CN117746343A - 基于等高轮廓图的人员流动检测方法及系统 - Google Patents
基于等高轮廓图的人员流动检测方法及系统 Download PDFInfo
- Publication number
- CN117746343A CN117746343A CN202410185692.5A CN202410185692A CN117746343A CN 117746343 A CN117746343 A CN 117746343A CN 202410185692 A CN202410185692 A CN 202410185692A CN 117746343 A CN117746343 A CN 117746343A
- Authority
- CN
- China
- Prior art keywords
- contour map
- distance
- personnel
- contour
- flow 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 36
- 230000033001 locomotion Effects 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本发明属于人员流动检测技术领域,提供了一种基于等高轮廓图的人员流动检测方法及系统,本发明中,首先,获取经过人员反射的红外光信号,并计算红外光接收点到人员间的距离;根据计算的距离,建立包括平面坐标点、距离和时间的多维向量;然后,根据多维向量,将每个时刻的平面坐标点和距离数据转换为等高轮廓图;最后,对每个等高轮廓图进行标记,并对每个等高轮廓图的标记进行跟踪,得到每个等高轮廓图的运动轨迹,实现人员流动检测;通过对每个等高轮廓图的标记进行跟踪,实现人员流动检测,能够在时间维度上对人员进行很好的识别,解决了被识别的人员具有不同高度特征体,以及特征在时间维度大量累积导致的识别精度低,处理速度慢等问题。
Description
技术领域
本发明属于人员流动检测技术领域,尤其涉及一种基于等高轮廓图的人员流动检测方法及系统。
背景技术
人员流动检测方式中包括传统红外光栅检测方式、采用摄像头识别方式和采用毫米波雷达方式等;其中,传统红外光栅检测方式,不仅安装复杂,而且本身采用人员光线遮挡的方法就行识别,人员密集后,误差较大;采用摄像头识别方式,成本较高,对本身算力要求较高,而且存在人员隐私问题,只适用于公共区域,无法在办公室等场景使用;采用毫米波雷达方式,在人员密集时,毫米波反射路径复杂,分辨率较低,无法实现人员识别,同时毫米波雷达造价高,性价比不高。
发明人发现,采用带有TOF(Time-of-Flight)的人流量自动监控设备,不仅成本低,受干扰小,精度高而且不存在人员隐私问题,适用于绝大多数的场景;但是,目前带有TOF的人流量自动监控设备获取数据后,不能在时间维度上对人员进行很好的识别,不能很好的将时间维度数据和人员特征数据等进行有效融合及识别,比如,被识别的人员具有不同高度特征体,同时这些运动数据需要在时间维度进行累积,大量累积的数据导致存在识别精度低,处理速度慢等问题。
发明内容
本发明为了解决上述问题,提出了一种基于等高轮廓图的人员流动检测方法及系统,本发明将每个时刻的平面坐标点和距离数据转换为等高轮廓图,通过对每个等高轮廓图的标记进行跟踪,实现人员流动检测,能够在时间维度上对人员进行很好的识别,解决了被识别的人员具有不同高度特征体,以及特征在时间维度大量累积导致的识别精度低,处理速度慢等问题。
为了实现上述目的,本发明是通过如下的技术方案来实现:
第一方面,本发明提供了一种基于等高轮廓图的人员流动检测方法,包括:
获取经过人员反射的红外光信号;
根据所述红外光信号,计算红外光接收点到人员间的距离;
根据计算得到的距离,建立包括平面坐标点、距离和时间的多维向量;
根据多维向量,将每个时刻的平面坐标点和距离数据转换为等高轮廓图;具体的,将包括平面坐标点和距离的三维数据按照从远到近的顺序做切面处理,距离大于预设距离时设置为0,否则不处理,对处理后的数据进行轮廓识别;
对每个等高轮廓图进行标记,并对每个等高轮廓图的标记进行跟踪,得到每个等高轮廓图的运动轨迹,实现人员流动检测。
进一步的,根据接收红外光信号和发射红外光信号的比较,计算红外光从发送到接收所经历的时间,通过时间计算红外光接收点到人员间的距离。
进一步的,将测量距离转变为等效距离:
d=D*cos(α+δ)+K
其中,d为等效距离,也称目标值,为人员到基准前的目标值;D为红外光到人员之间的直线距离,也称测量值;α为红外光接收点和人员间的直线,与人员到基准线垂线之间的角度;δ为修正角度值;K为线性修正值。
