CN117041484B - 基于物联网的人流密集区域监控方法及系统 - Google Patents
基于物联网的人流密集区域监控方法及系统 Download PDFInfo
- Publication number
- CN117041484B CN117041484B CN202310882734.6A CN202310882734A CN117041484B CN 117041484 B CN117041484 B CN 117041484B CN 202310882734 A CN202310882734 A CN 202310882734A CN 117041484 B CN117041484 B CN 117041484B
- Authority
- CN
- China
- Prior art keywords
- image
- people stream
- pixel value
- differential
- people
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001914 filtration Methods 0.000 claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 50
- 230000001629 suppression Effects 0.000 claims abstract description 15
- 238000000265 homogenisation Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 21
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process 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
- 230000008569 process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/61—Control of cameras or camera modules based on recognised objects
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及区域监控技术,揭露了一种基于物联网的人流密集区域监控方法及系统,其中,所述方法包括:获取密集区域监控视频,从密集区域监控视频中采集初始人流密集区域图像,对初始人流密集区域图像进行背景稳定性调整,得到人流密集区域图像;对人流密集区域图像进行色彩分量均化及均值滤波处理,得到滤波区域图像;提取原始背景图像,根据原始背景图像与滤波区域图像进行差分处理,得到二值化差分图像;对二值化差分图像进行阴影抑制及高反差锐化操作,得到锐化图像,识别锐化图像中的运动目标并计算目标数量;根据运动目标及目标数量计算人流密度,根据人流密度进行安全预警。本发明可以提高分析人群密度时的精确性及实时预警的效率。
Description
技术领域
本发明涉及区域监控技术领域,尤其涉及一种基于物联网的人流密集区域监控方法及系统。
背景技术
由于经济的蓬勃发展以及综合国力的不断提高,人们的娱乐形式越来越丰富,经常在各种大型商场、展会、交通枢纽的现场频繁活动;因此,为了城市的建设发展需要,需要安装越来越多的视频监控设备,包括地铁站、公交车、展会大厅以及商场各个楼层等场景之中。因为视频监控设备数量的增加,导致产生大量的视频监控数据,但一般情况下这些视频监控设备只能对场景进行简单录制,并不能对视频监控数据进行具体分析,往往依赖于手动的形式对视频监控数据进行处理,从而使得对于意外事件的实时预警和支持决策的效率较低。
近年来,许多了国内外研究学者对于人群的管理及人群运动状态的实时跟踪进行了许多研究,大致可以分为两类:一是基于像素分析视频监控图像中的人群密度,但由于无法控制监控视频中的人流量,当人群较为拥挤时,分析人群密度的准确性较低,从而使得预警的效率较低;二是基于纹理分析人群密度,指的是从整体上分析视频监控图像中的人群密度,但由于无法保证人群密度的精确度,从而导致无法及时预警。综上所述,现存技术中存在分析人群密度时的精确性较低,从而导致实时预警的效率较低的问题。
发明内容
本发明提供一种基于物联网的人流密集区域监控方法及系统,其主要目的在于解决分析人群密度时的精确性较低,从而导致实时预警的效率较低的问题。
为实现上述目的,本发明提供的一种基于物联网的人流密集区域监控方法,包括:
获取密集区域监控视频,从所述密集区域监控视频中采集初始人流密集区域图像,对所述初始人流密集区域图像进行背景稳定性调整,得到人流密集区域图像;
对所述人流密集区域图像进行色彩分量均化及均值滤波处理,得到滤波区域图像;
提取所述初始人流密集区域图像中的原始背景图像,根据所述原始背景图像与所述滤波区域图像进行差分处理,得到二值化差分图像;
对所述二值化差分图像进行阴影抑制及高反差锐化操作,得到锐化图像,识别所述锐化图像中的运动目标,并计算所述运动目标的目标数量;
根据所述运动目标及所述目标数量计算人流密度,根据所述人流密度进行安全预警。
可选地,所述从所述密集区域监控视频中采集初始人流密集区域图像,包括:
获取所述密集区域监控视频中的人流速度,根据所述人流速度设定视频截取参数;
根据所述视频截取参数对所述密集区域监控视频进行图像截取,得到监控图像;
对所述监控图像进行像素值筛选,得到初始人流密集区域图像。
可选地,所述对所述监控图像进行像素值筛选,得到初始人流密集区域图像,包括:
对相邻两个所述监控图像之间进行帧间差分计算,得到差分图像;
利用下述公式进行帧间差分计算:
Ha(x′,y′)=|Ca(x1,y1)-Ca-1(x2,y2)|
其中,Ha(x′,y′)表示第a个所述监控图像对应的差分图像的差分坐标(x′,y′)对应的图像像素值,Ca(x1,y1)表示第a个所述监控图像的第一坐标(x1,y1)对应的第一监控像素值,Ca-1(x2,y2)表示第a-1个所述监控图像的第二坐标(x2,y2)对应的第二监控像素值;
判断所述差分图像的图像像素值是否大于预设的像素阈值;
当所述差分图像的图像像素值小于或等于所述像素阈值时,对所述差分图像对应的相邻两个监控图像进行删减,将删减后的所述差分图像对应的监控图像作为初始人流密集区域图像;
当所述图像像素值大于所述像素阈值时,将所述差分图像对应的相邻两个监控图像作为初始人流密集区域图像。
可选地,所述对所述初始人流密集区域图像进行背景稳定性调整,得到人流密集区域图像,包括:
对所述初始人流密集区域图像进行前背景划分,得到背景图像及人流区域图像;
