后续步骤，直至各所述初始图像均选取完毕，得到所述多角度融合图像。
在本实施例中，需要说明的是，融合基准图像用于表征在各所述初始图像中选取的任一初始图像，待融合图像用于表征各所述初始图像中除所述融合基准图像外，等待进行图像融合的初始图像，在对多张初始图像进行融合时，倘若将多张初始图像同步融合，则可能在融合过程中导致图像信息的丢失，进而本申请实施例提供一种多阶段融合方式，在融合过程中综合考虑，以对比图像信息的缺失。
作为一种示例，步骤E10至步骤E30包括：在各所述初始图像中选取待融合图像；根据所述待融合图像和各所述初始图像中的融合基准图像之间的变换关系，对所述待融合图像和所述融合基准图像进行多尺度变换，根据所述待融合图像和所述融合基准图像之间的特征匹配点，将所述待融合图像和所述融合基准图像融合为融合子图像；将所述融合子图像作为所述融合基准图像，并返回执行在各所述初始图像中选取待融合图像的步骤及后续步骤，直至各所述初始图像均选取完毕，得到所述多角度融合图像。
本申请实施例提供了一种人群拥挤预警方法，也即，获取由不同拍摄角度拍摄的目标检测区域的至少一个初始图像，其中，各所述初始图像的拍摄时间点相同；对各所述初始图像进行融合，得到多角度融合图像；根据所述多角度融合图像，确定所述目标检测区域的区域拥挤度；在所述区域拥挤度达到预设区域拥挤度阈值时，对所述目标检测区域的区域人群进行预警。由于在进行人群拥挤预警时通过多个不同拍摄角度拍摄多张初始图像，进而由多张初始图像融合而成的多角度融合图像能够反映不同角度下的人群拥挤情况，所以通过多角度融合图像确定的区域拥挤度能够完全反映区域内的人群拥挤情况，进而在区域拥挤度超过预设区域拥挤度阈值时才对区域内人群进行预警，即可实现基于区域内精确的人群拥挤情况对区域内人群进行预警的目的，而非仅通过单一拍摄角度且固定下的摄像头拍摄的图像，进行区域内人群拥挤情况的检测并预警，所以克服了由于摄像头单一且固定，导致摄像头的拍摄角度及拍摄范围有限，进而使得拍摄的图像无法完全反映区域内的人群拥挤情况，即易出现因拍摄角度或行人身形等原因而导致人群量统计不准确，进而进行频繁预警的情况发生的技术缺陷，所以，提升了人群拥挤预警的预警准确性。
进一步地，参照图2，在本申请实施例二中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，所述在所述区域拥挤度达到预设区域拥挤度阈值时，对所述目标检测区域的区域人群进行预警的步骤包括：
步骤F10，在所述区域拥挤度达到预设区域拥挤度阈值时，获取所述目标检测区域的人群运动信息和拥挤关联信息；
步骤F20，将所述人群运动信息和所述拥挤关联信息共同输入至预设踩踏风险预测模型，通过所述预设踩踏风险预测模型对所述目标检测区域的踩踏风险进行预测，得到踩踏风险预测结果；
步骤F30，根据所述踩踏风险预测结果，对所述目标检测区域的区域人群进行预警。
在本实施例中，需要说明的是，人群运动信息和拥挤关联信息均可映射为向量，踩踏风险预测结果用于表征所述目标检测区域发生踩踏行为的风险，具体可以为踩踏风险概率值，其中，踩踏风险概率值可以为70%、80%或者90%，预先设置踩踏使用概率阈值进行踩踏行为风险的筛选流程，例如，在一种可实施的方式中，当踩踏风险概率值大于80%时，则认为所述目标检测区域存在踩踏风险，人群运动信息用于表征人群的运动情况，具体可以为人群行进速度以及人流方向等，拥挤关联信息用于表征关联于拥挤预警行为的信息，具体可以为图像拍摄时间点、区域温度和区域湿度等，预设踩踏风险预测模型用于预测目标检测区域的踩踏风险。
另外地，需要说明的是，由于区域拥挤度达到一定值后，倘若区域内人群在以较低行进速度有序运动，那么目标检测区域发生踩踏行为的概率是较低的，所以单纯通过区域拥挤度判定是否对目标检测区域进行预警，并不具备针对性，即可能存在极低概率发生踩踏行为的场景下，由于区域拥挤度过高而对区域内人群进行预警的情况，而由于踩踏行为受到人群行动速度、人流方向、拥挤时间点（上课时间段）及温度（影响拥挤人群心情）等众多因素影响，进而需要综合考虑踩踏行为发生的风险。
作为一种示例，步骤F10至步骤F40包括：在所述区域拥挤度达到预设区域拥挤度阈值时，获取所述目标检测区域的人群运动信息和拥挤关联信息；将所述人群运动信息对应的人群运动信息向量和所述拥挤关联信息对应的拥挤关联信息向量进行拼接，得到所述目标检测区域的踩踏风险功能矩阵；将所述踩踏风险功能矩阵输入至预设踩踏风险预测模型，通过所述预设踩踏风险预测模型对所述目标检测区域的踩踏风险进行预测，得到踩踏风险概率值；根据所述踩踏风险概率值和预设踩踏风险概率阈值之间的对应关系，对所述目标检测区域的区域人群进行预警。
