本发明专利技术涉及智能识别技术领域，尤其涉及一种人员聚集检测方法及装置，本发明专利技术利用结构化算法识别的目标坐标和特征值，为人员聚集检测提供高水准的目标识别率；使用DeepSORT算法基于结构化算法识别的目标结构进行目标轨迹预测，进一步提高人员聚集检测的整体准确率，有效解决结构化算法目标丢失的问题；基于DeepSORT算法的计算结果标定可疑人员，通过循环遍历可疑人员信息划分聚集圈，可以准确得到最大可疑人员聚集数。因此本发明专利技术可以有效提高目标识别率并减少复杂场景下误报异常情况，综合提升人员聚集检测的准确性。合提升人员聚集检测的准确性。合提升人员聚集检测的准确性。
【技术实现步骤摘要】
一种人员聚集检测方法及装置
[0001]本专利技术涉及智能识别
，尤其涉及一种人员聚集检测方法及装置。
技术介绍
[0002]随着智慧城市建设步伐的加快，人们对于智能安防的要求越来越高。在部分关键场所有对人员聚集场景的检测要求，使用结构化算法可以对监控场景进行人员目标识别，但往往因场景中人员相互叠加或遮挡，部分目标会产生丢失或闪烁的情况。最终会产生大量误报异常情况，这些都对智能人员聚集检测技术应用造成了困难。
[0003]为此现有技术中常采用多目标跟踪技术，即MOT(Multi
‑
Object Tracking)，顾名思义，就是在一段视频中同时跟踪多个目标。MOT主要应用场景是安防监控和自动驾驶等，这些场景中我们往往需要对众多目标同时进行追踪。而DeepSORT算法是现在应用最多的多目标跟踪算法。虽然DeepSORT算法能够准确给出多目标运动轨迹，但仅依赖此算法实现的最终精确度仍难以满足复杂场景的人员聚集检测需求。因此本领域亟需一种可以有效提高目标识别率并减少复杂场景下误报异常情况的人员聚集检测方法。
技术实现思路
[0004]本专利技术的目的在于提供一种人员聚集检测方法，从而解决现有技术中存在的前述问题。
[0005]为了实现上述目的，本专利技术采用的技术方案如下：
[0006]本专利技术提供了一种人员聚集检测方法，包括：
[0007]对解码的实时视频图像进行采样，获取当前帧图像作为采样帧；
[0008]通过人员结构化算法解析所述当前帧图像，获取当前帧人员信息向量；
[0009]通过DeepSORT算法将所述当前帧人员信息向量并入到含有历史帧人员信息向量的历史跟踪矩阵中，得到实时跟踪矩阵；
[0010]遍历所述实时跟踪矩阵中的人员信息向量，获取不同人员的移动轨迹向量，基于所述移动轨迹向量将连续多帧移动距离小于移动阈值且持续时间超过聚集时间阈值的人员标定为可疑人员，获取可疑人员跟踪矩阵；
[0011]循环遍历所述可疑人员跟踪矩阵中的人员信息向量，基于人员聚集距离阈值获取最大可疑人员聚集数，当所述最大可疑人员聚集数达到聚集人数阈值时，则判定发生有人员聚集现象。
[0012]优选的，所述当前帧人员信息向量包含多个人员的人员信息向量，所述人员信息向量包含目标坐标和特征值；所有跟踪矩阵均是由连续采样帧中不同人员的人员信息向量构成的。
[0013]优选的，当所述实时跟踪矩阵或所述可疑人员跟踪矩阵中的人员数量小于所述聚集人数阈值时，则直接准备对解码的实时视频图像进行下次采样，并将所述实时跟踪矩阵作为下次检测所需的历史跟踪矩阵。
[0014]优选的，当所述实时跟踪矩阵中的存在连续未出现时间超过暂离时间阈值的人员，则删除该人员在所述实时跟踪矩阵中的人员信息向量，并将所述实时跟踪矩阵作为下次检测所需的历史跟踪矩阵。
[0015]优选的，所述对解码的实时视频图像进行采样，具体包括：
[0016]对实时视频图像进行解码并获取当前帧图像的初始帧号；
[0017]基于采样间隔时间确定采样间隔帧数，若当前帧图像与上次采样帧之间的初始帧号变化量大于所述采样间隔帧数，则获取当前帧图像作为采样帧并编码采样帧号。
[0018]优选的，所述基于人员聚集距离阈值获取最大可疑人员聚集数，具体包括：
[0019]基于可疑人员跟踪矩阵中的人员信息向量，将各可疑人员分别作为一个聚集圈，并获取任一聚集圈中人员与其他聚集圈中人员之间的最小距离矩阵；
[0020]判断所述最小距离矩阵中是否存在小于人员聚集距离阈值的最小距离；
[0021]若存在，则将所述最小距离对应的两个聚集圈合并作为新的聚集圈，并更新所述最小距离矩阵，重新判断所述最小距离矩阵中是否存在小于人员聚集距离阈值的最小距离；
[0022]若不存在，则将含有人员最多的聚集圈中的人数作为最大可疑人员聚集数。
[0023]相应的，本专利技术还提供了一种人员聚集检测装置，包括：
[0024]获取模块，用于对解码的实时视频图像进行采样，获取当前帧图像作为采样帧；
[0025]第一处理模块，用于通过人员结构化算法解析所述当前帧图像，获取当前帧人员信息向量；
