【技术实现步骤摘要】
本专利技术属于模式识别
,特别涉及一种基于深度学习的全天候视频监控方 法,尤其适用于大流量人群状态的分析。
技术介绍
目前我国城市化水平已超过50 %,大量流动人口的涌入使城市人口的密度越来越 大,大规模人群活动变得日益频繁,由于人流拥挤踩踏而发生重大事故的现象屡见不鲜。因 此,如何对人群进行监控管理,在群体性事件发生的初期进行主动识别和及时预警,成为当 前各个国家视频监控领域的研究热点之一。为了更好地对群体性异常事件进行识别和预 警,从而减少灾难的发生,实时对人群规模变化的掌握是一个关键的因素。基于智能视频监 控的人群分析,是对特定监控场景内的运动物进行行为分析,可以对其行为规律作出描述, 从而实现利用机器智能进行异常事件自动检测,还可以学习建立相关行为模型,为公共空 间设计、智能环境等提供参考。然而,由于监控场景的不同、摄像机安装角度的差异、天气以 及日照强度的变化,使得智能监控系统在全天候监控时,发挥作用甚小。 卷积神经网络,作为一种深度学习方法,是为二维图像处理而特别设计的一个多 层感知器。它具有一些传统技术所没有的优点:良好的容错能力、并行处理能力和自学能 力,可处理环境信息复制,背景知识不清楚,推理规则不明确情况下的问题,允许有较大的 缺损、畸变,运行速度快,自适应性能好,具有较高的分辨能力。因此,卷积神经网络,可以解 决全天候监控中的问题,可以保证智能监控系统在各种情况下的较高的稳定的准确率。
技术实现思路
本专利技术的目的是提供,可以全天候的分 析视频中人群状态,尤其是人群的数量。 ...
【技术保护点】
一种基于深度学习的全天候视频监控方法,其特征在于,该方法包括以下步骤:步骤1,实时采集视频流,基于得到的视频流通过线采样获得多幅原始采样图样本,以及速度采样图样本;步骤2,对于得到的速度采样图样本进行时空矫正;步骤3,基于原始采样图和速度采样图,离线训练得到深度学习模型,所述深度学习模型包括分类模型和统计模型;步骤4,利用所述步骤3得到的深度学习模型对于实时视频流进行人群状态分析。
【技术特征摘要】
1. 一种基于深度学习的全天候视频监控方法,其特征在于,该方法包括以下步骤: 步骤1,实时采集视频流,基于得到的视频流通过线采样获得多幅原始采样图样本,以 及速度采样图样本; 步骤2,对于得到的速度采样图样本进行时空矫正; 步骤3,基于原始采样图和速度采样图,离线训练得到深度学习模型,所述深度学习模 型包括分类模型和统计模型; 步骤4,利用所述步骤3得到的深度学习模型对于实时视频流进行人群状态分析。2. 根据权利要求1所述的方法,其特征在于,所述步骤1进一步包括以下步骤: 首先,对于所述视频流中的每帧图像,在行人进出门的位置处,设置一个宽度固定为η 像素、长度覆盖整个门的标定线In,作为人进出的虚拟门界限; 然后,提取所述视频流中每隔f帧的图像F中所述标定线覆盖的像素,每经过固定时间 间隔t,采样得到的所有像素组成原始采样图像I ; 在采样标定线覆盖的像素时,使用光流法计算每个像素的速度与运动方向,每经过固 定时间间隔t,采样得到的所有像素的运动方向组成速度采样图。3. 根据权利要求1所述的方法,其特征在于,所述速度采样图中,使用RBG不同的通道 表示行人不同的运动方向,其中,R通道和G通道表示两个不同运动方向的像素点,B通道表 示没有运动的像素点。4. 根据权利要求1所述的方法,其特征在于,所述步骤2中,利用图像平面上不同像素 的贡献对于所述速度采样图样本进行空间矫正,利用不同像素点的速度值对于所述速度采 样图进行时间矫正。5. 根据权利要求4所述的方法,其特征在于,经过空间和时间矫正后的速度采样图Γ s 表示为: I's = Is*Sc(x,y)*S(Ft(ln)), 其中,Is表示空间和时间矫正前的速度采样图,Sc(x,y)表示图像平面上任意一个像素 I (x,y)的几何贡献因子,S (Ft (In))表示时间矫正系数:S (Ft (In)) =Speed (Ft (In))/Ns,Ns为 标准速度值,Speed(F t(l...
【专利技术属性】
技术研发人员:黄凯奇,康运锋,曹黎俊,张旭,
申请(专利权)人:中国科学院自动化研究所,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。