CN116758488B - 场馆人群定位方法、装置、设备及介质 - Google Patents
场馆人群定位方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116758488B CN116758488B CN202311031772.7A CN202311031772A CN116758488B CN 116758488 B CN116758488 B CN 116758488B CN 202311031772 A CN202311031772 A CN 202311031772A CN 116758488 B CN116758488 B CN 116758488B
- Authority
- CN
- China
- Prior art keywords
- crowd
- intensive
- target
- grid
- processed
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 67
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000004378 air conditioning Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 16
- 238000012545 processing Methods 0.000 abstract description 14
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000007726 management method Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30244—Camera pose
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能及数据处理技术领域，提供一种场馆人群定位方法、装置、设备及介质，能够以BIM模型为基础创建目标场馆的三维空间模型，统一了场馆世界坐标系；基于人头检测模型识别待处理图像中的人群及人群所在的待处理区域，并利用递归网格划分算法对待处理区域进行网格划分得到人群密集区域，进而结合图像处理及分析技术准确获取到人群密集区域；根据图像采集装置的数量针对性选择不同的测距算法得到目标人群密集中心点，不仅提高了对人群密集中心点定位的准确性，且能够有效适用于场馆环境下实时、高精度的人群定位问题。
Description
技术领域
本发明涉及人工智能及数据处理技术领域，尤其涉及一种场馆人群定位方法、装置、设备及介质。
背景技术
场馆是一种提供公共空间以便向观众展出各类内容的服务空间，场馆中是否存在人群、人群的数量以及人群在场馆中的空间位置等数据，都是对场馆进行日常管理时所需要的实时获取的数据。
但是，现有技术中，在采集场馆内的各项数据时，还存在以下几点问题：目前常见的人群数量统计和定位方式，通常是基于监控视频流的图像分析技术，如使用物体检测和跟踪技术进行人头计数等。但这些方法只能提供人群数量的粗略估计，而无法精确定位到人群密集区的位置。因此，对于需要实时获取人群数量和位置信息的应用场景（如对大型场馆的管理）来说，这是一个重要的缺陷。
基于上述问题和缺点，限制了现有技术在大型场馆管理等应用场景下的效果和范围。
发明内容
鉴于以上内容，有必要提供一种场馆人群定位方法、装置、设备及介质，旨在解决场馆内人群定位不准确，且实施难度高的问题。
一种场馆人群定位方法，所述场馆人群定位方法包括：
以BIM模型为基础创建目标场馆的三维空间模型，得到所述目标场馆的世界坐标系；
利用所述目标场馆内部署的图像采集装置实时捕获所述目标场馆内的监控画面作为待处理图像；其中，所述图像采集装置以所述世界坐标系进行标定；
利用人头检测模型识别所述待处理图像中的人群，并获取所述人群在所述世界坐标系中的区域范围作为待处理区域；
利用递归网格划分算法对所述待处理区域进行网格划分得到人群密集区域，并记录划分后得到的每个网格的像素数据；
根据记录的所述人群密集区域的像素数据计算所述人群密集区域的初始人群密集中心点；
确定所述图像采集装置的数量，并根据所述图像采集装置的数量选择测距算法；
基于选择的测距算法对所述初始人群密集中心点进行调整，得到目标人群密集中心点；
整合所述目标场馆的世界坐标系、所述待处理图像、所述待处理区域、每个网格的像素数据、所述人群密集区域、所述目标人群密集中心点得到所述目标场馆的人群数据，并将所述人群数据加密存储至配置数据库。
根据本发明优选实施例，所述利用人头检测模型识别所述待处理图像中的人群包括：
利用所述人头检测模型识别所述待处理图像中的人头；
计算所述待处理图像中的人头密度；
当所述人头密度大于或者等于配置密度时，确定检测到所述人群。
根据本发明优选实施例，所述利用递归网格划分算法对所述待处理区域进行网格划分得到人群密集区域包括：
确定网格划分方式；
基于所述网格划分方式将所述待处理区域划分为多个网格；
计算每个网格中人头的数量；
从所述多个网格中获取所述人头的数量最多的网格；
当获取到的网格有一个时，将所述获取到的网格确定为所述人群密集区域；或者
当所述获取到的网格有多个时，从所述获取到的网格中随机选择一个网格作为候选网格；计算所述候选网格的人头像素，及计算所述待处理区域的总像素；计算所述候选网格的人头像素与所述总像素的比值，得到所述候选网格的人头像素占比；获取预先配置的占比阈值；当所述人头像素占比大于所述占比阈值时，将所述候选网格确定为所述人群密集区域；当所述人头像素占比小于或者等于所述占比阈值时，利用所述递归网格划分算法对所述候选网格进行网格划分，直至得到所述人头像素占比大于所述占比阈值的网格，并将得到的网格确定为所述人群密集区域。
根据本发明优选实施例，所述根据记录的所述人群密集区域的像素数据计算所述人群密集区域的初始人群密集中心点包括：
获取所述人群密集区域内每个人头的像素坐标；
计算每个人头的像素坐标的平均值，得到所述初始人群密集中心点。
根据本发明优选实施例，所述基于选择的测距算法对所述初始人群密集中心点进行调整，得到目标人群密集中心点包括：
