一种人群聚集检测方法技术

本发明专利技术涉及智能视频监控领域，尤其涉及一种人群聚集检测方法。首先进行多目标智能识别及跟踪，获取视频图像中的目标、目标坐标和目标移动速度、方向；其次根据所述目标和目标坐标，进行计算得到目标局部密度；再次根据目标局部密度和预设的人群聚集圈内人群数量阈值自动地构建人群聚集圈；最后根据所述各人群聚集圈和目标移动方向判断人群聚集圈态势。

【技术实现步骤摘要】
一种人群聚集检测方法
本专利技术涉及智能视频监控领域，尤其涉及一种人群聚集检测方法。
技术介绍
随着现代化和城市化进程的不断推进，使得城镇人口不断增加，城镇的商业中心、公共交通、娱乐场所、体育场所、政府门口、企业门口等经常出现大量的人群，由此引发的事故或灾害发生的频率也在上升。面对这种形势，如何坚持以人为本，如何通过视频来预警人群聚集现象，如何有效地减少事故或灾害的发生，是一个重大的研究课题。为了预警人群聚集事件，引入了智能视频监控技术。但是，传统的视频监控大规模地采用监控大屏，不仅耗费人力物力，而且极易漏掉已出现的群体聚集事件。同时，人眼在长时间盯着监控大屏后极易导致视觉疲劳，注意力下降。随着高性能计算和人工智能技术的快速发展和应用，已经可以利用智能视频分析技术代替人眼，来快速地预警人群聚集事件。目前，传统的基于人群轨迹、速度、纹理信息或像素统计等人群聚集检测算法主要存在以下缺陷：(1)在不设置固定区域的情况下，不能同时检测两个或两个以上人群聚集圈。(2)不能准确判断人群聚集圈移动方向态势。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种人群聚集检测方法，通过多目标智能识别及跟踪技术和先进的聚类算法来获得人群聚集圈和判断人群聚集态势。为实现上述专利技术目的，本专利技术提供的一种人群聚集检测方法包括以下步骤：一种人群聚集检测方法，该检测方法包括以下步骤：S1：获取被监控场所的监控视频流，将视频流中连续的每一帧图像作为分析处理图像；S2：通过先进的机器学习算法对图像进行处理，识别图像中的目标并计算得到目标坐标，为相应的目标坐标点数据集，其中N为目标个数；S3：根据步骤S2得到的数据集D，首先计算D中目标点两两之间的距离dij＝dist(Pi，Pj)，dist表示坐标点Pi和Pj之间的某种距离；然后计算每一个目标坐标点的密度其中函数dc＝κmR，R为单目标所占像素数量，κ∈(0，1)，m是设定的人群聚集圈内人群数量阈值。S4：根据步骤S2得到的目标、目标坐标，由跟踪算法对每一帧图像进行多目标跟踪并计算获得各目标移动速度并计算移动方向；S5：根据步骤S3得到的密度ρi，首先计算φi用于描述点i到其他较高密度点之间的最小距离，那些有着比较大的密度ρi和很大的φi的点被认为是人群聚集的中心；然后计算目标点到中心点的距离最后得到人群聚集度如果则确定了一个人群聚集圈；S6：设置人群聚集额定方向阈值为|HT|，根据步骤S4得到的各目标移动方向和步骤S5人群聚集圈获得人群聚集圈方向Hi。进一步的，计算Hi角度值θ并将空间划分为以下四个区域：如果°0≤θ＜90°，则Hi方向指向I区域；如果°90≤θ＜180°，则Hi方向指向II区域；如果°180≤θ＜270°，则Hi方向指向III区域；如果°270≤θ＜360°，则Hi方向指向IV区域。根据方向Hi和密度来判断人群聚集圈态势，分为以下十一种情况：如果不变，|Hi|＜ε，此人群聚集圈态势为静止；如果变小，|Hi|＜ε，此人群聚集圈态势为消散；如果变大，|Hi|＜ε，此人群聚集圈态势为内聚；如果不变，ε＜|Hi|＜|HT|，Hi方向指向I区域，此人群聚集圈态势为慢速向I区域移动；如果不变，ε＜|Hi|＜|HT|，Hi方向指向II区域，此人群聚集圈态势为慢速向II区域移动；如果不变，ε＜|Hi|＜|HT|，Hi方向指向III区域，此人群聚集圈态势为慢速向III区域移动；如果不变，ε＜|Hi|＜|HT|，Hi方向指向IV区域，此人群聚集圈态势为慢速向IV区域移动；如果不变，|HT|＜|Hi|，Hi方向指向I区域，此人群聚集圈态势为快速向I区域移动；如果不变，|HT|＜|Hi|，Hi方向指向II区域，此人群聚集圈态势为快速向II区域移动；如果不变，|HT|＜|Hi|，Hi方向指向III区域，此人群聚集圈态势为快速向III区域移动；如果不变，|HT|＜|Hi|，Hi方向指向IV区域，此人群聚集圈态势为快速向IV区域移动。进一步的，其中，ε是一个极小值。进一步的，在步骤S2中：识别图像中的目标并计算得到目标坐标，所述的目标为人。进一步的，在步骤S4中：跟踪算法为KalmanFilter或KCF跟踪算法中的一种。本专利技术提供的一种人群聚集检测方法，首先进行多目标智能识别及跟踪，获取视频图像中的目标(人)、目标坐标和目标移动速度、方向；其次根据所述目标和目标坐标，进行计算得到目标局部密度；再次根据目标局部密度和预设的人群聚集圈内人群数量阈值自动地构建人群聚集圈；最后根据所述各人群聚集圈和目标移动方向判断人群聚集圈态势。本专利技术具有以下有益效果：1.不需要预先设定固定区域来检测人群聚集；2.没有局限于特殊场景，可用于白天，也可用于夜晚，可以用于商业中心，也可以用于公共交通等；3.可以自动地检测一个或多个人群聚集的位置；4.通过结合各人群中心和目标移动方向自动地判断各人群聚集圈移动方向态势。附图说明图1为本专利技术提供的一种人群聚集检测方法的流程图；图2是人群聚集圈和位置计算的流程示意图；图3是具体实施例的人群聚集圈态势判断的流程示意图。具体实施方式下面依据附图对本专利技术做进一步的详细说明：图1是本专利技术提供的一种人群聚集检测方法的流程图。如图1所示，本专利技术实施例的一种人群聚集检测方法包括以下步骤：S101：获取检测视频流：获取被监控场所的监控视频流，将视频流中连续的每一帧图像作为分析处理图像。S102：识别目标并计算目标坐标：根据步骤S101获取的连续图像，通过先进的机器学习算法对图像进行处理，识别图像中的目标(人)并计算得到目标坐标，为相应的目标坐标点数据集，其中N为目标个数。S103：根据所述目标和目标坐标计算目标局部密度：根据步骤S102得到的数据集D，首先计算D中目标点两两之间的距离dij＝dist(Pi，Pj)，dist表示坐标点Pi和Pj之间的某种距离；然后计算每一个目标坐标点的密度其中函数dc＝κmR，R为单目标所占像素数量，κ∈(0，1)，m是设定的人群聚集圈内人群数量阈值。S104：目标跟踪并获得目标移动方向：根据步骤S102得到的目标、目标坐标，由跟踪算法(如KalmanFilter、KCF等跟踪算法)对每一帧图像进行多目标跟踪并计算获得各目标移动速度vi，然后计算第i个目标方向hi＝Pk(x，y)-Pi(x，y)，其中Pi(x，y)是第i个目标坐标，Pk(X)＝Pi(X)+αvi，Pk(y)＝Pi(y)+avi。S105：自动地构建人群聚集圈：接下来对步骤S103得到的目标局部密度进行分析计算来自动地构建人群聚集圈。图2是人群聚集圈和位置计算的流程示意图。如图2所示，本专利技术中采用的人群聚集圈和位置计算包括以下步骤：S201：计算度量值φi：目标坐标点的密度ρi，计算φi用于描述点i到其他较高密度点之间的最小距离，那些有着比较大的密度ρi和很大的φi的点被认为是人群聚集的中心。S202：计算目标点到中心点的距离：根据度量值φi，计算每个目标点到各人群聚集中心点的距离S203：获得各人群聚集圈和位置：根据得到人群聚集度如果则确定了一个人群聚集圈，以此类推得到所有人群聚集圈和聚集圈中心位置。S106：根据所述各人群聚集圈和目标移动方向判断人群聚集圈态势：接下来对步骤S104得本文档来自技高网...