对所述初始人流密集区域图像的像素值与所述背景图像的背景像素值进行差值计算,得到所述人流区域图像的人流像素值;
利用下述公式进行差值计算:
D=|F-E|
其中,D表示所述人流区域图像的人流像素值,F表示所述初始人流密集区域图像的像素值,E表示所述背景图像的背景像素值;
根据所述人流像素值与预设的标准像素值对所述初始人流密集区域图像进行二值化处理,得到二值化区域图像;
对所述二值化区域图像进行背景像素调整,得到更新背景图像;
利用下述公式进行背景像素调整:
其中,E′表示更新背景图像的更新像素值,E表示所述背景图像的背景像素值,F表示所述初始人流密集区域图像的像素值,V表示所述二值化区域图像,k表示预设的计算参数;
根据所述更新背景图像及所述人流区域图像生成人流密集区域图像
可选地,所述对所述人流密集区域图像进行色彩分量均化及均值滤波处理,得到滤波区域图像,包括:
获取所述人流密集区域图像中的图像颜色分量,对所述图像颜色分量进行平均化处理,得到平均分量值;
利用所述平均分量值对所述人流密集区域图像中的颜色分量进行替换,得到分量均化图像;
对所述分量均化图像进行投影分割处理,得到分割图像;
对所述分割图像进行并行均值去噪处理,得到去噪图像;
将多个所述去噪图像进行整合,得到滤波区域图像。
可选地,所述根据所述原始背景图像与所述滤波区域图像进行差分处理,得到二值化差分图像,包括:
提取所述原始背景图像的背景像素值,并提取所述滤波区域图像的滤波像素值;
根据所述背景像素值及所述滤波像素值进行差分计算,得到差分像素值;
判断所述差分像素值是否大于预设的标准阈值;
当所述差分像素值小于或等于所述标准阈值时,对所述滤波区域图像进行去除,将剩余的所述滤波区域图像作为二值化差分图像;
当所述差分像素值大于所述标准阈值时,将所述滤波区域图像作为二值化差分图像。
可选地,所述对所述二值化差分图像进行阴影抑制及高反差锐化操作,得到锐化图像,包括:
将所述二值化差分图像转换至预设的颜色空间内;
基于所述颜色空间对所述二值化差分图像进行阴影检测,得到所述二值化差分图像对应的图像阴影;
对所述二值化差分图像对应的图像阴影进行阴影模板约束,得到抑制图像;
对所述抑制图像进行锐化约束,得到锐化图像。
可选地,所述计算所述运动目标的目标数量,包括:
根据所述运动目标及所述锐化图像进行函数拟合,得到目标函数;
利用下述公式进行函数拟合:
其中,J(d)表示所述锐化图像对应的目标函数,d表示所述锐化图像,dn表示所述锐化图像中第n个运动目标,N表示所述运动目标的总数,δ表示预设的拟合参数;
对所述目标函数与预设的高斯核滤波器进行卷积处理及密度转化,得到密度方程;
所述密度方程表示为:
其中,K(d)表示所述锐化图像对应的密度方程,d表示所述锐化图像,dn表示所述锐化图像中第n个运动目标,N表示所述运动目标的总数,δ表示预设的拟合参数,L表示所述高斯核滤波器对应的高斯核函数;
根据所述密度方程计算所述运动目标的目标数量;
利用下述公式计算所述运动目标的目标数量:
其中,u表示所述运动目标的目标数量,K(d)表示所述锐化图像对应的密度方程,d表示所述锐化图像。
可选地,所述根据所述人流密度进行安全预警,包括:
判断所述人流密度是否小于预设的饱和密度;
当所述人流密度小于所述饱和密度时,判定所述人流密度正常。
当所述人流密度大于或等于所述饱和密度时,判定所述人流密度异常,获取所述人流密度对应的人流地址,并预估所述人流密度的持续时长;
对所述人流密度进行密度等级划分,得到人流密度等级;
根据所述人流地址、所述持续时长及所述人流密度等级生成预警信号,将所述预警信号进行可视化显示。
为了解决上述问题,本发明还提供一种基于物联网的人流密集区域监控系统,所述系统包括:
图像采集模块,用于获取密集区域监控视频,从所述密集区域监控视频中采集初始人流密集区域图像,对所述初始人流密集区域图像进行背景稳定性调整,得到人流密集区域图像;
图像滤波处理模块,用于对所述人流密集区域图像进行色彩分量均化及均值滤波处理,得到滤波区域图像;
图像差分处理模块,用于提取所述初始人流密集区域图像中的原始背景图像,根据所述原始背景图像与所述滤波区域图像进行差分处理,得到二值化差分图像;
运动目标识别模块,用于对所述二值化差分图像进行阴影抑制及高反差锐化操作,得到锐化图像,识别所述锐化图像中的运动目标,并计算所述运动目标的目标数量;
人流密度计算模块,用于根据所述运动目标及所述目标数量计算人流密度,根据所述人流密度进行安全预警。
本发明实施例通过对初始人流密集区域图像进行背景稳定性调整,能够提高得到的人流密集区域图像的稳定性;通过对人流密集区域图像进行灰度处理及均值滤波处理,能够准确得到滤波区域图像,从而加快图像分析的效率;通过原始背景图像与滤波区域图像进行差分处理,使得到的二值化差分图像更加精确;通过对二值化差分图像进行阴影抑制及高反差锐化操作,能够准确得到锐化图像,并精确识别锐化图像中的运动目标,从而保证能够准确计算运动目标的目标数量;通过运动目标及目标数量计算人流密度,能够提高人流密度的精确性,根据人流密度能够及时进行安全预警,从而提高安全预警的效率。因此本发明提出的基于物联网的人流密集区域监控方法及系统,可以解决分析人群密度时的精确性较低,从而导致实时预警的效率较低的问题。
附图说明
图1为本发明一实施例提供的基于物联网的人流密集区域监控方法的流程示意图;
图2为本发明一实施例提供的从密集区域监控视频中采集初始人流密集区域图像的流程示意图;
图3为本发明一实施例提供的对初始人流密集区域图像进行背景稳定性调整,得到人流密集区域图像的流程示意图;
图4为本发明一实施例提供的基于物联网的人流密集区域监控系统的功能模块图;
图5为本发明一实施例提供的实现所述基于物联网的人流密集区域监控方法的电子设备的结构示意图。
本发明目的的实现、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
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于物联网的人流密集区域监控方法。所述基于物联网的人流密集区域监控方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于物联网的人流密集区域监控方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。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。
参照图1所示,为本发明一实施例提供的基于物联网的人流密集区域监控方法的流程示意图。在本实施例中,所述基于物联网的人流密集区域监控方法包括:
