CN104463121A - 人群密度信息获取方法 - Google Patents

Abstract

本发明公开了人群密度信息获取方法，包括：从当前人群采集图像中，提取当前人群采样图像；根据当前人群采样图像获取人群密度采样值；根据人群密度采样值与设定阀值的判断结果，进行纹理法密度分析或像素法人群密度分析，获取当前人群密度信息；根据当前人群密度信息生成人群密度报警信息。从而解决了现有人群密度准确性低的问题。避免了由于分析方法不当而造成的密度分析精度下降的情况。从而，提高了人群密度采集的准确性，降低了人群预存的成本并提高了信息的有效性。

Description

人群密度信息获取方法

技术领域

本发明涉及图像处理和模式识别技术领域，尤其涉及人群密度信息获取方法。

背景技术

随着社会的发展，出现了越来越多的人流汇聚场所，对大型城市的公共基础设施造成了巨大压力，如火车站、地铁站、公交车站以及体育馆等经常会迎来短期的人流高峰。人群高度拥挤容易发***事故，存在很大的安全隐患，很多人群***故在各个国家屡见不鲜。例如：2012年12月31日科特迪瓦举行庆祝新年的焰火表演庆典时，发生严重***故，造成至少61人死亡；2011年1月14日印度在庆祝宗教节日时发生重大***件，至少造成100人死亡；2013年湖北省一小学因拥挤发***事故，造成4名学生死亡。为了应对这些突发事件，近年来许多公共场合都安装了监控***对人流进行监控。但传统的监控***都是通过人工对闭路电视的不同场景进行监视，这种方法具有主观性，不能定量分析，而且监控人员容易疲劳，导致忽视监视器上的突发状况，从而造成不可挽回的后果。因此基于智能视频的人群密度评估方法对于避免重大安全问题至关重要。

发明内容

针对上述现有技术中的缺陷，本发明的目的是提供人群密度信息获取方法，解决了现有人群密度准确性低的问题。

本发明公开了人群密度信息获取方法，包括：

步骤S101，从当前人群采集图像中，提取当前人群采样图像；

步骤S102，根据所述当前人群采样图像获取人群密度采样值；

步骤S103，判断所述人群密度采样值是否大于设定阀值，若是，则根据纹理法对所述当前人群采集图像进行密度分析，获取当前人群密度信息；若否，则根据像素法对所述当前人群采集图像进行人群密度分析，获取当前人群密度信息；

步骤S104，根据所述当前人群密度信息生成人群密度报警信息。

作为本发明的一种优选的实施方式，所述步骤S101中包括：

从当前人群采集图像的地貌图中分离出，第一地貌区域及第二地貌区域；在所述第一地貌区域及所述第二地貌区域内分别进行图像采集，获取当前第一人群采集图像及第二人群采集图像；从所述当前第一人群采集图像中，提取当前第一人群采样图像，从所述当前第二人群采集图像中，提取当第二前人群采样图像。

作为本发明的一种优选的实施方式，所述步骤S102中包括：

根据所述当前第一人群采样图像，获取第一人群密度采样值，根据所述当前第二人群采样图像，获取第二人群密度采样值。

作为本发明的一种优选的实施方式，所述步骤S103中包括：

判断所述第一人群密度采样值是否大于设定阀值，若是，则根据纹理法对所述当前第一人群采集图像进行人群密度分析，获取第一人群密度信息；若否，则根据像素法对所述当前人群图像进行人群密度分析，获取第一人群密度信息；

判断所述第二人群密度采样值是否大于设定阀值，若是，则根据纹理法对所述当前第二人群采集图像进行人群密度分析，获取第二人群密度信息；若否，则根据像素法对所述当前人群图像进行人群密度分析，获取第二人群密度信息