【技术保护点】
1.一种人群聚集检测方法，其特征在于该检测方法包括以下步骤：S1：获取被监控场所的监控视频流，将视频流中连续的每一帧图像作为分析处理图像；S2：通过先进的机器学习算法对图像进行处理，识别图像中的目标并计算得到目标坐标，

【技术特征摘要】
1.一种人群聚集检测方法，其特征在于该检测方法包括以下步骤：S1：获取被监控场所的监控视频流，将视频流中连续的每一帧图像作为分析处理图像；S2：通过先进的机器学习算法对图像进行处理，识别图像中的目标并计算得到目标坐标，为相应的目标坐标点数据集，其中N为目标个数；S3：根据步骤S2得到的数据集D，首先计算D中目标点两两之间的距离dij＝dist(Pi，Pj)，dist表示坐标点Pi和Pj之间的某种距离；然后计算每一个目标坐标点的密度其中函数dc＝kmR，R为单目标所占像素数量，κ∈(0，1)，m是设定的人群聚集圈内人群数量阈值；S4：根据步骤S2得到的目标、目标坐标，由跟踪算法对每一帧图像进行多目标跟踪并计算获得各目标移动速度并计算移动方向；S5：根据步骤S3得到的密度ρi，首先计算φi用于描述点i到其他较高密度点之间的最小距离，那些有着比较大的密度ρi和很大的φi的点被认为是人群聚集的中心；然后计算目标点到中心点的距离最后得到人群聚集度如果则确定了一个人群聚集圈；S6：设置人群聚集额定方向阈值为|HT|，根据步骤S4得到的各目标移动方向和步骤S5人群聚集圈获得人群聚集圈方向Hi。2.根据权利要求1所述的人群聚集检测方法，其特征在于：计算Hi角度值θ并将空间划分为以下四个区域：如果°0≤θ＜90°，则Hi方向指向I区域；如果°90≤θ＜180°，则Hi方向指向II区域；如果°180≤θ＜270°，则Hi方向指向III区域；如果°270≤θ＜360°，则Hi方向指...

【专利技术属性】
技术研发人员：谢吉朋，贠周会，王欣欣，吴斌，应艳丽，叶超，黄江林，王旭，
申请(专利权)人：江西洪都航空工业集团有限责任公司，
类型：发明
国别省市：江西,36