一种游客人流量监控预警方法技术

本发明专利技术公开了一种游客人流量监控预警方法，涉及智能旅游领域，能够实时统计游客的驻留量，补足景区内安全预警信息中关于驻留量的信息。本发明专利技术包括：利用摄像头采集景区人流量密集景点的视频图像；采用光照补偿方法对不同光照下采集的视频进行均匀化处理，基于混合高斯模型进行游客目标提取；高密度人流的判定以ROI区域内游客图像分割像素的面积比，设置各景点阈值，超出阈值，判断为高密度人流，通过对高密度人流的驻留时间进行跟踪，超出预定值则启动高密度游客输出程序进行人流量监控；游客量计算采用基于深度学习网络的人头检测技术，能够准确识别人的正面、侧面、背面头部特征，可实现高密度人流的准确检测。数值超出预设阈值，则发出预警。

【技术实现步骤摘要】
一种游客人流量监控预警方法
本专利技术涉及智能旅游领域，尤其涉及一种游客人流量监控预警方法。
技术介绍
随着国人生活水平的提高和旅游业的发展，景区内游客的数量增长迅速。尤其是国家法定假日著名景区内都是游客爆满，使游客游览的舒适度下降，也带来了游览的安全隐患。目前景区中游客流的统计有以下几种方法：一是基于票务系统进行客流统计，该技术适合在封闭景区中，要求持有特定的介质，统计的区域范围有限，开阔式景区不适合。二是基于视频监控系统，通过人脸识别技术进行人员识别，从而进一步实现流动游客数量的统计。该技术受天气、光线影响严重，在雨天、大雾、黑夜等自然条件下影响游客数量统计的准确性。三是通过移动互联网技术，利用手机信令数据，收集手机实时位置信息，准确掌握景区旅客数量、位置分布、来源地分布等信息，可以对人群实时、动态的进行监测和统计，需要移动通信网络的支持，涉及到用户的隐私，在实际应用中有很大的限制。这些技术各有优劣，但实现的是景区内游客数量的统计，在游客驻留量监控方面还没有相关研究。驻留量指在某个景点停留一定时间的游客数量，驻留量可以反映该景点的游客吸引度及游客在此景点停留的时长，与传统意义的游客流量监控不同。景区人流量拥堵的主要原因是短时间内大量游客涌入并且长时间驻留，如果只是实时统计游客量来进行游客游览安全预警，会造成预警机制不够全面和准确。因此，现有技术中缺乏一种针对游客驻留量的统计方法，能够实时统计游客的驻留量，补足景区内安全预警信息中关于驻留量的信息。
技术实现思路
本专利技术提供一种游客人流量监控预警方法，能够将深度学习技术应用于高密度人流量检测，提出了基于迁移学习的人头模型检测方法，实施监控景区内游客的驻留量，实现了景区高密度人流量的准确检测及预警。为达到上述目的，本专利技术采用如下技术方案：一种游客人流量监控预警方法，采用一种游客人流量监控预警系统运行。一种游客人流量监控预警系统包括：摄像头、网络硬盘录像机、监控主机和报警盒，摄像头连接网络硬盘录像机,网络硬盘录像机连接监控主机,监控主机连接报警盒,监控主机在发现故障时触发报警盒报警。一种游客人流量监控预警方法，包括：S1、采集各景点摄像头一天内的摄像视频，对摄像视频采用基于光照补偿的高斯模型检测算法进行前景提取，得到前景输出。S2、在ROI(Regionofinterest，感兴趣区域)区域内对前景输出进行面积比计算，根据景点人流密度阈值进行高密度人群跟踪，在到达预定时间时，输出高密度人群图片。其中，在摄像视频第一帧图像中开始选取ROI作为待监测的区域范围，按照S1进行前景提取，对提取的前景输出进行连通域标记，获取前景帧中最大连通域，即前景团块面积；将当前帧中前景团块面积除以框选的驻点区域面积，判断比值是否大于预警值，对超出预警值的团块面积进行跟踪，在预设时间内比值均大于预警值，系统给出高密度人群判定。S3、采用迁移学习技术，在深度学习网络上利用具有高密度人群的标注图片进行人头检测模型的训练，得到训练好的模型。模型训练是离线完成的，可将训练好的模型加载后进行在线的检测输出。基于深度学习的人头模型检测方法，人头检测模型采用残差网络模型结构，即加入了残差块的深层次卷积神经网络，该网络包含输入层、卷积层、池化层、全连接层、输出层五个部分。