进一步的,将等高轮廓图中最边缘的一个像素值填充为0。
进一步的,对等高轮廓图进行识别:
将一个不为0的像素点,标记为第一个处理的点;
按照逆时针遍寻的方式查找相邻的像素值是否为0,如果为0,按照继续查找,如果相邻点全部为0,则判断是否存在和第一个处理的点重合的点;
如果存在重合的点,则找到完整轮廓,遍寻下一个点;如果不存在重合的点,则中心确定需要遍寻的处理点按照顺时针遍寻的方式查找相邻的像素值是否为0,如果相邻点全部为0,查找结束,否则,判断不为0的点是否存与处理点重合;
如果重合,则进行下一个的遍寻,否则将不为0的点的像素值填充为0。
进一步的,根据个等高轮廓图,得到每个等高轮廓图在时间维度上的累积图;对每个等高轮廓图进行标记包括,图中人员所占面积值、人员所占面积和轮廓面积差值以及人员坐标值。
进一步的,对每个等高轮廓图的标记进行跟踪,记录运动轨迹:
对每个预设检测范围的人员进行标记;
对每个标记的轮廓进行识别后,首先按照标记信息进行归类,如果标记信息的相似度在预设百分比以上,则归为一组;
对每一个分组进行匹配;具体的,在同一组中再根据不同轮廓间的距离进行区分,如果距离在设定的范围内,认定这两个轮廓为同一轮廓;
对每一个分组进行匹配完成后,对标记信息进行时间和位置更新。
第二方面,本发明还提供了一种基于等高轮廓图的人员流动检测系统,包括:
数据采集模块,被配置为:获取经过人员反射的红外光信号;
距离计算模块,被配置为:根据所述红外光信号,计算红外光接收点到人员间的距离;
建立向量模块,被配置为:根据计算得到的距离,建立包括平面坐标点、距离和时间的多维向量;
等高轮廓图转换模块,被配置为:根据多维向量,将每个时刻的平面坐标点和距离数据转换为等高轮廓图;具体的,将包括平面坐标点和距离的三维数据按照从远到近的顺序做切面处理,距离大于预设距离时设置为0,否则不处理,对处理后的数据进行轮廓识别;
检测模块,被配置为:对每个等高轮廓图进行标记,并对每个等高轮廓图的标记进行跟踪,得到每个等高轮廓图的运动轨迹,实现人员流动检测。
第三方面,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现了第一方面所述的基于等高轮廓图的人员流动检测方法的步骤。
第四方面,本发明还提供了一种电子设备,包括存储器、处理器及存储在存储器上并能够在处理器上运行的计算机程序,所述处理器执行所述程序时实现了第一方面所述的基于等高轮廓图的人员流动检测方法的步骤。
与现有技术相比,本发明的有益效果为:
本发明中,首先,获取经过人员反射的红外光信号,并计算红外光接收点到人员间的距离;根据计算得到的距离,建立包括平面坐标点、距离和时间的多维向量;然后,根据多维向量,将每个时刻的平面坐标点和距离数据转换为等高轮廓图;具体的,将包括平面坐标点和距离的三维数据按照从远到近的顺序做切面处理,距离大于预设距离时设置为0,否则不处理,对处理后的数据进行轮廓识别;最后,对每个等高轮廓图进行标记,并对每个等高轮廓图的标记进行跟踪,得到每个等高轮廓图的运动轨迹,实现人员流动检测;将每个时刻的平面坐标点和距离数据转换为等高轮廓图,通过对每个等高轮廓图的标记进行跟踪,实现人员流动检测,能够在时间维度上对人员进行很好的识别,解决了被识别的人员具有不同高度特征体,以及特征在时间维度大量累积导致的识别精度低,处理速度慢等问题。
附图说明
构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解,本实施例的示意性实施例及其说明用于解释本实施例,并不构成对本实施例的不当限定。
图1为本发明实施例1的检测系统示意图;
图2为本发明实施例1的距离示意图;
图3为本发明实施例1的逆时针遍寻示意图;
图4为本发明实施例1的顺时针遍寻示意图;
图5为本发明实施例1的等高轮廓图;
图6为本发明实施例1的等高轮廓图在时间维度上的累积图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
实施例1:
目前人员流动检测方法中,不能在时间维度上对人员进行很好的识别,不能很好的将时间维度数据和人员特征数据等进行有效融合及识别,比如,被识别的人员具有不同高度特征体,同时这些运动数据需要在时间维度进行累积,大量累积的数据导致存在识别精度低,处理速度慢等问题。