S1、获取密集区域监控视频,从所述密集区域监控视频中采集初始人流密集区域图像,对所述初始人流密集区域图像进行背景稳定性调整,得到人流密集区域图像。
本发明实施例中,所述密集区域监控视频指的是对于商场、广场及交通枢纽等密集区域通过摄像头等监控设备录制的视频。
请参阅图2所示,本发明实施例中,所述从所述密集区域监控视频中采集初始人流密集区域图像,包括:
S21、获取所述密集区域监控视频中的人流速度,根据所述人流速度设定视频截取参数;
S22、根据所述视频截取参数对所述密集区域监控视频进行图像截取,得到监控图像;
S23、对所述监控图像进行像素值筛选,得到初始人流密集区域图像。
本发明实施例中,所述密集区域监控视频中的人流速度可以采用预设的测速器进行测量,得到人流速度;所述视频截取参数包括视频播放帧率、截取时间间隔及截取图像大小等;根据所述视频截取参数利用预设的截取命令对所述密集区域监控视频进行图像截取,其中,所述截取命令包括开始命令及结束命令;对所述监控图像进行筛选,能够加快所述监控图像的筛选效率,避免所述监控图像的丢失。
进一步地,所述对所述监控图像进行像素值筛选,得到初始人流密集区域图像,包括:
对相邻两个所述监控图像之间进行帧间差分计算,得到差分图像;
判断所述差分图像的图像像素值是否大于预设的像素阈值;
当所述差分图像的图像像素值小于或等于所述像素阈值时,对所述差分图像对应的相邻两个监控图像进行删减,将删减后的所述差分图像对应的监控图像作为初始人流密集区域图像;
当所述图像像素值大于所述像素阈值时,将所述差分图像对应的相邻两个监控图像作为初始人流密集区域图像。
本发明实施例中,利用下述公式进行帧间差分计算:
Ha(x′,y′)=|Ca(x1,y1)-Ca-1(x2,y2)|
其中,Ha(x′,y′)表示第a个所述监控图像对应的差分图像的差分坐标(x′,y′)对应的图像像素值,Ca(x1,y1)表示第a个所述监控图像的第一坐标(x1,y1)对应的第一监控像素值,Ca-1(x2,y2)表示第a-1个所述监控图像的第二坐标(x2,y2)对应的第二监控像素值。
本发明实施例中,所述帧间差分计算指的是采用相邻帧差法的方式将连续两个所述监控图像的像素值进行差值计算后取绝对值,从而得到差分图像;所述像素阈值指的是预先设定的两个相邻所述监控图像的像素标准差值,其中,所述像素阈值一般设置为图像亮度范围极限的15%左右。
本发明实施例中,当所述差分图像的图像像素值小于或等于所述像素阈值时,表示所述差分图像对应的监控图像中人流量较小,因此,所述差分图像对应的监控图像不是需要重点监控的区域,将所述差分图像对应的监控图像进行删除,将所述图像序列进行更新,即将删除的监控图像后的图像进行前移,得到新的图像序列;当所述差分图像的图像像素值大于所述像素阈值时,表示所述差分图像对应的监控图像中的人流量较大,需要重点进行监控,即将所述差分图像对应的两个监控图像作为初始人流密集区域图像。
进一步地,通过帧间差分计算后,将所述差分图像的图像像素值小于或等于所述像素阈值的差分图像的图像像素值赋值为0;并将所述差分图像的图像像素值大于所述像素阈值的差分图像的图像像素值赋值为255;其中,所述差分图像的图像像素值为非“0”时,表示所述差分图像对应的区域为运动目标区域,即初始人流密集区域图像,可以利用下述公式表示:
其中,Fa(x,y)表示第a个所述监控图像对应的初始人流密集区域图像的初始坐标(x,y)对应的像素值,Ha(x′,y′)表示第a个所述监控图像对应的差分图像的差分坐标(x′,y′)对应的图像像素值,T表示所述像素阈值。
请参阅图3所示,本发明实施例中,所述对所述初始人流密集区域图像进行背景稳定性调整,得到人流密集区域图像,包括:
S31、对所述初始人流密集区域图像进行前背景划分,得到背景图像及人流区域图像;
S32、对所述初始人流密集区域图像的像素值与所述背景图像的背景像素值进行差值计算,得到所述人流区域图像的人流像素值;
S33、根据所述人流像素值与预设的标准像素值对所述初始人流密集区域图像进行二值化处理,得到二值化区域图像;
S34、对所述二值化区域图像进行背景像素调整,得到更新背景图像;
S35、根据所述更新背景图像及所述人流区域图像生成人流密集区域图像。
本发明实施例中,采用背景建模的方式对所述初始人流密集区域图像的背景图像及人流区域图像进行划分,具体地,采用所述初始人流密集区域图像的第一帧初始化背景模型,根据所述背景模型在时间和空间基础上从所述初始人流密集区域图像中选取背景图像;并采用ViBe算法检测出所述人流区域图像。
本发明实施例中,利用下述公式进行差值计算:
D=|F-E|
其中,D表示所述人流区域图像的人流像素值,F表示所述初始人流密集区域图像的像素值,E表示所述背景图像的背景像素值。
本发明实施例中,利用下述公式进行二值化处理:
其中,V表示所述二值化区域图像,D表示所述人流区域图像的人流像素值,th表示所述标准像素值。
本发明实施例中,利用下述公式进行背景像素调整:
其中,E′表示更新背景图像的更新像素值,E表示所述背景图像的背景像素值,F表示所述初始人流密集区域图像的像素值,V表示所述二值化区域图像,k表示预设的计算参数。
本发明实施例中,对初始人流密集区域图像进行背景稳定性调整,能够保证得到的人流密集区域图像对应的背景图像的稳定性,从而保证后续进行图像分析时的准确性。
S2、对所述人流密集区域图像进行色彩分量均化及均值滤波处理,得到滤波区域图像。
本发明实施例中,所述对所述人流密集区域图像进行色彩分量均化及均值滤波处理,得到滤波区域图像,包括:
获取所述人流密集区域图像中的图像颜色分量,对所述图像颜色分量进行平均化处理,得到平均分量值;
利用所述平均分量值对所述人流密集区域图像中的颜色分量进行替换,得到分量均化图像;
对所述分量均化图像进行投影分割处理,得到分割图像;
对所述分割图像进行并行均值去噪处理,得到去噪图像;
将多个所述去噪图像进行整合,得到滤波区域图像。
本发明实施例中,所述图像颜色分量包括红色分量、绿色分量及蓝色分量;可以采用预设的标准平均法对所述图像颜色分量进行平均化处理,使得所述灰度值达到标准灰度值,其中,所述标准平均法表示为:
A=0.3R+0.11B+0.59G
其中,A表示所述平均灰度值,R表示所述图像颜色分量中的红色分量,G表示所述图像颜色分量中的绿色分量,B表示所述图像颜色分量中的蓝色分量;进一步地,利用所述平均灰度值对所述人流密集区域图像中的灰度值进行替换,得到灰度图像。
本发明实施例中,由于噪声、光照变化等因素,必须进一步滤波排除杂散点,因此,利用预设的水平投影算法对所述去噪图像进行图像分割,排除提取过程中的干扰因素,得到多个分割图像;采用预设的均值滤波的方式对多个所述分割图像进行均值去噪处理,具体地,利用所述分割图像的邻近的若干像素组成的模板的均值来替代所述分割图像的原像素的值,从而得到多个去噪图像;对多个所述去噪图像按照上述分割的顺序进行拼接,得到滤波区域图像。