当所述图像采集装置的数量为一个时，利用单人群定位算法获取所述图像采集装置的焦距；
获取基于全球人均数据测算的人头的平均高度；
获取所述目标人群密集中心点在所述图像采集装置的视野中的像素高度；
计算所述平均高度与所述像素高度的商，得到第一数值；
计算所述第一数值与所述焦距的乘积，得到所述图像采集装置到所述初始人群密集中心点的距离作为目标距离；
获取所述目标场馆的空间范围；
当所述目标距离未超出所述空间范围时，将所述初始人群密集中心点确定为所述目标人群密集中心点；或者
当所述目标距离超出所述空间范围时，依次获取距离所述初始人群密集中心点最近的点作为备选点并计算所述图像采集装置到所述备选点的距离，直至获取到的备选点所对应的距离未超出所述空间范围，将当前的备选点确定为所述目标人群密集中心点。
根据本发明优选实施例，所述基于选择的测距算法对所述初始人群密集中心点进行调整，得到目标人群密集中心点还包括：
当所述图像采集装置的数量为至少三个时，基于所述单人群定位算法及所述初始人群密集中心点确定每个图像采集装置对应的人群密集中心点；
利用联合定位算法计算每个图像采集装置与对应的人群密集中心点之间的水平距离；
将每个图像采集装置的水平坐标确定为圆心，将每个图像采集装置与对应的人群密集中心点之间的水平距离确定为半径画圆，得到所述人群密集区域中水平面上的多个圆；
获取所述多个圆的相交数据；
当所述相交数据显示有至少三个圆两两相交时，获取相交的各圆的中心点，从所述相交的各圆中获取距离所述中心点最近的三个圆心，并利用所述三个圆心构建三角形；计算所述三角形的内心，并将所述三角形的内心确定为所述目标人群密集中心点；或者
当所述相交数据显示没有至少三个圆两两相交时，保持所述人群密集区域中水平面上的多个圆的圆心不变，按照预设比例依次放大每个圆的半径，直至检测到至少三个圆两两相交，利用当前检测到的相交的圆确定所述目标人群密集中心点。
根据本发明优选实施例，所述将所述人群数据加密存储至配置数据库后，所述方法还包括：
从所述配置数据库中获取所述目标人群密集中心点，及获取所述目标场馆的区域布局；基于所述目标人群密集中心点及所述区域布局对所述目标场馆内的人群进行人流控制及调度；
当发生预设紧急情况时，将所述目标人群密集中心点发送至指定终端；
从所述配置数据库中获取预设时间段内的所有人群密集中心点，根据所述预设时间段内的所有人群密集中心点确定所述目标场馆内人群的活动模式及活动偏好，基于所述目标场馆内人群的活动模式及活动偏好对所述目标场馆的区域布局进行优化。
一种场馆人群定位装置，所述场馆人群定位装置包括：
创建单元，用于以BIM模型为基础创建目标场馆的三维空间模型，得到所述目标场馆的世界坐标系；
捕获单元，用于利用所述目标场馆内部署的图像采集装置实时捕获所述目标场馆内的监控画面作为待处理图像；其中，所述图像采集装置以所述世界坐标系进行标定；
识别单元，用于利用人头检测模型识别所述待处理图像中的人群，并获取所述人群在所述世界坐标系中的区域范围作为待处理区域；
划分单元，用于利用递归网格划分算法对所述待处理区域进行网格划分得到人群密集区域，并记录划分后得到的每个网格的像素数据；
计算单元，用于根据记录的所述人群密集区域的像素数据计算所述人群密集区域的初始人群密集中心点；
选择单元，用于确定所述图像采集装置的数量，并根据所述图像采集装置的数量选择测距算法；
调整单元，用于基于选择的测距算法对所述初始人群密集中心点进行调整，得到目标人群密集中心点；
存储单元，用于整合所述目标场馆的世界坐标系、所述待处理图像、所述待处理区域、每个网格的像素数据、所述人群密集区域、所述目标人群密集中心点得到所述目标场馆的人群数据，并将所述人群数据加密存储至配置数据库。
一种计算机设备，所述计算机设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述场馆人群定位方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被计算机设备中的处理器执行以实现所述场馆人群定位方法。
由以上技术方案可以看出，本发明能够以BIM模型为基础创建目标场馆的三维空间模型，统一了场馆世界坐标系；基于人头检测模型识别待处理图像中的人群及人群所在的待处理区域，并利用递归网格划分算法对待处理区域进行网格划分得到人群密集区域，进而结合图像处理及分析技术准确获取到人群密集区域；根据图像采集装置的数量针对性选择不同的测距算法得到目标人群密集中心点，不仅提高了对人群密集中心点定位的准确性，且能够有效适用于场馆环境下实时、高精度的人群定位问题。
附图说明
图1是本发明场馆人群定位方法的较佳实施例的流程图。
图2是本发明场馆人群定位装置的较佳实施例的功能模块图。
图3是本发明实现场馆人群定位方法的较佳实施例的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明场馆人群定位方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述场馆人群定位方法应用于一个或者多个计算机设备中，所述计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital SignalProcessor，DSP)、嵌入式设备等。
所述计算机设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理（Personal Digital Assistant，PDA）、游戏机、交互式网络电视（Internet Protocol Television，IPTV）、智能式穿戴式设备等。
所述计算机设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络（Virtual Private Network，VPN）等。
S10，以BIM（Building Information Modeling，建筑信息模型）模型为基础创建目标场馆的三维空间模型，得到所述目标场馆的世界坐标系。
具体地，BIM模型与所述目标场馆的空间一一对应，形成一个以BIM模型为基础的三维世界坐标空间，用于所述目标场馆内各种物理位置与所述目标场馆世界坐标的影射及互换、设备位置的标定和位置的计算等。