针对上述问题,本实施例提供了一种基于等高轮廓图的人员流动检测方法,首先,获取经过人员反射的红外光信号,并计算红外光接收点到人员间的距离;根据计算得到的距离,建立包括平面坐标点、距离和时间的多维向量;然后,根据多维向量,将每个时刻的平面坐标点和距离数据转换为等高轮廓图;具体的,将包括平面坐标点和距离的三维数据按照从远到近的顺序做切面处理,距离大于预设距离时设置为0,否则不处理,对处理后的数据进行轮廓识别;最后,对每个等高轮廓图进行标记,并对每个等高轮廓图的标记进行跟踪,得到每个等高轮廓图的运动轨迹,实现人员流动检测;将每个时刻的平面坐标点和距离数据转换为等高轮廓图,通过对每个等高轮廓图的标记进行跟踪,实现人员流动检测,能够在时间维度上对人员进行很好的识别,解决了被识别的人员具有不同高度特征体,以及特征在时间维度大量累积导致的识别精度低,处理速度慢等问题。
如图1所示,本实施例还提供一种基于等高轮廓图的人员流动检测系统,用于实现本实施例中的方法,其中,红外光源连接有光源驱动,传感器采用TOF传感器,与传感器连接的处理器采用ISP(Image Signal Processing)处理器,与处理器连接有数据处理CPU,与数据处理CPU连接有数据传输模块;电源模块用于整个系统的供电。其中,传感器可以采用二维TOF传感器,不仅成本低,受干扰小,精度高而且不存在人员隐私问题,适用于绝大多数的场景。
S1、采集数据:
如图1所示,红外光源通过光源驱动电路发射矩形波调制的脉冲光,矩形波的调制频率根据需要检测的人员的最大距离来计算。TOF传感器将接收到的经过人员反射的调制光,TOF传感器根据接收信号和发射信号的比较,计算光从发送到接收到的反射光所经历的时间,通过时间计算传感器到人员间的距离。
S2、坐标转换:
如图1和图2所示,ISP处理器通过MIPI(Mobile Industry Processor Interface)总线读取TOF传感器每个像素的距离值,根据透镜的视角参数对距离值进行数据转换,将测量距离转变为等效距离。
具体的,在测量过程中获取到的距离实际是图中斜线所得到的测量值D,而在后续计算时需要的是该点相对于基准线的目标值d,需要根据透镜特性将测量值D转换,得出目标值d。计算方法为根据该像素点的位置,确定角度α,然后根据下列公式计算:
d=D*cos(α+δ)+K
其中,δ为修正角度值;K为线性修正值;δ和K通过设备进行修正补偿。
S3、数据有效性处理:
在实际使用中,会出现过曝或欠曝的情况,基体的,当测量人员非常接近TOF传感器或者发光强度太大反射率较高时回发生过曝,出现数据异常,当测量人员很远,反射光线很弱,会出现欠曝情况。出现过曝和欠曝时,测量值计算会出现错误造成该数据无效的情况,需要对该数据进行修正或者错误标记。
针对过曝或欠曝的情况,ISP处理器统计过曝和欠曝像素点的数量,适当的调整光源驱动器的发光强度,尽可能的减少过曝欠曝的发生。
同时在实际应用中,会根据场景需要设定最远距离和最近距离,设置两个上下限的阈值。ISP处理器同样会根据上下限的设定值的目标数据进行数据处理。
S4、平面运动四维数据集:
经过上述处理后,在某个具体时刻,可以得到一个三维的距离矩阵。为了识别运动方向和轨迹,需要将数据在时间维度上进行积累,这样将一定时间段内的数据存放在一个四维向量(X,Y,D,T)中,其中,X和Y为在地面上建立坐标系的坐标点,D为距离的测量值D,应用时,可以将测量值D转换为目标值d,T为时间,该向量中保存的是一个在以地面为XY平面的一个平面运动,运动的人员或人员具有不同高度特征体,同时这些运动数据需要在时间维度进行累积,将由该特性的数据向量称之为平面运动四维数据集。
S5、等高轮廓识别:
在每个时刻的三维距离数据中,需要将数据转换为等高轮廓图。为得到等高轮廓图,需要按照一下步骤执行:
S5.1、将三维数据按照从远到近的顺序做切面处理。将当前数据按照Dmax-->Dmin方向进行阈值计算,当按照预设值Dset进行切面处理时,Dmax>Dset>Dmin,大于预设值Dset的值全部设置为0,小于Dset的不处理。然后对所得的数据进行轮廓识别。
为保证轮廓查找过程中数据溢出,将最边缘的一个像素值填充为0。
S5.2、对数据集中的每个点进行遍历处理,处理流程如下:
S5.2.1、如果待处理像素点(x,y)的值不为0,将该点标记为第一个处理的点first,继续执行步骤S5.2.2。如果像素值为0,跳转到步骤S5.2.5。
S5.2.2、按照如图3中逆时针遍历的方式查找相邻的像素值,判断像素值是否为0,如果为0,按照顺序继续查找,如果相邻点全部为0,跳转到步骤S5.2.4。如果(x+xn,y+yn)不为0,跳转到步骤S5.2.3,其中,xn=-1,0,1,yn=-1,0,1,xn和yn不同时0。
S5.2.3、判断该点是否跟第一个处理的点first点重合,如果重合说明找到完整轮廓,调转步骤S5.2.7执行。如果不重合,保存该像素点坐标(x,y),并将点的像素值填充为0,将第一个非零像素点作为下一个遍历点,即x=x+n,y=y+n跳转到步骤S5.2.2,其中,xn=-1,0,1,yn=-1,0,1,xn和yn不同时0。