本发明实施例中,对所述分割图像进行并行均值去噪处理,可以加快分割图像进行去噪的速率,从而加快计算机处理效率。
本发明实施例中,对人流密集区域图像进行灰度处理及滤波处理,能够准确得到滤波区域图像,减少人流密集区域图像中的噪声等干扰因素,从而加快计算机处理效率。
S3、提取所述初始人流密集区域图像中的原始背景图像,根据所述原始背景图像与所述滤波区域图像进行差分处理,得到二值化差分图像。
本发明实施例中,提取所述初始人流密集区域图像中的原始背景图像与上述S1中对所述初始人流密集区域图像进行划分时得到的背景图像的获取方式一致,均采用背景建模的方式提取所述初始人流密集区域图像中的背景图像,因此,上述S1中的所述背景图像与所述原始背景图像一致。
本发明实施例中,所述根据所述原始背景图像与所述滤波区域图像进行差分处理,得到二值化差分图像,包括:
提取所述原始背景图像的背景像素值,并提取所述滤波区域图像的滤波像素值;
根据所述背景像素值及所述滤波像素值进行差分计算,得到差分像素值;
判断所述差分像素值是否大于预设的标准阈值;
当所述差分像素值小于或等于所述标准阈值时,对所述滤波区域图像进行去除,将剩余的所述滤波区域图像作为二值化差分图像;
当所述差分像素值大于所述标准阈值时,将所述滤波区域图像作为二值化差分图像。
本发明实施例中,可以通过指针或者迭代器的方式提取所述原始背景图像的背景像素值及滤波区域图像的滤波像素值;将所述背景像素值及所述滤波像素值进行差值计算,将计算后的像素值取绝对值,得到差分像素值。
本发明实施例中,所述标准阈值指的是预先设定的标准像素值,当所述差分像素值小于或等于所述标准阈值时,表示所述滤波区域图像不符合标准,因此,对所述滤波区域图像进行删减;当所述差分像素值大于所述标准阈值时,表示所述滤波区域图像中包含运动区域,将所述滤波区域图像作为二值化差分图像。
本发明实施例中,根据原始背景图像与滤波区域图像进行差分处理,能够准确得到二值化差分图像,准确提取出滤波区域图像中的运动区域。
S4、对所述二值化差分图像进行阴影抑制及高反差锐化操作,得到锐化图像,识别所述锐化图像中的运动目标,并计算所述运动目标的目标数量。
本发明实施例中,所述对所述二值化差分图像进行阴影抑制及高反差锐化操作,得到锐化图像,包括:
将所述二值化差分图像转换至预设的颜色空间内;
基于所述颜色空间对所述二值化差分图像进行阴影检测,得到所述二值化差分图像对应的图像阴影;
对所述二值化差分图像对应的图像阴影进行阴影模板约束,得到抑制图像;
对所述抑制图像进行锐化约束,得到锐化图像。
本发明实施例中,所述颜色空间指的是HSV颜色空间;将所述二值化差分图像放置所述颜色空间中,根据所述二值化差分图像的像素信息的变化进行阴影检测,其中,所述像素信息包括边缘、纹理信息及颜色空间信息等,具体地,所述二值化差分图像的饱和度在一个确定的界限范围内变化,即所述二值化差分图像的各个区域的饱和度差的绝对值不会超过一个固定的值,色调之间也是相差一定的角度,因此,利用所述颜色空间清晰地区分出亮度和色度信息,从而准确检测出所述二值化差分图像对应的图像阴影。
本发明实施例中,根据所述颜色空间对所述二值化差分图像对应的图像阴影进行划分,得到三个阴影分量,分别对所述阴影分量定义三个约束的阴影模板,利用阴影抑制算法将所述阴影分量保持在所述阴影模板的范围内,得到抑制图像;对所述抑制图像进行高反差保留锐化指的是设置锐化范围及锐化阈值,根据所述锐化范围及所述锐化阈值保留所述抑制图像中的高频信息,得到锐化图像。
本发明实施例中,识别所述锐化图像中的运动目标指的是对所述锐化图像进行特征提取,得到图像特征,从所述图像特征中选取连通区域,并对所述连通区域进行标记,得到区域标记,根据所述区域标记对所述连通区域进行轮廓提取,得到运动目标。
本发明实施例中,所述计算所述运动目标的目标数量,包括:
根据所述运动目标及所述锐化图像进行函数拟合,得到目标函数;
对所述目标函数与预设的高斯核滤波器进行卷积处理及密度转化,得到密度方程;
根据所述密度方程计算所述运动目标的目标数量。
本发明实施例中,利用下述公式进行函数拟合:
其中,J(d)表示所述锐化图像对应的目标函数,d表示所述锐化图像,dn表示所述锐化图像中第n个运动目标,N表示所述运动目标的总数,δ表示预设的拟合参数。
本发明实施例中,所述密度方程表示为:
其中,K(d)表示所述锐化图像对应的密度方程,d表示所述锐化图像,dn表示所述锐化图像中第n个运动目标,N表示所述运动目标的总数,δ表示预设的拟合参数,L表示所述高斯核滤波器对应的高斯核函数。
本发明实施例中,利用下述公式计算所述运动目标的目标数量:
其中,u表示所述运动目标的目标数量,K(d)表示所述锐化图像对应的密度方程,d表示所述锐化图像。
本发明实施例中,对二值化差分图像进行锐化操作,能够准确得到锐化图像,并精确识别锐化图像中的运动目标,从而准确统计运动目标的目标数量,加快数据分析的效率。
S5、根据所述运动目标及所述目标数量计算人流密度,根据所述人流密度进行安全预警。
本发明实施例中,所述根据所述运动目标及所述目标数量计算人流密度,包括:
获取所述运动目标对应的场所面积,根据所述场所面积及所述目标数量计算人流密度;
利用下述公式计算人流密度:
其中,g表示所述人流密度,S表示所述场所面积,u表示所述目标数量。
本发明实施例中,所述根据所述人流密度进行安全预警,包括:
判断所述人流密度是否小于预设的饱和密度;
当所述人流密度小于所述饱和密度时,判定所述人流密度正常。
当所述人流密度大于或等于所述饱和密度时,判定所述人流密度异常,获取所述人流密度对应的人流地址,并预估所述人流密度的持续时长;
对所述人流密度进行密度等级划分,得到人流密度等级;
根据所述人流地址、所述持续时长及所述人流密度等级生成预警信号,将所述预警信号进行可视化显示。
本发明实施例中,所述饱和密度指的是预先设定的当前场所的最大人流密度;当所述人流密度小于所述饱和密度时,表示所述人流密度在正常范围内,此时不需要进行安全预警;当所述人流密度大于或等于所述饱和密度时,表示所述人流密度不在正常范围内,此时根据所述监控设备找到对应的场所,并对所述场所进行定位,得到所述人流密度对应的人流地址;根据所述人流地址的面积大小、所述人流密度及预设用户的平均体积大小计算所述人流密度的持续时长。
本发明实施例中,按照预设的密度范围对所述人流密度进行等级划分,可以将所述人流密度划分为三个人流密度等级,包括高级、中级及低级;按照人流地址获取离所述人流地址最近的警所,将所述人流地址、所述持续时长及所述人流密度等级生成数据代码,即预警信号,并将所述预警信号发送至所述警所,其中,所述人流密度等级越高,越先生成预警信号。