S11，利用所述目标场馆内部署的图像采集装置实时捕获所述目标场馆内的监控画面作为待处理图像；其中，所述图像采集装置以所述世界坐标系进行标定。
在本实施例中，所述图像采集装置可以包括所述目标场馆内部署的监控摄像头。
需要说明的是，场馆作为一种公共服务空间，一般会配备合理充足的监控摄像头，以便满足安防需求。因此，本实施例可以利用现成的摄像头设备进行图像采集，无需重新部署传感器等其他数据采集或监控设备，因此降低了场馆内人群定位的设备部署难度及部署成本。
其中，所述目标场馆内部署的监控摄像头主要用于捕捉实时的场馆环境画面。所述监控摄像头覆盖场馆的全部区域，以确保无论人群处于何处，都能被所述监控摄像头捕捉到。
并且，以所述世界坐标系对所述图像采集装置进行标定，这样，在后续计算时可以将所述图像采集装置视为一个固定的圆心。
S12，利用人头检测模型识别所述待处理图像中的人群，并获取所述人群在所述世界坐标系中的区域范围作为待处理区域。
在本实施例中，所述人头检测模型识可以为预先训练的YOLO（You Only LookOnce）模型。
当然，在其他实施例中，也可以采用如Faster R-CNN（Faster Regions with CNNfeatures）、SSD（Single Shot Detector）等其他人头检测算法，只要具有较佳的人头检测效果，本发明对使用的人头检测算法不做限制。
在本实施例中，所述利用人头检测模型识别所述待处理图像中的人群包括：
利用所述人头检测模型识别所述待处理图像中的人头；
计算所述待处理图像中的人头密度；
当所述人头密度大于或者等于配置密度时，确定检测到所述人群。
其中，所述配置密度可以根据实际场馆面积等因素进行配置。
通过上述实施例，能够基于所述人头检测模型快速且准确的识别到所述待处理图像中的人群，提高了人群定位的效率。
进一步地，获取所述人群在所述世界坐标系中的区域范围作为待处理区域，以获取到所述目标场馆中人群密集区的大致位置。
S13，利用递归网格划分算法对所述待处理区域进行网格划分得到人群密集区域，并记录划分后得到的每个网格的像素数据。
在本实施中，所述利用递归网格划分算法对所述待处理区域进行网格划分得到人群密集区域包括：
确定网格划分方式；
基于所述网格划分方式将所述待处理区域划分为多个网格；
计算每个网格中人头的数量；
从所述多个网格中获取所述人头的数量最多的网格；
当获取到的网格有一个时，将所述获取到的网格确定为所述人群密集区域；或者
当所述获取到的网格有多个时，从所述获取到的网格中随机选择一个网格作为候选网格；计算所述候选网格的人头像素，及计算所述待处理区域的总像素；计算所述候选网格的人头像素与所述总像素的比值，得到所述候选网格的人头像素占比；获取预先配置的占比阈值；当所述人头像素占比大于所述占比阈值时，将所述候选网格确定为所述人群密集区域；当所述人头像素占比小于或者等于所述占比阈值时，利用所述递归网格划分算法对所述候选网格进行网格划分，直至得到所述人头像素占比大于所述占比阈值的网格，并将得到的网格确定为所述人群密集区域。
其中，所述网格划分方式可以包括2x2递归网格划分法、3x3递归网格划分法、4x4递归网格划分法等，或者采用非均匀网格划分法，以适应不同的环境和场景需求。
其中，所述占比阈值可以根据实际需求进行配置。
例如：当采用2x2递归网格划分法时，将待处理区域均分为4个网格，分别为第一网格、第二网格、第三网格及第四网格，计算每个网格中人头的数量。若第一网格中包含一个人头，第二网格中包含2个人头，第三网格中包含3个人头，第四网格中包含4个人头，则将第四网格确定为人群密集区域；若第一网格中包含1个人头，第二网格中包含2个人头，第三网格中包含8个人头，第四网格中包含8个人头，则可以从第三网格及第四网格中随机选择一个网格作为候选网格，若选择第三网格为候选网格，则计算第三网格的人头像素在待处理区域中的人头像素占比，若计算得到的人头像素占比为85%，大于预先配置的占比阈值60%，则将第三网格确定为人群密集区域；若计算得到的人头像素占比为50%，小于预先配置的占比阈值60%，则利用2x2递归网格划分法继续对第三网格进行划分，直至得到人头像素占比大于60%的网格，并将得到的网格确定为人群密集区域。
通过上述实施例，能够基于递归网格划分算法准确识别及定位到人群密集区域。
S14，根据记录的所述人群密集区域的像素数据计算所述人群密集区域的初始人群密集中心点。
在本实施例中，所述根据记录的所述人群密集区域的像素数据计算所述人群密集区域的初始人群密集中心点包括：
获取所述人群密集区域内每个人头的像素坐标；
计算每个人头的像素坐标的平均值，得到所述初始人群密集中心点。
在上述实施例中，能够计算每个人头的像素坐标的平均值作为所述初始人群密集中心点，该平均值可以作为人群密集中心点的近似位置，以作为后续的测距标的。
S15，确定所述图像采集装置的数量，并根据所述图像采集装置的数量选择测距算法。
在本实施例中，所述根据所述图像采集装置的数量选择测距算法包括：
当所述图像采集装置的数量为一个时，获取单人群定位算法作为所述测距算法；或者
当所述图像采集装置的数量为至少三个时，获取联合定位算法作为所述测距算法。
通过上述实施例，能够根据图像采集装置的不同数量调取不同的测距算法，使本实施例中所采用的场馆人群定位方式适用于部署了单摄像头或者多摄像头等多种不同场馆下的人群定位问题，泛化性更高。
S16，基于选择的测距算法对所述初始人群密集中心点进行调整，得到目标人群密集中心点。
在本实施例中，所述基于选择的测距算法对所述初始人群密集中心点进行调整，得到目标人群密集中心点包括：
当所述图像采集装置的数量为一个时，利用单人群定位算法获取所述图像采集装置的焦距；
获取基于全球人均数据测算的人头的平均高度；
获取所述目标人群密集中心点在所述图像采集装置的视野中的像素高度；
计算所述平均高度与所述像素高度的商，得到第一数值；
计算所述第一数值与所述焦距的乘积，得到所述图像采集装置到所述初始人群密集中心点的距离作为目标距离；
获取所述目标场馆的空间范围；
当所述目标距离未超出所述空间范围时，将所述初始人群密集中心点确定为所述目标人群密集中心点；或者
当所述目标距离超出所述空间范围时，依次获取距离所述初始人群密集中心点最近的点作为备选点并计算所述图像采集装置到所述备选点的距离，直至获取到的备选点所对应的距离未超出所述空间范围，将当前的备选点确定为所述目标人群密集中心点。