其中，所述根据所述踩踏风险概率值和预设踩踏风险概率阈值之间的对应关系，对所述目标检测区域的区域人群进行预警的步骤具体可以为：若检测到所述踩踏风险概率值大于预设踩踏风险概率阈值，则对所述目标检测区域的区域人群进行预警，若检测到所述踩踏风险概率值不大于预设踩踏风险概率阈值，则不对所述目标检测区域的区域人群进行预警。
本申请实施例提供了一种人群拥挤预警指令判别方法，也即，在所述区域拥挤度达到预设区域拥挤度阈值时，获取所述目标检测区域的人群运动信息和拥挤关联信息；将所述人群运动信息和所述拥挤关联信息共同输入至预设踩踏风险预测模型，通过所述预设踩踏风险预测模型对所述目标检测区域的踩踏风险进行预测，得到踩踏风险预测结果；根据所述踩踏风险预测结果，对所述目标检测区域的区域人群进行预警。由于在区域拥挤度达到预设区域拥挤度阈值时，综合考虑多种踩踏行为风险因素，对目标检测区域的踩踏风险进行预测，通过充分考虑不同因素对踩踏风险发生的影响，所以为是否对目标检测区域的区域内人群进行预警提供了进一步的判定基准，所以，为提升人群拥挤预警的预警准确性奠定了基础。
本申请实施例三还提供一种人群拥挤预警装置，参照图3，所述人群拥挤预警装置包括：
获取模块101，用于获取由不同拍摄角度拍摄的目标检测区域的至少一个初始图像，其中，各所述初始图像的拍摄时间点相同；
融合模块102，用于对各所述初始图像进行融合，得到多角度融合图像；
确定模块103，用于根据所述多角度融合图像，确定所述目标检测区域的区域拥挤度；
预警模块104，用于在所述区域拥挤度达到预设区域拥挤度阈值时，对所述目标检测区域的区域人群进行预警。
可选地，所述确定模块103还用于：
对所述多角度融合图像进行密度化处理，得到多角度密度图像；
将所述多角度密度图像输入至人群量检测模型，通过所述人群量检测模型对所述目标检测区域的区域人群量进行检测，得到区域人群量检测结果；
根据所述区域人群量检测结果和所述目标检测区域的区域特征信息，计算得到所述目标检测区域的区域拥挤度。
可选地，所述确定模块104还用于：
根据所述多角度融合图像中的人群标注信息，生成人群真值密度图像；
在人群真值密度图像中选取第一目标行人，并根据所述第一目标行人与至少一个近邻行人之间的相邻距离，计算得到近邻极限距离；
根据所述近邻极限距离，将所述人群真值密度图像转换为所述多角度密度图像。
可选地，所述确定模块103还用于：
获取所述多角度融合图像中第二目标行人在预设拥挤范围内的拥挤人群总量，其中，所述拥挤人群总量为与所述第二目标行人之间的距离小于行人拥挤半径的第三目标行人的行人数之和；
确定所述第二目标行人与所述第三目标行人之间的实际行人距离；
根据所述实际行人距离对应的行人拥挤度和所述拥挤人群总量，确定所述目标检测区域的区域拥挤度。
可选地，所述确定模块103还用于：
获取所述目标检测区域的标定样本图像，其中，所述标定样本图像包括标定基准线；
将所述标定基准线在所述标定样本图像中的测量长度和所述标定基准线的实际长度之间的比值作为长度映射标准；
根据所述长度映射标准，对所述多角度融合图像进行映射，得到所述第二目标行人和所述第三目标行人之间的实际行人距离。
可选地，所述预警模块104还用于：
在所述区域拥挤度达到预设区域拥挤度阈值时，获取所述目标检测区域的人群运动信息和拥挤关联信息；
将所述人群运动信息和所述拥挤关联信息共同输入至预设踩踏风险预测模型，通过所述预设踩踏风险预测模型对所述目标检测区域的踩踏风险进行预测，得到踩踏风险预测结果；
根据所述踩踏风险预测结果，对所述目标检测区域的区域人群进行预警。
可选地，所述融合模块102还用于：
在各所述初始图像中选取待融合图像；
根据各所述初始图像中的融合基准图像和所述待融合图像之间的特征匹配点和变换关系，对所述融合基准图像和所述待融合图像进行融合，得到融合子图像；
将所述融合子图像作为所述融合基准图像，并返回执行在各所述初始图像中选取待融合图像的步骤及后续步骤，直至各所述初始图像均选取完毕，得到所述多角度融合图像。
本申请提供的人群拥挤预警装置，采用上述实施例中的人群拥挤预警方法，解决了进行人群拥挤预警的预警准确性低的技术问题。与现有技术相比，本申请实施例提供的人群拥挤预警装置的有益效果与上述实施例提供的人群拥挤预警方法的有益效果相同，且该人群拥挤预警装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