S5.2.4、相邻点没有非零点,而且轮廓没有跟第一个处理的点first点重合,说明轮廓没有闭合,在步骤S5.2.2中是按照逆时针方向进行查找,该操作具有方向性,当出现无法闭环的情况时,需要调整查找方向,将当前坐标重新设置为待处理像素点点,跳转步骤S5.2.5。
S5.2.5、按照如图4所示的顺时针方式查找相邻的像素值,并判断像素值是否为0,如果为0,按照顺序继续查找,如果相邻点全部为0,第二次换向查找时,轮廓查找结束,调转到步骤S5.2.7。如果(x+xn,y+yn)不为0,跳转到步骤S5.2.6,其中,xn=-1,0,1,yn=-1,0,1,xn和yn不同时0。
S5.2.6、判断该点是否跟待处理点重合,如果重合说明找到完整轮廓,调转到步骤S5.2.7。如果不重合,保存该像素点坐标(x,y),将该点像素值填充为0,将第一个非零像素点作为下一个遍历点,即x=x+n,y=y+n跳转步骤S5.2.5,其中,xn=-1,0,1,yn=-1,0,1,xn和yn不同时0。
S5.2.7、按照顺序遍历下一个点,x=x+1,如果x>=Xmax则x=0,y=y+1,如果y>=Ymax结束,否则调转到步骤S5.2.1。
S5.3、重复执行步骤S5.1和步骤S5.2,设定Dset初始值为Dmax,每次执行Dset减小10,直到Dset=Dmin。
S5.4、将平面运动四维数据集进行降维处理。所有点遍历完成后,按照保存的像素坐标绘制等高轮廓。将三维数据转化为二维等高轮廓图。同时将等高轮廓图进行push操作,保存数据。如图5所示,为使用图像形式展示的等高轮廓图。
S6、轮廓轨迹跟踪:
通过上述4个步骤后,如图6所示,为得到的每个等高轮廓图在时间维度上的累积图。
S6.1、对每个轮廓进行识别,创建ID进行标记:
识别标记方法按照下面步骤执行,最终生成轮廓的ID,ID由四部分组成SQXY,每部分的具体含义如下:
S表示中间小轮廓的面积值,3位数字组成,不足3位前补;
Q表示小轮廓和大轮廓的面积差值,3位数字组成,不足3位前补0;
X,Y表示小轮廓的尺寸数据,每个值由3位数字组成,不足3位前补0。
S6.2、对每个轮廓ID进行跟踪,记录轮廓的运动轨迹。
S6.2.1、对每个进入视野范围的人员进行ID标记后,建立数据字典,用来保存ID的位置。
S6.2.2、对每个进入视野中的ID的轮廓进行识别后,首先按照SQXY标识进行归类,如果SQXY的相似度在预设百分比以上,归为一组;比如,如果SQXY的相似度在90%以上,归为一组。相似度算法为:
其中,为中间小轮廓的面积值的变化值;/>为小轮廓和大轮廓的面积差值的变化值;/>为轮廓尺寸x方向的变化值;/>为轮廓尺寸y方向的变化值;n为已保存的该ID的次数。
S6.2.3、在同一组中再根据不同轮廓间的距离进行区分,如果距离在设定的范围内,认定这两个轮廓为同一轮廓。距离识别按照下面步骤进行:
S6.2.3.1、计算所有轮廓之间的距离D=ΔX*ΔX+ΔY*ΔY,保存在pairOrig矩阵中。
S6.2.3.1、将pairOrig矩阵中第一列的数据安装从小到大顺排列,保存在pairSortMap向量中。
S6.2.3.1、在pairSortMap中,第一个数就是所有距离中最小的。优先关联最小距离。
S6.2.3.1、按照pairSortMap中的顺序依次关联。如果每行中的第一个距离对应的ID已经被使用,再按照行中的顺序进行关联。
S6.2.3.1、如果没有找到关联的ID,需要重新保存新的ID。
S6.2.3.1、如果出现距离大于最大距离,也需要重新保存新的ID。
S6.2.3.1、计算出距离后,根据已有ID和当前识别ID的数量来处理。
S6.2.3.1、如果当前识别ID少,正常应该都能够匹配,除去距离超过最大距离的,要新保存没有匹配到的当前识别ID。
S6.2.3.1、如果当前识别ID多于已有ID,说明有新进入的ID,在与已有ID匹配完成后,剩余的当前识别ID都要保存。
S6.2.3.1、没有匹配到的已有ID,要进行老化处理,经过指定时间的老化,该ID将被删除。
S6.2.3.1、当已有ID被老化掉以后,ID的运动轨迹结束,可以将数据通过数据传输模块传输到指定数据中心进行更高层次的分析处理。
S6.2.4、针对每一个分组进行匹配完成后,对已保存的ID进行时间和位置的更新,保存。
实施例2:
本实施例提供了一种基于等高轮廓图的人员流动检测系统,包括:
数据采集模块,被配置为:获取经过人员反射的红外光信号;
距离计算模块,被配置为:根据所述红外光信号,计算红外光接收点到人员间的距离;
建立向量模块,被配置为:根据计算得到的距离,建立包括平面坐标点、距离和时间的多维向量;
等高轮廓图转换模块,被配置为:根据多维向量,将每个时刻的平面坐标点和距离数据转换为等高轮廓图;具体的,将包括平面坐标点和距离的三维数据按照从远到近的顺序做切面处理,距离大于预设距离时设置为0,否则不处理,对处理后的数据进行轮廓识别;