可以理解的是，当所述目标距离超出所述空间范围时，则不符合当前的场馆布局，因此，当前得到的初始人群密集中心点不符合要求，需要丢弃，并在此基础上重新确定新的人群密集中心点。
在上述实施例中，实现了在单一视野下对所述目标场馆内人群的有效识别与定位。
在本实施例中，所述基于选择的测距算法对所述初始人群密集中心点进行调整，得到目标人群密集中心点还包括：
当所述图像采集装置的数量为至少三个时，基于所述单人群定位算法及所述初始人群密集中心点确定每个图像采集装置对应的人群密集中心点；
利用联合定位算法计算每个图像采集装置与对应的人群密集中心点之间的水平距离；
将每个图像采集装置的水平坐标确定为圆心，将每个图像采集装置与对应的人群密集中心点之间的水平距离确定为半径画圆，得到所述人群密集区域中水平面上的多个圆；
获取所述多个圆的相交数据；
当所述相交数据显示有至少三个圆两两相交时，获取相交的各圆的中心点，从所述相交的各圆中获取距离所述中心点最近的三个圆心，并利用所述三个圆心构建三角形；计算所述三角形的内心，并将所述三角形的内心确定为所述目标人群密集中心点；或者
当所述相交数据显示没有至少三个圆两两相交时，保持所述人群密集区域中水平面上的多个圆的圆心不变，按照预设比例依次放大每个圆的半径，直至检测到至少三个圆两两相交，利用当前检测到的相交的圆确定所述目标人群密集中心点。
其中，所述预设比例可以配置为1%等。
通过上述实施例，在单人群定位算法的基础上，进一步采用多个图像采集装置进行联合定位，实现了从多个视角对人群密集中心的精确定位，不仅提高了定位的精度，也增强了对复杂环境下人群管理的适应性；并且，由于结合了多个图像采集装置的数据，还能够更加准确的定位到目标人群密集中心点，即更准确地定位到人群密集区域的位置。尤其对于大型的、复杂的场馆环境中，所述联合定位算法更加适用。
本实施例结合BIM模型、人头检测模型、递归网格划分算法及测距算法对场馆人群进行定位，能够结合人工智能技术及数据处理准确、稳定的提供人群密集区域定位服务，有助于提升场馆管理的效率和管理效果。
可以理解的是，由于定位的准确性取决于图像采集装置的数量和位置、视角等。因此，还可以进一步增加图像采集装置的数量，或者优化图像采集装置的布局和安装角度，以提高定位的准确性。
S17，整合所述目标场馆的世界坐标系、所述待处理图像、所述待处理区域、每个网格的像素数据、所述人群密集区域、所述目标人群密集中心点得到所述目标场馆的人群数据，并将所述人群数据加密存储至配置数据库。
其中，所述配置数据库可以部署于数据库管理系统，用于存储和查询图像采集装置捕获到的图像数据，以及人群定位和测距的结果，以便于进行后续的分析和管理。
可以理解的是，所述目标场馆是提供公共空间的服务设施，例如所述目标场馆可以为音乐会、演讲、展览或体育等活动提供场所。所述目标场馆内的人群管理和调度是日常运营中的关键任务，因此需要实时获取人群数量和位置信息以进行有效的人流控制和紧急情况应对。
具体地，所述将所述人群数据加密存储至配置数据库后，所述方法还包括：
（1）从所述配置数据库中获取所述目标人群密集中心点，及获取所述目标场馆的区域布局；基于所述目标人群密集中心点及所述区域布局对所述目标场馆内的人群进行人流控制及调度。
例如：在演唱会、体育比赛等大型活动中，可以通过本实施例提供的人群信息，对入口、出口、通道等关键区域进行人流调度，以防止人群拥堵，提高观众的体验感和安全性。
（2）当发生预设紧急情况时，将所述目标人群密集中心点发送至指定终端。
例如：当发生火情等紧急情况下，通过实时人群信息可以辅助应急响应队伍快速了解现场情况，并判断最快的疏散路线，以减少人员伤亡。
（3）从所述配置数据库中获取预设时间段内的所有人群密集中心点，根据所述预设时间段内的所有人群密集中心点确定所述目标场馆内人群的活动模式及活动偏好，基于所述目标场馆内人群的活动模式及活动偏好对所述目标场馆的区域布局进行优化。
其中，所述预设时间段可以为3个月等。
通过长期收集和分析场馆内的人群信息，可以了解人群在场馆内的活动模式和偏好，并据此对场馆的布局进行优化，以提高场馆的使用效率和服务质量。
在本实施例中，还可以利用深度学习模型来预测人群的移动趋势，对并人群的聚集程度进行预测。或者，也可以结合如温度、湿度、噪音等其他传感器数据，或者结合如手机信号、Wi-Fi信号等人的活动数据进行人群定位，以增加定位的准确性和系统稳定性。还可以部署增强现实设备、虚拟现实设备等，以提供更丰富的交互体验。
本实施例所采用的人群定位方式可以适用于如商场、学校、车站、体育场馆等各种需要进行人群管理和监控的场景。
由以上技术方案可以看出，本发明能够以BIM模型为基础创建目标场馆的三维空间模型，统一了场馆世界坐标系；基于人头检测模型识别待处理图像中的人群及人群所在的待处理区域，并利用递归网格划分算法对待处理区域进行网格划分得到人群密集区域，进而结合图像处理及分析技术准确获取到人群密集区域；根据图像采集装置的数量针对性选择不同的测距算法得到目标人群密集中心点，不仅提高了对人群密集中心点定位的准确性，且能够有效适用于场馆环境下实时、高精度的人群定位问题。
如图2所示，是本发明场馆人群定位装置的较佳实施例的功能模块图。所述场馆人群定位装置11包括创建单元110、捕获单元111、识别单元112、划分单元113、计算单元114、选择单元115、调整单元116、存储单元117。本发明所称的模块/单元是指一种能够被处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
所述创建单元110，用于以BIM（Building Information Modeling，建筑信息模型）模型为基础创建目标场馆的三维空间模型，得到所述目标场馆的世界坐标系；
所述捕获单元111，用于利用所述目标场馆内部署的图像采集装置实时捕获所述目标场馆内的监控画面作为待处理图像；其中，所述图像采集装置以所述世界坐标系进行标定；
所述识别单元112，用于利用人头检测模型识别所述待处理图像中的人群，并获取所述人群在所述世界坐标系中的区域范围作为待处理区域；
所述划分单元113，用于利用递归网格划分算法对所述待处理区域进行网格划分得到人群密集区域，并记录划分后得到的每个网格的像素数据；