本申请实施例四提供一种电子设备，电子设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的人群拥挤预警方法。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备可以包括处理装置1001（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（ROM）1002中的程序或者从存储装置1003加载到随机访问存储器（RAM）1004中的程序而执行各种适当的动作和处理。在RAM1004中，还存储有电子设备操作所需的各种程序和数据。处理装置1001、ROM1002以及RAM1004通过总线1005彼此相连。输入/输出（I/O）接口1006也连接至总线。
通常，以下系统可以连接至I/O接口1006：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置1007；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置1008；包括例如磁带、硬盘等的存储装置1003；以及通信装置1009。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置1009从网络上被下载和安装，或者从存储装置1003被安装，或者从ROM1002被安装。在该计算机程序被处理装置1001执行时，执行本公开实施例的方法中限定的上述功能。
本申请提供的电子设备，采用上述实施例中的人群拥挤预警方法，解决了进行人群拥挤预警的预警准确性低的技术问题。与现有技术相比，本申请实施例提供的电子设备的有益效果与上述实施例提供的人群拥挤预警方法的有益效果相同，且该电子设备中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，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。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
本实施例五提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例中的人群拥挤预警方法。
本申请实施例提供的计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的；也可以是单独存在，而未装配入电子设备中。
上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被电子设备执行时，使得电子设备：获取由不同拍摄角度拍摄的目标检测区域的至少一个初始图像，其中，各所述初始图像的拍摄时间点相同；对各所述初始图像进行融合，得到多角度融合图像；根据所述多角度融合图像，确定所述目标检测区域的区域拥挤度；在所述区域拥挤度达到预设区域拥挤度阈值时，对所述目标检测区域的区域人群进行预警。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。
本申请提供的计算机可读存储介质，存储有用于执行上述人群拥挤预警方法的计算机可读程序指令，解决了进行人群拥挤预警的预警准确性低的技术问题。与现有技术相比，本申请实施例提供的计算机可读存储介质的有益效果与上述实施例提供的人群拥挤预警方法的有益效果相同，在此不做赘述。
本申请实施例六还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的人群拥挤预警方法的步骤。
本申请提供的计算机程序产品解决了进行人群拥挤预警的预警准确性低的技术问题。与现有技术相比，本申请实施例提供的计算机程序产品的有益效果与上述实施例提供的人群拥挤预警方法的有益效果相同，在此不做赘述。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围内。
Claims (10)
1.一种人群拥挤预警方法，其特征在于，所述人群拥挤预警方法包括：
获取由不同拍摄角度拍摄的目标检测区域的至少一个初始图像，其中，各所述初始图像的拍摄时间点相同；
对各所述初始图像进行融合，得到多角度融合图像；
根据所述多角度融合图像，确定所述目标检测区域的区域拥挤度；
在所述区域拥挤度达到预设区域拥挤度阈值时，对所述目标检测区域的区域人群进行预警。
2.如权利要求1所述人群拥挤预警方法，其特征在于，所述根据所述多角度融合图像，确定所述目标检测区域的区域拥挤度的步骤包括：
对所述多角度融合图像进行密度化处理，得到多角度密度图像；
将所述多角度密度图像输入至人群量检测模型，通过所述人群量检测模型对所述目标检测区域的区域人群量进行检测，得到区域人群量检测结果；
根据所述区域人群量检测结果和所述目标检测区域的区域特征信息，计算得到所述目标检测区域的区域拥挤度。
3.如权利要求2所述人群拥挤预警方法，其特征在于，所述对所述多角度融合图像进行密度化处理，得到多角度密度图像的步骤包括：
