一种改进型PCCNN神经网络模型的人群聚集检测方法技术

本发明专利技术涉及一种改进型PCCNN神经网络模型的人群聚集检测方法，首先，收集各类远近视角的人群聚集分段序列图片，并对收集的数据集进行扩充；然后，利用扩充后的数据集对一个多深度的并行交叉神经网络进行训练，该网络由三个深度不同的子神经网络组成，三个子网络的初始训练参数利用不同远近视角的分类集独立训练得到；最后，用训练好的模型对目标视频的采样帧进行分析，得到相应的密度图。通过对密度图分别进行人群分布区域的提取和分布数量的估算，同时结合人群聚集加权中心矩的计算，从而判定是否存在人群聚集的行为。本发明专利技术方法可以对视频中的人群聚集行为作出准确的判别，且具有较其他检测方法更好的抗干扰性和可扩展性。

A crowd aggregation detection method based on improved PCCNN neural network model

The present invention relates to an improved PCCNN neural network model for crowd detection method, first of all, from the perspective of the crowd gathered near to collect all kinds of sequence images, and the collected data sets can be expanded; then, in parallel cross neural network to a multi depth trained using the expanded data, the sub neural network the network consists of three different depth, classification using the initial training parameters of different distance from the perspective of the three sub networks of independent set training; finally, analyze the sampling frame of video object using the trained model, get the corresponding density map. The density map estimate number extraction and distribution of population distribution area, combined with the calculation of the crowd weighted central moments, so as to determine the existence of crowd behavior. The method of the invention can accurately judge the crowd aggregation behavior in the video, and has better anti-interference and expandability than other detection methods.

【技术实现步骤摘要】
一种改进型PCCNN神经网络模型的人群聚集检测方法
本专利技术属于视频图像处理领域，主要涉及一种改进型PCCNN神经网络模型的人群聚集检测方法。
技术介绍
目前针对人群聚集的检测方法，主要集中在图像分割、前景提取，纹理特征识别等传统数字图像处理技术。在传统的视频人群聚集分析领域，一般通过帧间差分法、光流法、(混合)背景建模法等对关注目标进行前景提取，在前景提取前会选择性采用图像去噪、背景生成等预处理手段。但是由于图像背景复杂度的增加，各类算法的计算复杂度也显著增加，建模的难度也成规模提升。同时，由于场景的干扰因素较多，如光照环境变化，目标遮挡等，都对计算分析造成了极大的干扰。而且特征提取中的目标特征确定也十分繁杂，目标以外的背景也使得提取局部特征时会带入大量的噪声和干扰。在前景提取完成后，往往对人群的数量估计采用的是基于提取前景的像素特征，该特征在前景提取效果较差、人数较多、人群重叠、遮挡物较多时得到的结果误差很大。随着GPU计算能力的提升和神经网络理论的成熟，以机器学习为代表的人工智能方法成为了一种提取大量有效特征的可行方法，是视频图像处理领域的崭新方向，对于人群聚集的视频检测提供本文档来自技高网...

【技术保护点】
一种改进型PCCNN神经网络模型的人群聚集检测方法，其特征在于，包括以下步骤：(1)收集不同远近视角下的人群聚集分段序列图像并进行扩充后作为训练集，将训练集中的图像根据与摄像机的距离分为离摄像机近的、离摄像机适中的以及离摄像机远的A、B、C三类，并向训练集中添加无人的D类背景图像；(2)构建由三个深度不同的子神经网络组成的并行交叉神经网络模型，其中，第一个子网络深度>第二个子网络深度>第三个子网络深度；(3)分别以A、B、C类为正样本，其余三类总和为负样本依次训练第一个子网络、第二子网络、第三子网络响应的正样本分类正确率达设定阈值以上，将得到的参数作为并行交叉神经网络模型中子网络的...

【技术特征摘要】
1.一种改进型PCCNN神经网络模型的人群聚集检测方法，其特征在于，包括以下步骤：(1)收集不同远近视角下的人群聚集分段序列图像并进行扩充后作为训练集，将训练集中的图像根据与摄像机的距离分为离摄像机近的、离摄像机适中的以及离摄像机远的A、B、C三类，并向训练集中添加无人的D类背景图像；(2)构建由三个深度不同的子神经网络组成的并行交叉神经网络模型，其中，第一个子网络深度>第二个子网络深度>第三个子网络深度；(3)分别以A、B、C类为正样本，其余三类总和为负样本依次训练第一个子网络、第二子网络、第三子网络响应的正样本分类正确率达设定阈值以上，将得到的参数作为并行交叉神经网络模型中子网络的初始训练参数；在确定三个子网络的初始训练参数后将ABCD四类图片作为输入对并行交叉神经网络模型进行训练，从而获得最终的神经网络模型；(4)用训练好的模型对目标视频的采样帧进行分析，得到相应的密度图；(5)通过对密度图分别进行人群分布区域的提取和分布数量的估算，同时结合人群聚集加权中心矩的计算，从而判定是否存在人群聚集的行为。2.根据权利要求1所述的一种改进型PCCNN神经网络模型的人群聚集检测方法，其特征在于，步骤(1)中的扩充包括将训练图像以自身为基准进行指定倍数的放缩，以及选取训练图像中的高密度部分两种扩充操作。3.根据权利要求1所述的一...

【专利技术属性】
技术研发人员：王贤哲，刘格，丁頠洋，袁翔，程浚，袁林，冯燕来，宫明煜，张昕然，章邢，雷玉鹏，李莎莎，
申请(专利权)人：中国电子科技集团公司第二十八研究所，
类型：发明
国别省市：江苏,32