检测模块,被配置为:对每个等高轮廓图进行标记,并对每个等高轮廓图的标记进行跟踪,得到每个等高轮廓图的运动轨迹,实现人员流动检测。
所述系统的工作方法与实施例1的基于等高轮廓图的人员流动检测方法相同,这里不再赘述。
实施例3:
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现了实施例1所述的基于等高轮廓图的人员流动检测方法的步骤。
实施例4:
本实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并能够在处理器上运行的计算机程序,所述处理器执行所述程序时实现了实施例1所述的基于等高轮廓图的人员流动检测方法的步骤。
以上所述仅为本实施例的优选实施例而已,并不用于限制本实施例,对于本领域的技术人员来说,本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本实施例的保护范围之内。
Claims (10)
1.一种基于等高轮廓图的人员流动检测方法,其特征在于,包括:
获取经过人员反射的红外光信号;
根据所述红外光信号,计算红外光接收点到人员间的距离;
根据计算得到的距离,建立包括平面坐标点、距离和时间的多维向量;
根据多维向量,将每个时刻的平面坐标点和距离数据转换为等高轮廓图;具体的,将包括平面坐标点和距离的三维数据按照从远到近的顺序做切面处理,距离大于预设距离时设置为0,否则不处理,对处理后的数据进行轮廓识别;
对每个等高轮廓图进行标记,并对每个等高轮廓图的标记进行跟踪,得到每个等高轮廓图的运动轨迹,实现人员流动检测。
2.如权利要求1所述的一种基于等高轮廓图的人员流动检测方法,其特征在于,根据接收红外光信号和发射红外光信号的比较,计算红外光从发送到接收所经历的时间,通过时间计算红外光接收点到人员间的距离。
3.如权利要求2所述的一种基于等高轮廓图的人员流动检测方法,其特征在于,将测量距离转变为等效距离:
d=D*cos(α+δ)+K
其中,d为等效距离,也称目标值,为人员到基准前的目标值;D为红外光到人员之间的直线距离,也称测量值;α为红外光接收点和人员间的直线,与人员到基准线垂线之间的角度;δ为修正角度值;K为线性修正值。
4.如权利要求1所述的一种基于等高轮廓图的人员流动检测方法,其特征在于,将等高轮廓图中最边缘的一个像素值填充为0。
5.如权利要求1所述的一种基于等高轮廓图的人员流动检测方法,其特征在于,对等高轮廓图进行识别:
将一个不为0的像素点,标记为第一个处理的点;
按照逆时针遍寻的方式查找相邻的像素值是否为0,如果为0,按照继续查找,如果相邻点全部为0,则判断是否存在和第一个处理的点重合的点;
如果存在重合的点,则找到完整轮廓,遍寻下一个点;如果不存在重合的点,则中心确定需要遍寻的处理点按照顺时针遍寻的方式查找相邻的像素值是否为0,如果相邻点全部为0,查找结束,否则,判断不为0的点是否存与处理点重合;
如果重合,则进行下一个的遍寻,否则将不为0的点的像素值填充为0。
6.如权利要求1所述的一种基于等高轮廓图的人员流动检测方法,其特征在于,根据个等高轮廓图,得到每个等高轮廓图在时间维度上的累积图;对每个等高轮廓图进行标记包括,图中人员所占面积值、人员所占面积和轮廓面积差值以及人员坐标值。
7.如权利要求1所述的一种基于等高轮廓图的人员流动检测方法,其特征在于,对每个等高轮廓图的标记进行跟踪,记录运动轨迹:
对每个预设检测范围的人员进行标记;
对每个标记的轮廓进行识别后,首先按照标记信息进行归类,如果标记信息的相似度在预设百分比以上,则归为一组;
对每一个分组进行匹配;具体的,在同一组中再根据不同轮廓间的距离进行区分,如果距离在设定的范围内,认定这两个轮廓为同一轮廓;
对每一个分组进行匹配完成后,对标记信息进行时间和位置更新。
8.一种基于等高轮廓图的人员流动检测系统,其特征在于,包括:
数据采集模块,被配置为:获取经过人员反射的红外光信号;
距离计算模块,被配置为:根据所述红外光信号,计算红外光接收点到人员间的距离;
建立向量模块,被配置为:根据计算得到的距离,建立包括平面坐标点、距离和时间的多维向量;
等高轮廓图转换模块,被配置为:根据多维向量,将每个时刻的平面坐标点和距离数据转换为等高轮廓图;具体的,将包括平面坐标点和距离的三维数据按照从远到近的顺序做切面处理,距离大于预设距离时设置为0,否则不处理,对处理后的数据进行轮廓识别;