根据所述多角度融合图像中的人群标注信息，生成人群真值密度图像；
在人群真值密度图像中选取第一目标行人，并根据所述第一目标行人与至少一个近邻行人之间的相邻距离，计算得到近邻极限距离；
根据所述近邻极限距离，将所述人群真值密度图像转换为所述多角度密度图像。
4.如权利要求1所述人群拥挤预警方法，其特征在于，所述根据所述多角度融合图像，确定所述目标检测区域的区域拥挤度的步骤包括：
获取所述多角度融合图像中第二目标行人在预设拥挤范围内的拥挤人群总量，其中，所述拥挤人群总量为与所述第二目标行人之间的距离小于行人拥挤半径的第三目标行人的行人数之和；
确定所述第二目标行人与所述第三目标行人之间的实际行人距离；
根据所述实际行人距离对应的行人拥挤度和所述拥挤人群总量，确定所述目标检测区域的区域拥挤度。
5.如权利要求4所述人群拥挤预警方法，其特征在于，所述确定所述第二目标行人与所述第三目标行人之间的实际行人距离的步骤包括：
获取所述目标检测区域的标定样本图像，其中，所述标定样本图像包括标定基准线；
将所述标定基准线在所述标定样本图像中的测量长度和所述标定基准线的实际长度之间的比值作为长度映射标准；
根据所述长度映射标准，对所述多角度融合图像进行映射，得到所述第二目标行人和所述第三目标行人之间的实际行人距离。
6.如权利要求5所述人群拥挤预警方法，其特征在于，所述在所述区域拥挤度达到预设区域拥挤度阈值时，对所述目标检测区域的区域人群进行预警的步骤包括：
在所述区域拥挤度达到预设区域拥挤度阈值时，获取所述目标检测区域的人群运动信息和拥挤关联信息；
将所述人群运动信息和所述拥挤关联信息共同输入至预设踩踏风险预测模型，通过所述预设踩踏风险预测模型对所述目标检测区域的踩踏风险进行预测，得到踩踏风险预测结果；
根据所述踩踏风险预测结果，对所述目标检测区域的区域人群进行预警。
7.如权利要求6所述人群拥挤预警方法，其特征在于，所述对各所述初始图像进行融合，得到多角度融合图像的步骤包括：
在各所述初始图像中选取待融合图像；
根据各所述初始图像中的融合基准图像和所述待融合图像之间的特征匹配点和变换关系，对所述融合基准图像和所述待融合图像进行融合，得到融合子图像；
将所述融合子图像作为所述融合基准图像，并返回执行在各所述初始图像中选取待融合图像的步骤及后续步骤，直至各所述初始图像均选取完毕，得到所述多角度融合图像。
8.一种人群拥挤预警装置，其特征在于，所述人群拥挤预警装置包括：
获取模块，用于获取由不同拍摄角度拍摄的目标检测区域的至少一个初始图像，其中，各所述初始图像的拍摄时间点相同；
融合模块，用于对各所述初始图像进行融合，得到多角度融合图像；
确定模块，用于根据所述多角度融合图像，确定所述目标检测区域的区域拥挤度；
预警模块，用于在所述区域拥挤度达到预设区域拥挤度阈值时，对所述目标检测区域的区域人群进行预警。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一项所述的人群拥挤预警方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有实现人群拥挤预警方法的程序，所述实现人群拥挤预警方法的程序被处理器执行以实现如权利要求1至7中任一项所述人群拥挤预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310610388.6A CN116363598A (zh) | 2023-05-29 | 2023-05-29 | 人群拥挤预警方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310610388.6A CN116363598A (zh) | 2023-05-29 | 2023-05-29 | 人群拥挤预警方法、装置、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116363598A true CN116363598A (zh) | 2023-06-30 |
Family