根据所述第一人群密度信息、第二人群密度信息及所述当前人群采集图像的地貌图生成当前人群采集图像的密度图。

作为本发明的一种优选的实施方式，所述步骤S104中包括：

根据所述人群采集图像的密度图及设定报警密度阀值，生成所述密度图中各区域的报警信息，根据该报警信息生成人群密度报警图。

作为本发明的一种优选的实施方式，所述步骤S101中还包括：

从当前人群采集图像的地貌图中，提取出重点区域；

根据所述重点地貌段提取出与该地貌段相连的汇聚区域；

在所述重点区域及所述汇聚区域内分别进行图像采集，获取当前重点区域人群采集图像及当前汇聚区域人群采集图像；从所述当前重点区域人群采集图像中，提取当前重点区域人群采样图像，从所述当前汇聚人群采集图像中，提取当第汇聚人群采样图像。

作为本发明的一种优选的实施方式，所述步骤S102中包括：

根据所述当前重点区域人群采样图像，获取重点区域人群密度采样值，根据所述汇聚人群采样图像，获取汇聚区域人群密度采样值。

作为本发明的一种优选的实施方式，所述步骤S103中包括：

判断所述重点区域人群密度采样值是否大于设定阀值，若是，则根据纹理法对所述当前重点区域人群采集图像进行人群密度分析，获取重点区域人群密度信息；若否，则根据像素法对所述当前人群图像进行人群密度分析，获取重点区域人群密度信息；

判断所述汇聚区域人群密度采样值是否大于设定阀值，若是，则根据纹理法对所述当前汇聚区域人群采集图像进行人群密度分析，获取汇聚区域人群密度信息；若否，则根据像素法对所述当前人群图像进行人群密度分析，获取汇聚区域人群密度信息。

作为本发明的一种优选的实施方式，所述步骤S104中包括：

判断所述重点区域人群密度信息是否超过人群密度报警阀值，若是，则根据所述重点区域人群密度信息生成人群密度报警信息；若否，则根据所述当前汇聚区域的人流速度及距离、重点区域人群密度信息、汇聚区域人群密度信息，及人群密度报警阀值，获取报警密度延时时间；

根据所述报警密度延时时间生成人群密度报警信息。

作为本发明的一种优选的实施方式，所述步骤S104中包括：

根据所述重点区域人群密度信息、汇聚区域人群密度信息及所述当前人群采集图像的地貌图生成当前人群采集图像的密度图。

本发明的的有益效果为，通过对当前人群密度采样值的判断，通过不同的方法，对当前的人群密度进行分析，从而获得了更为准确的人群密度信息，避免了由于分析方法不当而造成的密度分析精度下降的情况。从而，提高了人群密度采集的准确性，降低了人群预存的成本并提高了信息的有效性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种实施方式中，人群密度信息获取方法的处理流程示意图；

图2为本发明一种实施方式中，四个不同方向对应的对比度的不同角度的变化示意图；

图3为本发明一种实施方式中，四个不同方向对应的相关性的不同角度的变化示意图；

图4为本发明一种实施方式中，四个不同方向对应的能量的不同角度的变化示意图；

图5为本发明一种实施方式中，四个不同方向对应的逆差矩的不同角度的变化示意图；

图6为本发明一种实施方式中，人群密度信息获取方法的处理流程示意图。

具体实施方式

下面将结合本发明的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的一种人群密度信息获取方法，如图1所示，包括：

步骤S101，从当前人群采集图像中，提取当前人群采样图像。

本步骤中，可通过在人群密集处安装的摄像、摄影器材对当前的人群图像进行采集。同时，如公园或山地等区域，不同的地貌的人员汇聚情况不同，如在公园的大门处，人员汇聚会较为集中，还可根据不同的地貌类型，将现有的地貌分为，高密度地貌区域，即第一地貌区域，及低密度地貌区域，即第二地貌区域。具体可从当前人群采集图像的地貌图中分离出，第一地貌区域及第二地貌区域。分别在第一地貌区域及第二地貌区域内分别进行图像采集，获取当前第一人群采集图像及第二人群采集图像。从当前第一人群采集图像中，提取当前第一人群采样图像，即高密度地域的人群图像；从当前第二人群采集图像中，提取当第二前人群采样图像，即低密度地域的人群图像。上述的采集输入图像图像一般是从视频序列抽取的单幅静态图像，也可能是视频序列。同时，在此步骤中，还可对采集图像进行预处理，预处理一般包括光照预处理、针对单幅静态图像的模板背景屏蔽、针对视频序列的前景提取等。通过直方图均衡可以减小光照变化的影响；模板背景屏蔽用模板来屏蔽掉大部分复杂背景，只保留感兴趣区域；背景减用以通过裁减背景得到运动目标对象的区域。