本发明实施例中,对人流密度进行安全预警可以减少意外事故发生的频率,从而保证人流密集区域监控的有效性。
本发明实施例通过对初始人流密集区域图像进行背景稳定性调整,能够提高得到的人流密集区域图像的稳定性;通过对人流密集区域图像进行灰度处理及均值滤波处理,能够准确得到滤波区域图像,从而加快图像分析的效率;通过原始背景图像与滤波区域图像进行差分处理,使得到的二值化差分图像更加精确;通过对二值化差分图像进行阴影抑制及高反差锐化操作,能够准确得到锐化图像,并精确识别锐化图像中的运动目标,从而保证能够准确计算运动目标的目标数量;通过运动目标及目标数量计算人流密度,能够提高人流密度的精确性,根据人流密度能够及时进行安全预警,从而提高安全预警的效率。因此本发明提出的基于物联网的人流密集区域监控方法,可以解决分析人群密度时的精确性较低,从而导致实时预警的效率较低的问题。
如图4所示,是本发明一实施例提供的基于物联网的人流密集区域监控系统的功能模块图。
本发明所述基于物联网的人流密集区域监控系统400可以安装于电子设备中。根据实现的功能,所述基于物联网的人流密集区域监控系统400可以包括图像采集模块401、图像滤波处理模块402、图像差分处理模块403、运动目标识别模块404及人流密度计算模块405。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述图像采集模块401,用于获取密集区域监控视频,从所述密集区域监控视频中采集初始人流密集区域图像,对所述初始人流密集区域图像进行背景稳定性调整,得到人流密集区域图像;
所述图像滤波处理模块402,用于对所述人流密集区域图像进行色彩分量均化及均值滤波处理,得到滤波区域图像;
所述图像差分处理模块403,用于提取所述初始人流密集区域图像中的原始背景图像,根据所述原始背景图像与所述滤波区域图像进行差分处理,得到二值化差分图像;
所述运动目标识别模块404,用于对所述二值化差分图像进行阴影抑制及高反差锐化操作,得到锐化图像,识别所述锐化图像中的运动目标,并计算所述运动目标的目标数量;
所述人流密度计算模块405,用于根据所述运动目标及所述目标数量计算人流密度,根据所述人流密度进行安全预警。
详细地,本发明实施例中所述基于物联网的人流密集区域监控系统400中所述的各模块在使用时采用与附图中所述的基于物联网的人流密集区域监控方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现基于物联网的人流密集区域监控方法的电子设备的结构示意图。
所述电子设备500可以包括处理器501、存储器502、通信总线503以及通信接口504,还可以包括存储在所述存储器502中并可在所述处理器501上运行的计算机程序,如基于物联网的人流密集区域监控程序。
其中,所述处理器501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。所述处理器501是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器502内的程序或者模块(例如执行基于物联网的人流密集区域监控程序等),以及调用存储在所述存储器502内的数据,以执行电子设备的各种功能和处理数据。
所述存储器502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。所述存储器502在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器502在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器502还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器502不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于物联网的人流密集区域监控程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线503可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,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。所述总线被设置为实现所述存储器502以及至少一个处理器501等之间的连接通信。
所述通信接口504用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。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),通常用于在该电子设备与其他电子设备之间建立通信连接。所述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,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备500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。
例如,尽管未示出,所述电子设备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系统与所述至少一个处理器501逻辑相连,从而通过电源管理系统实现充电管理、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、再充电系统、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。所述电子设备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。
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。
所述电子设备500中的所述存储器502存储的基于物联网的人流密集区域监控程序是多个指令的组合,在所述处理器501中运行时,可以实现:
获取密集区域监控视频,从所述密集区域监控视频中采集初始人流密集区域图像,对所述初始人流密集区域图像进行背景稳定性调整,得到人流密集区域图像;
对所述人流密集区域图像进行色彩分量均化及均值滤波处理,得到滤波区域图像;
提取所述初始人流密集区域图像中的原始背景图像,根据所述原始背景图像与所述滤波区域图像进行差分处理,得到二值化差分图像;
对所述二值化差分图像进行阴影抑制及高反差锐化操作,得到锐化图像,识别所述锐化图像中的运动目标,并计算所述运动目标的目标数量;