检测模块,被配置为:对每个等高轮廓图进行标记,并对每个等高轮廓图的标记进行跟踪,得到每个等高轮廓图的运动轨迹,实现人员流动检测。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现了如权利要求1-7任一项所述的基于等高轮廓图的人员流动检测方法的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并能够在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现了如权利要求1-7任一项所述的基于等高轮廓图的人员流动检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410185692.5A CN117746343B (zh) | 2024-02-20 | 基于等高轮廓图的人员流动检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410185692.5A CN117746343B (zh) | 2024-02-20 | 基于等高轮廓图的人员流动检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117746343A true CN117746343A (zh) | 2024-03-22 |
CN117746343B CN117746343B (zh) | 2024-05-14 |
Family
ID=
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012220479A (ja) * | 2011-04-14 | 2012-11-12 | Optex Co Ltd | 撮像対象物の境界検知装置および境界検知方法 |
WO2015184764A1 (zh) * | 2014-11-17 | 2015-12-10 | 中兴通讯股份有限公司 | 行人检测方法及装置 |
CN106780538A (zh) * | 2016-12-30 | 2017-05-31 | 南京仁光电子科技有限公司 | 一种解决图像跟踪过程中误匹配的方法 |
US20210004577A1 (en) * | 2018-02-26 | 2021-01-07 | Touchless Animal Metrics, Sl | Method and device for the characterization of living specimens from a distance |
CN112419250A (zh) * | 2020-11-13 | 2021-02-26 | 湖北工业大学 | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 |
WO2022126669A1 (zh) * | 2020-12-16 | 2022-06-23 | 中电海康集团有限公司 | 一种基于视频行人识别的地铁人流网络融合方法及人流预测方法 |
CN115471537A (zh) * | 2022-09-30 | 2022-12-13 | 长江大学 | 一种基于单目摄像头的移动目标距离与高度的测量方法 |
US20230353980A1 (en) * | 2022-04-29 | 2023-11-02 | Cypress Semiconductor Corporation | Determination and tracking of trajectories of moving objects in wireless applications |
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012220479A (ja) * | 2011-04-14 | 2012-11-12 | Optex Co Ltd | 撮像対象物の境界検知装置および境界検知方法 |
WO2015184764A1 (zh) * | 2014-11-17 | 2015-12-10 | 中兴通讯股份有限公司 | 行人检测方法及装置 |
CN106780538A (zh) * | 2016-12-30 | 2017-05-31 | 南京仁光电子科技有限公司 | 一种解决图像跟踪过程中误匹配的方法 |
US20210004577A1 (en) * | 2018-02-26 | 2021-01-07 | Touchless Animal Metrics, Sl | Method and device for the characterization of living specimens from a distance |
CN112419250A (zh) * | 2020-11-13 | 2021-02-26 | 湖北工业大学 | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 |