本专利将采用混合高斯(Mixture of Gaussians，MoG)进行背景提取，混合高斯背景建模方法最先由Friedman等在交通监控场景中提出，后来Stauffer等提出了一种更为一般的混合髙斯背景建模方法^[35]。混合高斯模型能够描述像素的多模状态，能够应对相对复杂、光照缓慢变化或存在小幅度重复运动的背景变化，并能较为准确的建模，因而受到较为广泛的应用。

混合高斯模型是将背景图像中每一个像素都用K个高斯模型来表示该像素点在某段时间内不同的状态。假设X_t为某像素点在时刻t的灰度值，则其概率密度函数如公式3-1：

$P\left(X_t\right)={\mathrm{\Σ}}_{i=1}^K{\mathrm{\ω}}_{i,t}*\mathrm{\η}(X,{\mathrm{\μ}}_{i,t},{\mathrm{\σ}}_{i,t}^2)---(3-1)$

其中，K表示高斯模型的数量，一般取值为3到5之间的整数，；ω_i，t为t时刻第i个高斯模型的权值；为t时刻第i个高斯分布的概率密度函数，其中μ_i，t为均值，为协方差。

利用混合高斯背景模型提取背景的过程：

(1)参数更新

混合高斯背景模型属于典型的参数化背景模型，因此须有参数更新的过程。混合高斯模型主要是由均值和方差两个参数决定，需要采取不同的机制实现对均值和方差的学习。实际应用中，当对后续的视频帧进行建模时，每个像素需要与K个高斯模型进行匹配并决定是否进行更新，如公式3-2：

$\left\{\begin{array}{c}{\mathrm{\ω}}_{i,t}=(1-\mathrm{\α}){\mathrm{\ω}}_{i,t-1}+\mathrm{\α}\left(M_{i,t}\right)\\ {\mathrm{\μ}}_{i,t}=(1-\mathrm{\ρ}){\mathrm{\μ}}_{i,t-1}+\mathrm{\ρ}{X}_t\\ {\mathrm{\σ}}_{i,t}^2=(1-\mathrm{\ρ}){\mathrm{\σ}}_{i,t-1}^2+\mathrm{\ρ}{(X_t-{\mathrm{\μ}}_{i,t})}^T(X_t-{\mathrm{\μ}}_{i,t})\\ \mathrm{\ρ}=\mathrm{\α\η}(X_t,{\mathrm{\μ}}_{i,t},{\mathrm{\σ}}_{i,t}^2)\end{array}\right.---(3-2)$

其中，ρ为参数更新率，α为权值更新率。

当像素值X_t与其中一个高斯分布匹配时，M_i，t取值为1，否则取值为0。如果混合高斯模型中像素值X_t不与任何高斯分布匹配，那么就用一个新的高斯分布代替优先级最低的高斯分布，然后用较大的方差和较小的权值初始化。

(2)背景估计

更新完参数后，需要确定当前视频帧中能最佳描述背景的高斯分布，这时作为评测的标准就是计算出的相对值ω_i，t/σ_i，t，K个高斯模型将此值从大到小进行排序，最可能描述背景过程的高斯分布就位于序列的顶部，而由不稳定的扰动产生的分布将排在序列的底部，最终被新生成的高斯分布取代。满足公式3-3的前B个模型就为所求背景。

$B=\arg {\min }_b\{{\mathrm{\Σ}}_{k=1}^b{\mathrm{\ω}}_k>T\}---(3-3)$

其中T表示权值阈值。

(3)前景提取

前景提取时，根据前B个高斯分布建立的背景模型，按照优先级大小顺序将像素值X_t分别与B个高斯分布一一比对。如果不存在表征背景模型的高斯分布与之相匹配，则判定该点为前景像素点，否则为背景像素点。