所述计算单元114，用于根据记录的所述人群密集区域的像素数据计算所述人群密集区域的初始人群密集中心点；
所述选择单元115，用于确定所述图像采集装置的数量，并根据所述图像采集装置的数量选择测距算法；
所述调整单元116，用于基于选择的测距算法对所述初始人群密集中心点进行调整，得到目标人群密集中心点；
所述存储单元117，用于整合所述目标场馆的世界坐标系、所述待处理图像、所述待处理区域、每个网格的像素数据、所述人群密集区域、所述目标人群密集中心点得到所述目标场馆的人群数据，并将所述人群数据加密存储至配置数据库。
由以上技术方案可以看出，本发明能够以BIM模型为基础创建目标场馆的三维空间模型，统一了场馆世界坐标系；基于人头检测模型识别待处理图像中的人群及人群所在的待处理区域，并利用递归网格划分算法对待处理区域进行网格划分得到人群密集区域，进而结合图像处理及分析技术准确获取到人群密集区域；根据图像采集装置的数量针对性选择不同的测距算法得到目标人群密集中心点，不仅提高了对人群密集中心点定位的准确性，且能够有效适用于场馆环境下实时、高精度的人群定位问题。
如图3所示，是本发明实现场馆人群定位方法的较佳实施例的计算机设备的结构示意图。
所述计算机设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如场馆人群定位程序。
本领域技术人员可以理解，所述示意图仅仅是计算机设备1的示例，并不构成对计算机设备1的限定，所述计算机设备1既可以是总线型结构，也可以是星形结构，所述计算机设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述计算机设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，所述计算机设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是计算机设备1的内部存储单元，例如该计算机设备1的移动硬盘。存储器12在另一些实施例中也可以是计算机设备1的外部存储设备，例如计算机设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card，SMC）、安全数字（SecureDigital，SD）卡、闪存卡（Flash Card）等。进一步地，存储器12还可以既包括计算机设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于计算机设备1的应用软件及各类数据，例如场馆人群定位程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述计算机设备1的控制核心（Control Unit），利用各种接口和线路连接整个计算机设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块（例如执行场馆人群定位程序等），以及调用存储在所述存储器12内的数据，以执行计算机设备1的各种功能和处理数据。
所述处理器13执行所述计算机设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个场馆人群定位方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在所述计算机设备1中的执行过程。例如，所述计算机程序可以被分割成创建单元110、捕获单元111、识别单元112、划分单元113、计算单元114、选择单元115、调整单元116、存储单元117。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块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、计算机设备，或者网络设备等）或处理器（processor）执行本发明各个实施例所述场馆人群定位方法的部分。
所述计算机设备1集成的模块/单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器等。
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性（防伪）和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根直线表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出，所述计算机设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述计算机设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该计算机设备1与其他计算机设备之间建立通信连接。
可选地，该计算机设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在计算机设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的计算机设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述计算机设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
结合图1，所述计算机设备1中的所述存储器12存储多个指令以实现一种场馆人群定位方法，所述处理器13可执行所述多个指令从而实现：
以BIM模型为基础创建目标场馆的三维空间模型，得到所述目标场馆的世界坐标系；
利用所述目标场馆内部署的图像采集装置实时捕获所述目标场馆内的监控画面作为待处理图像；其中，所述图像采集装置以所述世界坐标系进行标定；
利用人头检测模型识别所述待处理图像中的人群，并获取所述人群在所述世界坐标系中的区域范围作为待处理区域；
利用递归网格划分算法对所述待处理区域进行网格划分得到人群密集区域，并记录划分后得到的每个网格的像素数据；
根据记录的所述人群密集区域的像素数据计算所述人群密集区域的初始人群密集中心点；
确定所述图像采集装置的数量，并根据所述图像采集装置的数量选择测距算法；