根据所述运动目标及所述目标数量计算人流密度,根据所述人流密度进行安全预警。
具体地,所述处理器501对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备500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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,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系统、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)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取密集区域监控视频,从所述密集区域监控视频中采集初始人流密集区域图像,对所述初始人流密集区域图像进行背景稳定性调整,得到人流密集区域图像;
对所述人流密集区域图像进行色彩分量均化及均值滤波处理,得到滤波区域图像;
提取所述初始人流密集区域图像中的原始背景图像,根据所述原始背景图像与所述滤波区域图像进行差分处理,得到二值化差分图像;
对所述二值化差分图像进行阴影抑制及高反差锐化操作,得到锐化图像,识别所述锐化图像中的运动目标,并计算所述运动目标的目标数量;
根据所述运动目标及所述目标数量计算人流密度,根据所述人流密度进行安全预警。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,系统和方法,可以通过其它的方式实现。例如,以上所描述的系统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。
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。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。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。
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。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统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 (7)
1.一种基于物联网的人流密集区域监控方法,其特征在于,所述方法包括:
获取密集区域监控视频,获取所述密集区域监控视频中的人流速度,根据所述人流速度设定视频截取参数;
根据所述视频截取参数对所述密集区域监控视频进行图像截取,得到监控图像;对相邻两个所述监控图像之间进行帧间差分计算,得到差分图像;
利用下述公式进行帧间差分计算:
Ha(x′,y′)=|Ca(x1,y1)-Ca-1(x2,y2)|
其中,Ha(x',y')表示第a个所述监控图像对应的差分图像的差分坐标(x',y')对应的图像像素值,Ca(x1,y1)表示第a个所述监控图像的第一坐标(x1,y1)对应的第一监控像素值,Ca-1(x2,y2)表示第a-1个所述监控图像的第二坐标(x2,y2)对应的第二监控像素值;
判断所述差分图像的图像像素值是否大于预设的像素阈值;
当所述差分图像的图像像素值小于或等于所述像素阈值时,对所述差分图像对应的相邻两个监控图像进行删减,将删减后的所述差分图像对应的监控图像作为初始人流密集区域图像;
当所述图像像素值大于所述像素阈值时,将所述差分图像对应的相邻两个监控图像作为初始人流密集区域图像;
对所述初始人流密集区域图像进行前背景划分,得到背景图像及人流区域图像;对所述初始人流密集区域图像的像素值与所述背景图像的背景像素值进行差值计算,得到所述人流区域图像的人流像素值;
利用下述公式进行差值计算:
D=|F-E|
其中,D表示所述人流区域图像的人流像素值,F表示所述初始人流密集区域图像的像素值,E表示所述背景图像的背景像素值;
根据所述人流像素值与预设的标准像素值对所述初始人流密集区域图像进行二值化处理,得到二值化区域图像;
对所述二值化区域图像进行背景像素调整,得到更新背景图像;
利用下述公式进行背景像素调整:
其中,E'表示更新背景图像的更新像素值,E表示所述背景图像的背景像素值,F表示所述初始人流密集区域图像的像素值,V表示所述二值化区域图像,k表示预设的计算参数;
根据所述更新背景图像及所述人流区域图像生成人流密集区域图像;
对所述人流密集区域图像进行色彩分量均化及均值滤波处理,得到滤波区域图像;
提取所述初始人流密集区域图像中的原始背景图像,根据所述原始背景图像与所述滤波区域图像进行差分处理,得到二值化差分图像;
对所述二值化差分图像进行阴影抑制及高反差锐化操作,得到锐化图像,识别所述锐化图像中的运动目标,并计算所述运动目标的目标数量;
根据所述运动目标及所述目标数量计算人流密度,根据所述人流密度进行安全预警。
2.如权利要求1所述的基于物联网的人流密集区域监控方法,其特征在于,所述对所述人流密集区域图像进行色彩分量均化及均值滤波处理,得到滤波区域图像,包括:
获取所述人流密集区域图像中的图像颜色分量,对所述图像颜色分量进行平均化处理,得到平均分量值;
利用所述平均分量值对所述人流密集区域图像中的颜色分量进行替换,得到分量均化图像;
对所述分量均化图像进行投影分割处理,得到分割图像;
对所述分割图像进行并行均值去噪处理,得到去噪图像;
将多个所述去噪图像进行整合,得到滤波区域图像。
3.如权利要求1所述的基于物联网的人流密集区域监控方法,其特征在于,所述根据所述原始背景图像与所述滤波区域图像进行差分处理,得到二值化差分图像,包括:
提取所述原始背景图像的背景像素值,并提取所述滤波区域图像的滤波像素值;
根据所述背景像素值及所述滤波像素值进行差分计算,得到差分像素值;
判断所述差分像素值是否大于预设的标准阈值;
当所述差分像素值小于或等于所述标准阈值时,对所述滤波区域图像进行去除,将剩余的所述滤波区域图像作为二值化差分图像;
当所述差分像素值大于所述标准阈值时,将所述滤波区域图像作为二值化差分图像。
4.如权利要求1所述的基于物联网的人流密集区域监控方法,其特征在于,所述对所述二值化差分图像进行阴影抑制及高反差锐化操作,得到锐化图像,包括:
将所述二值化差分图像转换至预设的颜色空间内;
基于所述颜色空间对所述二值化差分图像进行阴影检测,得到所述二值化差分图像对应的图像阴影;
对所述二值化差分图像对应的图像阴影进行阴影模板约束,得到抑制图像;