图片由输入层导入，在卷积层提取特征，在池化层中降维选择特征，通过全连接层链接有效特征在输出层实现人头检测。基于深度学习的检测算法很多，可根据实际需要进行选择，下面以R‐FCN算法为例进行人头模型训练检测的步骤介绍：(1)利用开源标注工具Labeling实现对景区高密度人群图片的人头标注，输入标注好的人头图片，通过FCN(Fully-connectionNetwork,全连通网络)全卷积神经网络生成图片的特征图；(2)将计算出来的特征图输入RPN(RegionPropsalNetwork，区域提取网络)，进而生成ROIS(RegionofInterestS为复数，多个感兴趣区域)；然后将生成的ROIS输入对位置敏感的ROI池化层，给子网学习预测出目标区域；(3)ROI子网将FCN提取的特征与RPN输出的候选区域，将预测目标与标签目标之间的误差进行反向传播，计算训练的损失值，通过多次迭代使得损失值达到可能的最小值，以此来完成人头区域的分类和定位。(4)经过一定次数的训练，以总损失曲线图判断网络权重是否达到最优，得到能够判断人头和位置的检测模型。用训练得到的检测模型对选取的测试集图片进行人头检测，以准确率和误检率为标准进行模型的评判。S4、将输出的高密度人群图片输入训练好的模型，进行游客量检测，当人数超过阈值时，训练好的模型输出报警信号。前帧判断给出高密度人群驻留预警，开启游客人数统计算法。以训练好的人头模型检测算法进行高密度人流量的检测计数，人数超过预设值可进行人流量预警。进一步的，在S1中，基于光照补偿的高斯模型检测算法包括：将摄像视频当前帧图像进行单通道亮度均衡化处理，利用亮度插值构造单通道全局差值矩阵，对三通道图像进行亮度增强处理，得到光照补偿后的视频；对光照补偿后的视频利用混合高斯模型进行前景提取，采用形态学操作进行前景目标完整输出，得到前景输出。进一步的，混合高斯模型方法包括：SS1、初始化混合高斯模型，计算时间段T内视频序列图像的每一个灰度像素的均值μ0和方差σ02，用μ0和方差σ02来初始化k个高斯模型的参数，k为正整数，μ0和σ02的计算公式如下其中，It为新像素值，t的取值为1,2,…T；SS2、将每个新像素值It同第k个高斯模型进行比较，直到找到匹配的像素值分布模型，匹配是指，新像素值It和第k个高斯模型的均值偏差在2.5σ内，比较采用的公式如下：|It-μk,t-1|≤2.5σk,t-1式中μk,t-1、σk,t-1分别为t-1时刻高斯模型的分布均值和方差；SS3、若匹配的像素值分布模型符合背景所需要求，则匹配的像素值分布模型对应的像素标记为背景部分，否则标记为前景部分；SS4、若新像素值It与k个高斯模型中的一个或几个相匹配，说明新像素值It较为符合当前像素值的分布，需要适当增加权值，此时新像素值It的均值、方差、权值更新公式如下：μk,t＝(1-α)μk,t-1+αItωk,t＝(1-β)ωk,t-1+βθ其中，ωk,t为t时刻第k个高斯分布的权重，ωk,t-1为t-1时刻第k个高斯分分布的权重,μk,t，σk,t分别为t时刻第k个高斯分布的均值和方差,θ为匹配参数，当新像素值符合k个高斯分布时θ＝1，不符合时θ＝0；α为参数更新率，表示背景变换速度，β为学习率，当新像素值符合k个高斯分布时θ＝1，不符合时θ＝0；SS5、若在SS2中，新像素值It没有任何高斯模型与之匹配，则权重最小的高斯分布模式被替换，即该模式的均值为当前像素值，标准差为初始较大值，权重为较小值；SS6、各高斯模型根据其对应的ωk,t的值从大到小排序，权重大、标准差小的高斯模型排列靠前，得到高斯模型的序列；SS7、将序列前b个高斯分布模型标记为背景B，B满足下式，参数T表示背景所占比，为设定阈值,T的取值范围为,0.5≤T≤1,b为正整数本专利技术的有益效果是：园林景区场景复杂，桥、廊、亭、厅，假山、平台、洞门等场所使视频背景多样，在本文档来自技高网...