基于选择的测距算法对所述初始人群密集中心点进行调整，得到目标人群密集中心点；
整合所述目标场馆的世界坐标系、所述待处理图像、所述待处理区域、每个网格的像素数据、所述人群密集区域、所述目标人群密集中心点得到所述目标场馆的人群数据，并将所述人群数据加密存储至配置数据库。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，本案中所涉及到的数据均为合法取得。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
本发明可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种场馆人群定位方法，其特征在于，所述场馆人群定位方法包括：
以BIM模型为基础创建目标场馆的三维空间模型，得到所述目标场馆的世界坐标系；
利用所述目标场馆内部署的图像采集装置实时捕获所述目标场馆内的监控画面作为待处理图像；其中，所述图像采集装置以所述世界坐标系进行标定；
利用人头检测模型识别所述待处理图像中的人群，并获取所述人群在所述世界坐标系中的区域范围作为待处理区域；
利用递归网格划分算法对所述待处理区域进行网格划分得到人群密集区域，并记录划分后得到的每个网格的像素数据；其中，所述利用递归网格划分算法对所述待处理区域进行网格划分得到人群密集区域包括：确定网格划分方式；基于所述网格划分方式将所述待处理区域划分为多个网格；计算每个网格中人头的数量；从所述多个网格中获取所述人头的数量最多的网格；当获取到的网格有一个时，将所述获取到的网格确定为所述人群密集区域；或者当所述获取到的网格有多个时，从所述获取到的网格中随机选择一个网格作为候选网格；计算所述候选网格的人头像素，及计算所述待处理区域的总像素；计算所述候选网格的人头像素与所述总像素的比值，得到所述候选网格的人头像素占比；获取预先配置的占比阈值；当所述人头像素占比大于所述占比阈值时，将所述候选网格确定为所述人群密集区域；当所述人头像素占比小于或者等于所述占比阈值时，利用所述递归网格划分算法对所述候选网格进行网格划分，直至得到所述人头像素占比大于所述占比阈值的网格，并将得到的网格确定为所述人群密集区域；
根据记录的所述人群密集区域的像素数据计算所述人群密集区域的初始人群密集中心点，包括：获取所述人群密集区域内每个人头的像素坐标；计算每个人头的像素坐标的平均值，得到所述初始人群密集中心点；
确定所述图像采集装置的数量，并根据所述图像采集装置的数量选择测距算法；
基于选择的测距算法对所述初始人群密集中心点进行调整，得到目标人群密集中心点；
整合所述目标场馆的世界坐标系、所述待处理图像、所述待处理区域、每个网格的像素数据、所述人群密集区域、所述目标人群密集中心点得到所述目标场馆的人群数据，并将所述人群数据加密存储至配置数据库。
2.如权利要求1所述的场馆人群定位方法，其特征在于，所述利用人头检测模型识别所述待处理图像中的人群包括：
利用所述人头检测模型识别所述待处理图像中的人头；
计算所述待处理图像中的人头密度；
当所述人头密度大于或者等于配置密度时，确定检测到所述人群。
3.如权利要求1所述的场馆人群定位方法，其特征在于，所述基于选择的测距算法对所述初始人群密集中心点进行调整，得到目标人群密集中心点包括：
当所述图像采集装置的数量为一个时，利用单人群定位算法获取所述图像采集装置的焦距；
获取基于全球人均数据测算的人头的平均高度；
获取所述目标人群密集中心点在所述图像采集装置的视野中的像素高度；
计算所述平均高度与所述像素高度的商，得到第一数值；
计算所述第一数值与所述焦距的乘积，得到所述图像采集装置到所述初始人群密集中心点的距离作为目标距离；
获取所述目标场馆的空间范围；
当所述目标距离未超出所述空间范围时，将所述初始人群密集中心点确定为所述目标人群密集中心点；或者
当所述目标距离超出所述空间范围时，依次获取距离所述初始人群密集中心点最近的点作为备选点并计算所述图像采集装置到所述备选点的距离，直至获取到的备选点所对应的距离未超出所述空间范围，将当前的备选点确定为所述目标人群密集中心点。
4.如权利要求3所述的场馆人群定位方法，其特征在于，所述基于选择的测距算法对所述初始人群密集中心点进行调整，得到目标人群密集中心点还包括：
当所述图像采集装置的数量为至少三个时，基于所述单人群定位算法及所述初始人群密集中心点确定每个图像采集装置对应的人群密集中心点；
利用联合定位算法计算每个图像采集装置与对应的人群密集中心点之间的水平距离；
将每个图像采集装置的水平坐标确定为圆心，将每个图像采集装置与对应的人群密集中心点之间的水平距离确定为半径画圆，得到所述人群密集区域中水平面上的多个圆；
获取所述多个圆的相交数据；
当所述相交数据显示有至少三个圆两两相交时，获取相交的各圆的中心点，从所述相交的各圆中获取距离所述中心点最近的三个圆心，并利用所述三个圆心构建三角形；计算所述三角形的内心，并将所述三角形的内心确定为所述目标人群密集中心点；或者
当所述相交数据显示没有至少三个圆两两相交时，保持所述人群密集区域中水平面上的多个圆的圆心不变，按照预设比例依次放大每个圆的半径，直至检测到至少三个圆两两相交，利用当前检测到的相交的圆确定所述目标人群密集中心点。
5.如权利要求1所述的场馆人群定位方法，其特征在于，所述将所述人群数据加密存储至配置数据库后，所述方法还包括：
从所述配置数据库中获取所述目标人群密集中心点，及获取所述目标场馆的区域布局；基于所述目标人群密集中心点及所述区域布局对所述目标场馆内的人群进行人流控制及调度；
当发生预设紧急情况时，将所述目标人群密集中心点发送至指定终端；
从所述配置数据库中获取预设时间段内的所有人群密集中心点，根据所述预设时间段内的所有人群密集中心点确定所述目标场馆内人群的活动模式及活动偏好，基于所述目标场馆内人群的活动模式及活动偏好对所述目标场馆的区域布局进行优化。
6.一种场馆人群定位装置，其特征在于，所述场馆人群定位装置包括：
创建单元，用于以BIM模型为基础创建目标场馆的三维空间模型，得到所述目标场馆的世界坐标系；
捕获单元，用于利用所述目标场馆内部署的图像采集装置实时捕获所述目标场馆内的监控画面作为待处理图像；其中，所述图像采集装置以所述世界坐标系进行标定；