ID=86922426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310610388.6A Pending CN116363598A (zh) | 2023-05-29 | 2023-05-29 | 人群拥挤预警方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116363598A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118230242A (zh) * | 2024-03-26 | 2024-06-21 | 北京数原数字化城市研究中心 | 人群拥挤检测方法及相关设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200074186A1 (en) * | 2018-08-28 | 2020-03-05 | Beihang University | Dense crowd counting method and apparatus |
| US20200387718A1 (en) * | 2019-06-10 | 2020-12-10 | City University Of Hong Kong | System and method for counting objects |
| CN112396587A (zh) * | 2020-11-20 | 2021-02-23 | 重庆大学 | 一种基于协同训练和密度图的公交车厢内拥挤度检测方法 |
| CN113221856A (zh) * | 2021-06-11 | 2021-08-06 | 石家庄铁道大学 | 人群拥挤危险度检测方法、装置及设备 |
| US20210312192A1 (en) * | 2019-11-27 | 2021-10-07 | Shenzhen Sensetime Technology Co., Ltd. | Method and device for image processing and storage medium |
| CN113870300A (zh) * | 2020-06-29 | 2021-12-31 | 北京迈格威科技有限公司 | 图像处理方法、装置、电子设备及可读存储介质 |
| EP4033399A1 (fr) * | 2021-01-25 | 2022-07-27 | Bull Sas | Dispositif informatique et procédé pour l'estimation de la densité d'une foule |
| CN114973146A (zh) * | 2022-06-21 | 2022-08-30 | 长沙海信智能系统研究院有限公司 | 车厢拥挤度检测方法、装置及电子设备 |
| CN115240133A (zh) * | 2022-06-29 | 2022-10-25 | 张维忠 | 一种公交车拥挤度分析方法、装置和设备 |
-
2023
- 2023-05-29 CN CN202310610388.6A patent/CN116363598A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200074186A1 (en) * | 2018-08-28 | 2020-03-05 | Beihang University | Dense crowd counting method and apparatus |
| US20200387718A1 (en) * | 2019-06-10 | 2020-12-10 | City University Of Hong Kong | System and method for counting objects |
| US20210312192A1 (en) * | 2019-11-27 | 2021-10-07 | Shenzhen Sensetime Technology Co., Ltd. | Method and device for image processing and storage medium |
| CN113870300A (zh) * | 2020-06-29 | 2021-12-31 | 北京迈格威科技有限公司 | 图像处理方法、装置、电子设备及可读存储介质 |
| CN112396587A (zh) * | 2020-11-20 | 2021-02-23 | 重庆大学 | 一种基于协同训练和密度图的公交车厢内拥挤度检测方法 |
| EP4033399A1 (fr) * | 2021-01-25 | 2022-07-27 | Bull Sas | Dispositif informatique et procédé pour l'estimation de la densité d'une foule |
| CN113221856A (zh) * | 2021-06-11 | 2021-08-06 | 石家庄铁道大学 | 人群拥挤危险度检测方法、装置及设备 |
