人群聚集的判断方法及人群聚集的判断装置制造方法及图纸

本发明专利技术实施方式提供一种人群聚集的判断方法，所述方法包括：获取人群的第一图像；利用神经网络模型生成所述第一图像的第一人群密度图；所述神经网络模型包括卷积神经网络模型和空洞卷积神经网络模型；在根据所述第一人群密度图确定的人群密度超过第一预设阈值时，获取与所述第一图像相邻时刻的所述人群的第二图像；根据所述第一图像和所述第二图像，基于faster RCNN模型获取所述第一图像中的第一图像人群的运动轨迹；根据所述第一图像人群的运动轨迹和所述第一人群密度图判断人群是否聚集。本发明专利技术利用训练好的神经网络模型对人群聚集进行判断，方便、快捷，并且准确度高。

The judgment method of crowd gathering and the judgment device of crowd gathering

【技术实现步骤摘要】
人群聚集的判断方法及人群聚集的判断装置
本专利技术涉及计算机视觉领域，具体地涉及一种人群聚集的判断方法及一种人群聚集的判断装置。
技术介绍
近年来，随着安防技术的不断发展，视频监控系统已经逐步应用于众多领域，如智能交通、平安城市等。传统视频监控主要通过安排专人值守来达到监控的目的，而人员的精力和积极性都是有限的，存在不能及时察觉异常情况的现象，无法实现实时预警。随着计算机视觉技术的发展，图像处理技术越来越多运用到视频监控系统中。在城市中，特别是在商业街、大型商场、体育场等场所，人群的大量聚集往往伴随着异常事件。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、混合法等对目标进行前景提取，并通过前景特征估计人群聚集情况，即在检测区域内，人员密集达到一定阈值就认为出现了人员聚集，否则，认为没有出现人员聚集。该方法因前景特征提取效果较差、判断方法简单，判断的准确性较差。
技术实现思路
本专利技术实施方式的目的是对人群聚集区域的图像通过神经网络模型的处理而获得人群聚集的实时预警，克服了现有技术中图像提取效果差、判断法本文档来自技高网...

【技术保护点】
1.一种人群聚集的判断方法，其特征在于，所述方法包括：/n获取人群的第一图像；/n利用神经网络模型生成所述第一图像的第一人群密度图；所述神经网络模型包括卷积神经网络模型和空洞卷积神经网络模型；/n在根据所述第一人群密度图确定的人群密度超过第一预设阈值时，获取与所述第一图像相邻时刻的所述人群的第二图像；/n根据所述第一图像和所述第二图像，基于faster RCNN模型获取所述第一图像中的第一图像人群的运动轨迹；/n根据所述第一图像人群的运动轨迹和所述第一人群密度图判断人群是否聚集。/n

【技术特征摘要】
1.一种人群聚集的判断方法，其特征在于，所述方法包括：
获取人群的第一图像；
利用神经网络模型生成所述第一图像的第一人群密度图；所述神经网络模型包括卷积神经网络模型和空洞卷积神经网络模型；
在根据所述第一人群密度图确定的人群密度超过第一预设阈值时，获取与所述第一图像相邻时刻的所述人群的第二图像；
根据所述第一图像和所述第二图像，基于fasterRCNN模型获取所述第一图像中的第一图像人群的运动轨迹；
根据所述第一图像人群的运动轨迹和所述第一人群密度图判断人群是否聚集。


2.一种人群聚集的判断方法，其特征在于，所述方法包括：
获取人群的第一图像；
利用神经网络模型生成所述第一图像的第一人群密度图；所述神经网络模型包括卷积神经网络模型和空洞卷积神经网络模型；
在根据所述第一人群密度图确定的人群密度超过第一预设阈值时，获取与所述第一图像相邻时刻的所述人群的第二图像；
根据所述第一图像和所述第二图像，基于fasterRCNN模型获取所述第二图像中的第二图像人群的运动轨迹；
根据所述第一人群密度图和所述第二图像人群的运动轨迹判断人群是否聚集。


3.一种人群聚集的判断方法，其特征在于，所述方法还包括：
获取人群的第一图像；
利用神经网络模型生成所述第一图像的第一人群密度图；所述神经网络模型包括卷积神经网络模型和空洞卷积神经网络模型；
在根据所述第一人群密度图确定的人群密度超过第一预设阈值时，获取与所述第一图像相邻时刻的所述人群的第二图像；
根据所述第一图像和所述第二图像，基于fasterRCNN模型获取所述第二图像中的第二图像人群的运动轨迹；
利用卷积神经网络模型、空洞卷积神经网络模型生成所述第二图像的第二人群密度图；
根据所述第一人群密度图和所述第二人群密度图的差异，以及所述第二图像中的第二图像人群的运动轨迹，判断人群是否聚集。


4.根据权利要求1-3中任一项所述的人群聚集的判断方法，其特征在于，所述利用卷积神经网络模型、空洞卷积神经网络模型生成所述第一图像的第一人群密度图，包括：
将所述第一图像依次进行图像增强、图像去噪处理得到处理后第一图像；
对所述卷积神经网络模型和所述空洞卷积神经网络模型进行预训练得到训练后的卷积神经网络模型和训练后的空洞卷积神经网络模型；
将所述处理后第一图像输入所述训练后的所述卷积神经网络模型和所述训练后的空洞卷积神经网络模型，得到输出的所述第一图像的第一人群密度图；
所述对所述卷积神经网络模型和所述空洞卷积神经网络模型进行预训练得到训练后的卷积神经网络模型和训练后的空洞卷积神经网络模型，包括：
S11)获取所述人群的训练图像集；
S12)将所述训练图像集中每幅图像的图像头部标注组成的稀疏矩阵通过高斯滤波器转换成每幅图像的第一二维密度图；
S13)将所述每幅图像的第一二维密度图的宽、高均缩小，得到为所述每幅图像的第一二维密度图1/X倍的每幅图像的第二二维密度图；
S14)将所述训练图像集中的每幅图像输入所述卷积神经网络模型和所述空洞卷积神经网络模型，输出得到所述训练图像集的每幅图像的人群密度图；
S15)取所述每幅图像的人群密度图与所述每幅图像的第二二维密度图的各点的均方差作为损失函数；
S16)利用梯度下降法根据所述损失函数的大小更新所述卷积神经网络模型和所述空洞卷积神经网络模型；
S17)重复上述步骤S14)～步骤S16)Y次，得到所述训练后的所述卷积神经网络模型和所述训练后的空洞卷积神经网络模型。


5.根据权利要求1所述的人群聚集的判断方法，其特征在于，根据所述第一图像和所述第二图像...

【专利技术属性】
技术研发人员：罗茜，张斯尧，王思远，蒋杰，张诚，李乾，谢喜林，黄晋，
申请(专利权)人：长沙千视通智能科技有限公司，
类型：发明
国别省市：湖南;43