识别单元，用于利用人头检测模型识别所述待处理图像中的人群，并获取所述人群在所述世界坐标系中的区域范围作为待处理区域；
划分单元，用于利用递归网格划分算法对所述待处理区域进行网格划分得到人群密集区域，并记录划分后得到的每个网格的像素数据；其中，所述利用递归网格划分算法对所述待处理区域进行网格划分得到人群密集区域包括：确定网格划分方式；基于所述网格划分方式将所述待处理区域划分为多个网格；计算每个网格中人头的数量；从所述多个网格中获取所述人头的数量最多的网格；当获取到的网格有一个时，将所述获取到的网格确定为所述人群密集区域；或者当所述获取到的网格有多个时，从所述获取到的网格中随机选择一个网格作为候选网格；计算所述候选网格的人头像素，及计算所述待处理区域的总像素；计算所述候选网格的人头像素与所述总像素的比值，得到所述候选网格的人头像素占比；获取预先配置的占比阈值；当所述人头像素占比大于所述占比阈值时，将所述候选网格确定为所述人群密集区域；当所述人头像素占比小于或者等于所述占比阈值时，利用所述递归网格划分算法对所述候选网格进行网格划分，直至得到所述人头像素占比大于所述占比阈值的网格，并将得到的网格确定为所述人群密集区域；
计算单元，用于根据记录的所述人群密集区域的像素数据计算所述人群密集区域的初始人群密集中心点，包括：获取所述人群密集区域内每个人头的像素坐标；计算每个人头的像素坐标的平均值，得到所述初始人群密集中心点；
选择单元，用于确定所述图像采集装置的数量，并根据所述图像采集装置的数量选择测距算法；
调整单元，用于基于选择的测距算法对所述初始人群密集中心点进行调整，得到目标人群密集中心点；
存储单元，用于整合所述目标场馆的世界坐标系、所述待处理图像、所述待处理区域、每个网格的像素数据、所述人群密集区域、所述目标人群密集中心点得到所述目标场馆的人群数据，并将所述人群数据加密存储至配置数据库。
7. 一种计算机设备，其特征在于，所述计算机设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至5中任意一项所述的场馆人群定位方法。
8.一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中存储有至少一个指令，所述至少一个指令被计算机设备中的处理器执行以实现如权利要求1至5中任意一项所述的场馆人群定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311031772.7A CN116758488B (zh) | 2023-08-16 | 2023-08-16 | 场馆人群定位方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311031772.7A CN116758488B (zh) | 2023-08-16 | 2023-08-16 | 场馆人群定位方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116758488A CN116758488A (zh) | 2023-09-15 |
| CN116758488B true CN116758488B (zh) | 2023-11-10 |
Family
ID=87951803
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311031772.7A Active CN116758488B (zh) | 2023-08-16 | 2023-08-16 | 场馆人群定位方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116758488B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105117683A (zh) * | 2015-07-22 | 2015-12-02 | 北方工业大学 | 一种公共场所密集人群检测及预警方法 |
| CN107264797A (zh) * | 2016-04-06 | 2017-10-20 | 成都积格科技有限公司 | 人群聚集预警无人机 |
| CN110175547A (zh) * | 2019-05-16 | 2019-08-27 | 苏州大学 | 一种多域信息的人群密度预警方法 |
| JP2019219804A (ja) * | 2018-06-18 | 2019-12-26 | 株式会社日立製作所 | 物体検出装置及び物体検出方法 |
| CN110941999A (zh) * | 2019-11-12 | 2020-03-31 | 通号通信信息集团有限公司 | 一种人群计数系统中自适应计算高斯核大小的方法 |
| CN111460912A (zh) * | 2020-03-12 | 2020-07-28 | 南京理工大学 | 基于级联高分辨卷积神经网络的密集人群计数算法 |
| CN111563447A (zh) * | 2020-04-30 | 2020-08-21 | 南京邮电大学 | 一种基于密度图的人群密度分析与检测定位方法 |
| CN113255481A (zh) * | 2021-05-11 | 2021-08-13 | 北方工业大学 | 一种基于无人巡逻车的人群状态检测方法 |
| CN113537172A (zh) * | 2021-09-16 | 2021-10-22 | 长沙海信智能系统研究院有限公司 | 人群密度确定方法、装置、设备及存储介质 |
| 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 |
| CN116311084A (zh) * | 2023-05-22 | 2023-06-23 | 青岛海信网络科技股份有限公司 | 一种人群聚集的检测方法及视频监控设备 |
-
2023
- 2023-08-16 CN CN202311031772.7A patent/CN116758488B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105117683A (zh) * | 2015-07-22 | 2015-12-02 | 北方工业大学 | 一种公共场所密集人群检测及预警方法 |