| CN114973146A (zh) * | 2022-06-21 | 2022-08-30 | 长沙海信智能系统研究院有限公司 | 车厢拥挤度检测方法、装置及电子设备 |
| CN115240133A (zh) * | 2022-06-29 | 2022-10-25 | 张维忠 | 一种公交车拥挤度分析方法、装置和设备 |
Non-Patent Citations (1)
| Title |
|---|
| 吕伟 等: "人群聚集拥挤度的量化表征方法", 《中国安全生产科学技术》, vol. 19, no. 1, pages 3 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118230242A (zh) * | 2024-03-26 | 2024-06-21 | 北京数原数字化城市研究中心 | 人群拥挤检测方法及相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10964054B2 (en) | Method and device for positioning | |
| US9367921B2 (en) | Determining object volume from mobile device images | |
| US20180232583A1 (en) | Systems for generating parking maps and methods thereof | |
| US9710924B2 (en) | Field of view determiner | |
| WO2018107910A1 (zh) | 一种全景视频融合方法及装置 | |
| US20160350921A1 (en) | Automatic camera calibration | |
| JP6261815B1 (ja) | 群集監視装置、および、群集監視システム | |
| CN104103030B (zh) | 图像分析方法、照相机装置、控制装置及控制方法 | |
| CN109211277B (zh) | 视觉惯性里程计的状态确定方法、装置和电子设备 | |
| CN112166459A (zh) | 基于多相机卷积器系统的三维环境建模 | |
| CN107408303A (zh) | 用于对象跟踪的系统和方法 | |
| CN112712023B (zh) | 车型识别方法、系统及电子设备 | |
| EP2570992A1 (en) | Image processing apparatus, image processing method, and program | |
| CN109978753B (zh) | 绘制全景热力图的方法和装置 | |
| KR20210093194A (ko) | 차량의 차로변경을 탐지하는 방법과 장치, 전자 기기, 저장 장치, 노변 기기, 클라우드 제어 플랫폼 및 프로그램 제품 | |
| CN113505643B (zh) | 违章目标物检测方法及相关装置 | |
| CN116363598A (zh) | 人群拥挤预警方法、装置、电子设备及可读存储介质 | |
| CA3069813C (en) | Capturing, connecting and using building interior data from mobile devices | |
| CN116990830B (zh) | 基于双目和tof的距离定位方法、装置、电子设备及介质 | |
| CN111780744B (zh) | 移动机器人混合导航方法、设备及存储装置 | |
| JP2009110185A (ja) | 通行人行動解析装置及び通行人行動解析方法並びにそのプログラム | |
| CN114119692A (zh) | 一种刚性物体几何信息恢复方法、装置及存储介质 | |
| Min et al. | Non-contact and real-time dynamic displacement monitoring using smartphone technologies | |
| CN113344906B (zh) | 车路协同中相机评估方法、装置、路侧设备和云控平台 | |
| CN111899242B (zh) | 基于多源信号的侵限检测方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230630 |
|
| RJ01 | Rejection of invention patent application after publication |