对所述抑制图像进行锐化约束,得到锐化图像。
5.如权利要求1所述的基于物联网的人流密集区域监控方法,其特征在于,所述计算所述运动目标的目标数量,包括:
根据所述运动目标及所述锐化图像进行函数拟合,得到目标函数;
利用下述公式进行函数拟合:
其中,J(d)表示所述锐化图像对应的目标函数,d表示所述锐化图像,dn表示所述锐化图像中第n个运动目标,N表示所述运动目标的总数,δ表示预设的拟合参数;
对所述目标函数与预设的高斯核滤波器进行卷积处理及密度转化,得到密度方程;
所述密度方程表示为:
其中,K(d)表示所述锐化图像对应的密度方程,d表示所述锐化图像,dn表示所述锐化图像中第n个运动目标,N表示所述运动目标的总数,δ表示预设的拟合参数,L表示所述高斯核滤波器对应的高斯核函数;
根据所述密度方程计算所述运动目标的目标数量;
利用下述公式计算所述运动目标的目标数量:
其中,u表示所述运动目标的目标数量,K(d)表示所述锐化图像对应的密度方程,d表示所述锐化图像。
6.如权利要求1所述的基于物联网的人流密集区域监控方法,其特征在于,所述根据所述人流密度进行安全预警,包括:
判断所述人流密度是否小于预设的饱和密度;
当所述人流密度小于所述饱和密度时,判定所述人流密度正常;
当所述人流密度大于或等于所述饱和密度时,判定所述人流密度异常,获取所述人流密度对应的人流地址,并预估所述人流密度的持续时长;
对所述人流密度进行密度等级划分,得到人流密度等级;
根据所述人流地址、所述持续时长及所述人流密度等级生成预警信号,将所述预警信号进行可视化显示。
7.一种基于物联网的人流密集区域监控系统,其特征在于,所述系统包括:
图像采集模块,用于获取密集区域监控视频,获取所述密集区域监控视频中的人流速度,根据所述人流速度设定视频截取参数;
根据所述视频截取参数对所述密集区域监控视频进行图像截取,得到监控图像;对相邻两个所述监控图像之间进行帧间差分计算,得到差分图像;
利用下述公式进行帧间差分计算:
Ha(x′,y′)=|Ca(x1,y1)-Ca-1(x2,y2)|
其中,Ha(x',y')表示第a个所述监控图像对应的差分图像的差分坐标(x',y')对应的图像像素值,Ca(x1,y1)表示第a个所述监控图像的第一坐标(x1,y1)对应的第一监控像素值,Ca-1(x2,y2)表示第a-1个所述监控图像的第二坐标(x2,y2)对应的第二监控像素值;
判断所述差分图像的图像像素值是否大于预设的像素阈值;
当所述差分图像的图像像素值小于或等于所述像素阈值时,对所述差分图像对应的相邻两个监控图像进行删减,将删减后的所述差分图像对应的监控图像作为初始人流密集区域图像;
当所述图像像素值大于所述像素阈值时,将所述差分图像对应的相邻两个监控图像作为初始人流密集区域图像;
对所述初始人流密集区域图像进行前背景划分,得到背景图像及人流区域图像;对所述初始人流密集区域图像的像素值与所述背景图像的背景像素值进行差值计算,得到所述人流区域图像的人流像素值;
利用下述公式进行差值计算:
D=|F-E|
其中,D表示所述人流区域图像的人流像素值,F表示所述初始人流密集区域图像的像素值,E表示所述背景图像的背景像素值;
根据所述人流像素值与预设的标准像素值对所述初始人流密集区域图像进行二值化处理,得到二值化区域图像;
对所述二值化区域图像进行背景像素调整,得到更新背景图像;
利用下述公式进行背景像素调整:
其中,E'表示更新背景图像的更新像素值,E表示所述背景图像的背景像素值,F表示所述初始人流密集区域图像的像素值,V表示所述二值化区域图像,j表示预设的计算参数;
根据所述更新背景图像及所述人流区域图像生成人流密集区域图像;
图像滤波处理模块,用于对所述人流密集区域图像进行色彩分量均化及均值滤波处理,得到滤波区域图像;
图像差分处理模块,用于提取所述初始人流密集区域图像中的原始背景图像,根据所述原始背景图像与所述滤波区域图像进行差分处理,得到二值化差分图像;
运动目标识别模块,用于对所述二值化差分图像进行阴影抑制及高反差锐化操作,得到锐化图像,识别所述锐化图像中的运动目标,并计算所述运动目标的目标数量;
人流密度计算模块,用于根据所述运动目标及所述目标数量计算人流密度,根据所述人流密度进行安全预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882734.6A CN117041484B (zh) | 2023-07-18 | 2023-07-18 | 基于物联网的人流密集区域监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882734.6A CN117041484B (zh) | 2023-07-18 | 2023-07-18 | 基于物联网的人流密集区域监控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117041484A CN117041484A (zh) | 2023-11-10 |
CN117041484B true CN117041484B (zh) | 2024-05-24 |
Family
ID=88621702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310882734.6A Active CN117041484B (zh) | 2023-07-18 | 2023-07-18 | 基于物联网的人流密集区域监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117041484B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118098177B (zh) * | 2024-04-22 | 2024-07-09 | 吉林省北联显示技术有限公司 | 一种基于物联网的地铁显示终端节能控制系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6141433A (en) * | 1997-06-19 | 2000-10-31 | Ncr Corporation | System and method for segmenting image regions from a scene likely to represent particular objects in the scene |
CN101325690A (zh) * | 2007-06-12 | 2008-12-17 | 上海正电科技发展有限公司 | 监控视频流中人流分析与人群聚集过程的检测方法及系统 |