【技术保护点】
1.一种游客人流量监控预警方法，采用一种游客人流量监控预警系统运行，所述系统包括摄像头、网络硬盘录像机、监控主机和报警盒，摄像头连接网络硬盘录像机，网络硬盘录像机连接监控主机，监控主机连接报警盒，监控主机在发现游客驻留量超出预警值时触发报警盒报警，所述方法，其特征在于，包括：S1、采集各景点摄像头一天内的摄像视频，对摄像视频采用基于光照补偿的高斯模型检测算法进行前景提取，得到前景输出；S2、在ROI(Region of interest，感兴趣区域)区域内对前景输出进行面积比计算，根据景点人流密度阈值进行高密度人群跟踪，在到达预定时间时，输出高密度人群图片；S3、采用迁移学习技术，在深度学习网络上利用具有高密度人群的标注图片进行人头检测模型的训练，得到训练好的模型；S4、将输出的高密度人群图片输入训练好的模型，进行游客量检测，当人数超过阈值时，训练好的模型输出报警信号。

【技术特征摘要】
1.一种游客人流量监控预警方法，采用一种游客人流量监控预警系统运行，所述系统包括摄像头、网络硬盘录像机、监控主机和报警盒，摄像头连接网络硬盘录像机，网络硬盘录像机连接监控主机，监控主机连接报警盒，监控主机在发现游客驻留量超出预警值时触发报警盒报警，所述方法，其特征在于，包括：S1、采集各景点摄像头一天内的摄像视频，对摄像视频采用基于光照补偿的高斯模型检测算法进行前景提取，得到前景输出；S2、在ROI(Regionofinterest，感兴趣区域)区域内对前景输出进行面积比计算，根据景点人流密度阈值进行高密度人群跟踪，在到达预定时间时，输出高密度人群图片；S3、采用迁移学习技术，在深度学习网络上利用具有高密度人群的标注图片进行人头检测模型的训练，得到训练好的模型；S4、将输出的高密度人群图片输入训练好的模型，进行游客量检测，当人数超过阈值时，训练好的模型输出报警信号。2.根据权利要求1的方法，其特征在于，在S1中，所述基于光照补偿的高斯模型检测算法包括：将摄像视频当前帧图像进行单通道亮度均衡化处理，利用亮度插值构造单通道全局差值矩阵，对三通道图像进行亮度增强处理，得到光照补偿后的视频；对光照补偿后的视频利用混合高斯模型进行前景提取，采用形态学操作进行前景目标完整输出，得到前景输出。3.根据权利要求2的方法，其特征在于，混合高斯模型方法包括：SS1、初始化混合高斯模型，计算时间段T内视频序列图像的每一个灰度像素的均值μ0和方差σ02，用μ0和方差σ02来初始化k个高斯模型的参数，k为正整数，μ0和σ02的计算公式如下其中，It...

【专利技术属性】
技术研发人员：刘璎瑛，丁绍刚，赵维铎，许凯，屈鹏程，周源赣，
申请(专利权)人：南京农业大学，
类型：发明
国别省市：江苏,32