| CN107264797A (zh) * | 2016-04-06 | 2017-10-20 | 成都积格科技有限公司 | 人群聚集预警无人机 |
| JP2019219804A (ja) * | 2018-06-18 | 2019-12-26 | 株式会社日立製作所 | 物体検出装置及び物体検出方法 |
| CN110175547A (zh) * | 2019-05-16 | 2019-08-27 | 苏州大学 | 一种多域信息的人群密度预警方法 |
| CN110941999A (zh) * | 2019-11-12 | 2020-03-31 | 通号通信信息集团有限公司 | 一种人群计数系统中自适应计算高斯核大小的方法 |
| WO2021093275A1 (zh) * | 2019-11-12 | 2021-05-20 | 通号通信信息集团有限公司 | 一种人群计数系统中自适应计算高斯核大小的方法 |
| CN111460912A (zh) * | 2020-03-12 | 2020-07-28 | 南京理工大学 | 基于级联高分辨卷积神经网络的密集人群计数算法 |
| CN111563447A (zh) * | 2020-04-30 | 2020-08-21 | 南京邮电大学 | 一种基于密度图的人群密度分析与检测定位方法 |
| CN113255481A (zh) * | 2021-05-11 | 2021-08-13 | 北方工业大学 | 一种基于无人巡逻车的人群状态检测方法 |
| CN113537172A (zh) * | 2021-09-16 | 2021-10-22 | 长沙海信智能系统研究院有限公司 | 人群密度确定方法、装置、设备及存储介质 |
| 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 |
| CN116311084A (zh) * | 2023-05-22 | 2023-06-23 | 青岛海信网络科技股份有限公司 | 一种人群聚集的检测方法及视频监控设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116758488A (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10354144B2 (en) | Video camera scene translation | |
| US8854469B2 (en) | Method and apparatus for tracking persons and locations using multiple cameras | |
| CN111627114A (zh) | 室内视觉导航方法、装置、系统及电子设备 | |
| KR20200040665A (ko) | 컨볼루션 신경망을 이용하여 poi 변화를 검출하기 위한 시스템 및 방법 | |
| JP6353175B1 (ja) | 視覚特徴を使用した画像の自動結合 | |
| CN112929602B (zh) | 基于图像处理的数据监控方法、装置及相关设备 | |
| US8929596B2 (en) | Surveillance including a modified video data stream | |
| CN114782901B (zh) | 基于视觉变动分析的沙盘投影方法、装置、设备及介质 | |
| US20200117952A1 (en) | Target object position prediction and motion tracking | |
| CN110210285A (zh) | 人脸跟踪方法、人脸跟踪装置以及计算机存储介质 | |
| CN111814646B (zh) | 基于ai视觉的监控方法、装置、设备及介质 | |
| CN110555876B (zh) | 用于确定位置的方法和装置 | |
| Jian et al. | Augmented virtual environment: fusion of real-time video and 3D models in the digital earth system | |
| CN108197619A (zh) | 一种基于招牌图像的定位方法、装置、设备和存储介质 | |
| Franz et al. | Real-time collaborative reconstruction of digital building models with mobile devices | |
| CN111798124B (zh) | 基于图像识别的任务管理方法、装置、电子设备及介质 | |
| CN113011280A (zh) | 人员接触距离的检测方法、装置、计算机设备和存储介质 | |
| CN116758488B (zh) | 场馆人群定位方法、装置、设备及介质 | |
| WO2018210039A1 (zh) | 数据处理方法、数据处理装置及存储介质 | |
| CN112464757A (zh) | 一种基于高清视频的目标实时定位和轨迹重构方法 | |
| CN114827590B (zh) | 摄像头位置分布合理性分析方法、装置和电子设备 | |
| Alqatawneh et al. | Employing of Object Tracking System in Public Surveillance Cameras to Enforce Quarantine and Social Distancing Using Parallel Machine Learning Techniques. | |
| CN113887384A (zh) | 基于多轨迹融合的行人轨迹分析方法、装置、设备及介质 | |
| CN114079801A (zh) | 按需将元数据叠加到视频流上以进行智能视频分析 | |
| CN113452954B (zh) | 行为分析方法、装置、设备和介质 |
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 |