CN102324016A (zh) * | 2011-05-27 | 2012-01-18 | 郝红卫 | 一种高密度人群流量统计方法 |
CN103714703A (zh) * | 2013-12-17 | 2014-04-09 | 重庆凯泽科技有限公司 | 一种基于视频图像处理的车流检测算法 |
CN105427345A (zh) * | 2015-11-30 | 2016-03-23 | 北京正安维视科技股份有限公司 | 基于相机投影矩阵的三维人流运动分析方法 |
CN108664946A (zh) * | 2018-05-18 | 2018-10-16 | 上海极歌企业管理咨询中心(有限合伙) | 基于图像的人流特征获取方法及装置 |
CN109101888A (zh) * | 2018-07-11 | 2018-12-28 | 南京农业大学 | 一种游客人流量监控预警方法 |
CN109919068A (zh) * | 2019-02-27 | 2019-06-21 | 中国民用航空总局第二研究所 | 基于视频分析适应密集场景人流实时监测方法 |
CN115151949A (zh) * | 2022-06-02 | 2022-10-04 | 深圳市正浩创新科技股份有限公司 | 目标物归集方法、设备和存储介质 |
-
2023
- 2023-07-18 CN CN202310882734.6A patent/CN117041484B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6141433A (en) * | 1997-06-19 | 2000-10-31 | Ncr Corporation | System and method for segmenting image regions from a scene likely to represent particular objects in the scene |
CN101325690A (zh) * | 2007-06-12 | 2008-12-17 | 上海正电科技发展有限公司 | 监控视频流中人流分析与人群聚集过程的检测方法及系统 |
CN102324016A (zh) * | 2011-05-27 | 2012-01-18 | 郝红卫 | 一种高密度人群流量统计方法 |
CN103714703A (zh) * | 2013-12-17 | 2014-04-09 | 重庆凯泽科技有限公司 | 一种基于视频图像处理的车流检测算法 |
CN105427345A (zh) * | 2015-11-30 | 2016-03-23 | 北京正安维视科技股份有限公司 | 基于相机投影矩阵的三维人流运动分析方法 |
CN108664946A (zh) * | 2018-05-18 | 2018-10-16 | 上海极歌企业管理咨询中心(有限合伙) | 基于图像的人流特征获取方法及装置 |
CN109101888A (zh) * | 2018-07-11 | 2018-12-28 | 南京农业大学 | 一种游客人流量监控预警方法 |
CN109919068A (zh) * | 2019-02-27 | 2019-06-21 | 中国民用航空总局第二研究所 | 基于视频分析适应密集场景人流实时监测方法 |
CN115151949A (zh) * | 2022-06-02 | 2022-10-04 | 深圳市正浩创新科技股份有限公司 | 目标物归集方法、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117041484A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104933710B (zh) | 基于监控视频下的商店人流轨迹智能分析方法 | |
US9740967B2 (en) | Method and apparatus of determining air quality | |
CN107256225B (zh) | 一种基于视频分析的热度图生成方法及装置 | |
CN102348128B (zh) | 具有摄像机异常检测装置的监视用摄像机系统 | |
TWI489395B (zh) | 前景偵測裝置及方法 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN117041484B (zh) | 基于物联网的人流密集区域监控方法及系统 | |
CN112528861B (zh) | 应用于铁路隧道内道床的异物检测方法及装置 | |
CN111695609A (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
CN113554008B (zh) | 静态物体区域内检测方法、装置、电子设备及存储介质 | |
CN110659546B (zh) | 一种违法摊位检测方法及装置 | |
CN112149649B (zh) | 一种道路抛洒物检测方法、计算机设备及存储介质 | |
CN109711375B (zh) | 一种信号灯的识别方法及装置 | |
CN102902960A (zh) | 基于高斯建模与目标轮廓的遗留物检测方法 | |
CN114550076A (zh) | 区域异常行为监控方法、装置、设备及存储介质 | |
CN110782409A (zh) | 一种去除多运动物体阴影的方法 | |
CN111079621A (zh) | 检测对象的方法、装置、电子设备和存储介质 | |
CN114816055A (zh) | 基于vr设备的眼球运动轨迹捕捉分析方法、装置及介质 | |
Kini | Real time moving vehicle congestion detection and tracking using OpenCV | |
CN117455762A (zh) | 基于全景行车记录仪的记录画面分辨率提升方法及系统 | |
JP2019121356A (ja) | 干渉領域検出装置と方法及び電子機器 | |
CN115601684A (zh) | 突发事件预警方法、装置、电子设备及存储介质 | |
CN115760854A (zh) | 基于深度学习的电力设备缺陷检测方法、装置及电子设备 | |
CN111027560B (zh) | 文本检测方法以及相关装置 | |
CN113657316A (zh) | 移动交通违章监测方法、系统、电子设备及存储介质 |
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 |