[0026]第二处理模块，用于通过DeepSORT算法将所述当前帧人员信息向量并入到含有历史帧人员信息向量的历史跟踪矩阵中，得到实时跟踪矩阵；
[0027]第一确定模块，用于遍历所述实时跟踪矩阵中的人员信息向量，获取不同人员的移动轨迹向量，基于所述移动轨迹向量将连续多帧移动距离小于移动阈值且持续时间超过聚集时间阈值的人员标定为可疑人员，获取可疑人员跟踪矩阵；
[0028]第二确认模块，用于循环遍历所述可疑人员跟踪矩阵中的人员信息向量，基于人员聚集距离阈值获取最大可疑人员聚集数，当所述最大可疑人员聚集数达到聚集人数阈值时，则判定发生有人员聚集现象。
[0029]相应的，本专利技术还提供了一种人员聚集检测设备，所述人员聚集检测设备包括处理器和存储器，其中：所述存储器中存储有计算机指令；所述处理器执行所述计算机指令，以实现如上任一项所述的方法。
[0030]相应的，本专利技术还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如上任一项所述的方法。
[0031]本专利技术的有益效果是：
[0032]本专利技术提供了一种人员聚集检测方法及装置，利用结构化算法识别的目标坐标和特征值，为人员聚集检测提供高水准的目标识别率；使用DeepSORT算法基于结构化算法识别的目标结构进行目标轨迹预测，进一步提高人员聚集检测的整体准确率，有效解决结构化算法目标丢失的问题；基于DeepSORT算法的计算结果标定可疑人员，通过循环遍历可疑人员信息划分聚集圈，可以准确得到最大可疑人员聚集数。因此本专利技术可以有效提高目标
识别率并减少复杂场景下误报异常情况，综合提升人员聚集检测的准确性。
附图说明
[0033]图1是本专利技术实施例中提供的一种人员聚集检测方法的流程示意图；
[0034]图2是本专利技术实施例中提供的跟踪人员关联示意图；
[0035]图3是本专利技术实施例中提供的可疑人员聚集示意图；
[0036]图4是本专利技术实施例中提供的一种人员聚集检测装置的结构示意图。
具体实施方式
[0037]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本专利技术，并不用于限定本专利技术。
[0038]如图1所示，本专利技术提供了一种人员聚集检测方法，包括：
[0039]S101，对解码的实时视频图像进行采样，获取当前帧图像作为采样帧。
[0040]S102，通过人员结构化算法解析所述当前帧图像，获取当前帧人员信息向量。
[0041]S103，通过DeepSORT算法将所述本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种人员聚集检测方法，其特征在于，包括：对解码的实时视频图像进行采样，获取当前帧图像作为采样帧；通过人员结构化算法解析所述当前帧图像，获取当前帧人员信息向量；通过DeepSORT算法将所述当前帧人员信息向量并入到含有历史帧人员信息向量的历史跟踪矩阵中，得到实时跟踪矩阵；遍历所述实时跟踪矩阵中的人员信息向量，获取不同人员的移动轨迹向量，基于所述移动轨迹向量将连续多帧移动距离小于移动阈值且持续时间超过聚集时间阈值的人员标定为可疑人员，获取可疑人员跟踪矩阵；循环遍历所述可疑人员跟踪矩阵中的人员信息向量，基于人员聚集距离阈值获取最大可疑人员聚集数，当所述最大可疑人员聚集数达到聚集人数阈值时，则判定发生有人员聚集现象。2.根据权利要求1所述的人员聚集检测方法，其特征在于，所述当前帧人员信息向量包含多个人员的人员信息向量，所述人员信息向量包含目标坐标和特征值；所有跟踪矩阵均是由连续采样帧中不同人员的人员信息向量构成的。3.根据权利要求1所述的人员聚集检测方法，其特征在于，当所述实时跟踪矩阵或所述可疑人员跟踪矩阵中的人员数量小于所述聚集人数阈值时，则直接准备对解码的实时视频图像进行下次采样，并将所述实时跟踪矩阵作为下次检测所需的历史跟踪矩阵。4.根据权利要求1所述的人员聚集检测方法，其特征在于，当所述实时跟踪矩阵中的存在连续未出现时间超过暂离时间阈值的人员，则删除该人员在所述实时跟踪矩阵中的人员信息向量，并将所述实时跟踪矩阵作为下次检测所需的历史跟踪矩阵。5.根据权利要求1所述的人员聚集检测方法，其特征在于，所述对解码的实时视频图像进行采样，具体包括：对实时视频图像进行解码并获取当前帧图像的初始帧号；基于采样间隔时间确定采样间隔帧数，若当前帧图像与上次采样帧之间的初始帧号变化量大于所述采样间隔帧数，则获取当前帧图像作为采样帧并编码采样帧号。6.根据权利要求1所述的人员聚集检测方法，其特征在...
【专利技术属性】
技术研发人员：邓新林，瞿洪桂，黄毅，徐伟华，
申请(专利权)人：北京中电兴发科技有限公司，
类型：发明
国别省市：
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。