WO2022126669A1 (zh) * | 2020-12-16 | 2022-06-23 | 中电海康集团有限公司 | 一种基于视频行人识别的地铁人流网络融合方法及人流预测方法 |
US20230353980A1 (en) * | 2022-04-29 | 2023-11-02 | Cypress Semiconductor Corporation | Determination and tracking of trajectories of moving objects in wireless applications |
CN115471537A (zh) * | 2022-09-30 | 2022-12-13 | 长江大学 | 一种基于单目摄像头的移动目标距离与高度的测量方法 |
Non-Patent Citations (1)
Title |
---|
王学崇, 李剑, 陈皓: "一种求任意切面轮廓算法", 计算机应用研究, no. 06, 30 November 1992 (1992-11-30) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951879B (zh) | 基于摄像头与毫米波雷达的多特征融合车辆检测方法 | |
CN108596129B (zh) | 一种基于智能视频分析技术的车辆越线检测方法 | |
CN111445517B (zh) | 机器人视觉末端定位方法、装置及计算机可读存储介质 | |
US20170263139A1 (en) | Machine vision-based method and system for aircraft docking guidance and aircraft type identification | |
CN110930459A (zh) | 灭点提取方法、相机标定方法以及存储介质 | |
Huang et al. | Lane detection based on inverse perspective transformation and Kalman filter | |
CN105740804B (zh) | 一种基于图像处理的车辆自动跟踪驾驶方法 | |
WO2020083307A1 (en) | Method, apparatus, and storage medium for obtaining depth image | |
CN112484746B (zh) | 一种基于地平面的单目视觉辅助激光雷达里程计方法 | |
CN110084830B (zh) | 一种视频运动目标检测与跟踪方法 | |
CN110570456A (zh) | 基于yolo目标检测算法和光流追踪算法融合的机动车轨迹提取方法 | |
CN112486207A (zh) | 一种基于视觉识别的无人机自主降落方法 | |
US7221789B2 (en) | Method for processing an image captured by a camera | |
CN110189375B (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN109801336B (zh) | 基于可见光及红外光视觉的机载目标定位系统及方法 | |
CN112927283B (zh) | 测距方法及装置、存储介质及电子设备 | |
CN111149131A (zh) | 区划线识别装置 | |
CN112197705A (zh) | 一种基于视觉和激光测距的果实定位方法 | |
CN113077494A (zh) | 一种基于车辆轨迹的路面障碍物智能识别设备 | |
CN114241438B (zh) | 一种基于先验信息的交通信号灯快速精确的识别方法 | |
Hernández et al. | Lane marking detection using image features and line fitting model | |
CN117746343B (zh) | 基于等高轮廓图的人员流动检测方法及系统 | |
CN117746343A (zh) | 基于等高轮廓图的人员流动检测方法及系统 | |
CN111353481A (zh) | 基于激光点云与视频图像的道路障碍物识别方法 | |
CN115205825B (zh) | 基于改进yolov5的行车视频序列图像检测识别交通标志方法 |
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 |