背景提取后视频帧中还是存在很多噪声，这里使用中值滤波处理使前景更加完整清晰。所有预处理完成后，会得到较为清晰的前景二值图像，计算出人群前景像素面积占图像总像素数的比例，当超过预设的阈值时视为高密度场景，反之则视为低密度场景。

步骤S102，根据当前人群采样图像获取人群密度采样值。

本步骤中，还可根据当前第一人群采样图像(即高密度地域的人群图像)，获取第一人群密度采样值，根据当前第二人群采样图像(即低密度地域的人群图像)，获取第二人群密度采样值。上述的人群密度采集值及人群特征值，这些特征包含了人群密度的关键信息，特征的有效性直接关系到密度估计结果的准确性。

步骤S103，获取当前人群密度信息。

在本步骤中，判断人群密度采样值是否大于设定阀值，若是，则根据纹理法对当前人群采集图像进行密度分析，即高密度下人群密度估计，获取当前人群密度信息；若否，则根据像素法对当前人群采集图像进行人群密度分析，获取当前人群密度信息，即低密度下人群密度估计。

在本步骤中还可包括：

判断第一人群密度采样值是否大于设定阀值，若是，则根据纹理法对当前第一人群采集图像进行人群密度分析，获取第一人群密度信息；若否，则根据像素法对当前人群图像进行人群密度分析，获取第一人群密度信息；

判断第二人群密度采样值是否大于设定阀值，若是，则根据纹理法对当前第二人群采集图像进行人群密度分析，获取第二人群密度信息；若否，则根据像素法对当前人群图像进行人群密度分析，获取第二人群密度信息

根据第一人群密度信息、第二人群密度信息及当前人群采集图像的地貌图生成当前人群采集图像的密度图。

上述高密度下人群密度估计的具体方法为：

当人群处于高密度时，存在较多的相互遮挡，基于统计像素数的估计方法已经不太适应。由于人群图像纹理大多为随机型纹理，服从统计分布规律，因此基于纹理分析的人群密度估计方法具有更好的适用性，纹理分析是利用图像处理技术提取目标的重要表面灰度分布信息，并对这些特征进行分析的技术。纹理的许多视觉特征在纹理描述中具有重要作用，包括一致性、密度、粗造性、规则性、方向性、频率和相位等，因此纹理特征具有多维性。灰度共生矩阵是纹理分析的一种，这些特征具有空间位置无关性，因此成为纹理分析的重要特征。最后***将利用训练支持向量机对高密度人群进行分类。

灰度共生矩阵是比较传统的纹理分析方法，是基于估计二维联合条件的概率密度函数f(i，j/d，θ)来实现的。函数表示距原点距离为d，角度为θ处的灰度值分别为i，j的灰度对出现的概率。可以用一个二维直方图或者矩阵来表示所有的估计值，这个矩阵就是灰度共生矩阵。一般一对(d，θ)对应一个矩阵，会将(d，θ)限制在一定范围内。通常θ在(0°，45°，90°， 135°)四个值中选取。从这个概率矩阵可以导出几个用以描述纹理特征的统计参数，如对比度(Contrast)、逆差矩(Homogeneity)、能量(Energy)和相关性(Correlation)的计算表达式如下：

对比度： $S_c(d,\mathrm{\θ})={\mathrm{\Σ}}_{i=0}^{L-1}{\mathrm{\Σ}}_{j=0}^{L-1}{(i-j)}^{2}f(i,j|d,\mathrm{\θ})$

逆差矩： $S_h(d,\mathrm{\θ})={\mathrm{\Σ}}_{i=0}^{L-1}{\mathrm{\Σ}}_{j=0}^{L-1}\frac{f(i,j|d,\mathrm{\θ})}{1+{(i-j)}^2}$

能量： $S_g(d,\mathrm{\θ})={\mathrm{\Σ}}_{i=0}^{L-1}{\mathrm{\Σ}}_{j=0}^{L-1}f{(i,j|d,\mathrm{\θ})}^2$

相关性： $S_p(d,\mathrm{\θ})={\mathrm{\Σ}}_{i=0}^{L-1}{\mathrm{\Σ}}_{j=0}^{L-1}\frac{\mathrm{ijf}(i,j|d,\mathrm{\θ})-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{\mathrm{\σ}}_x^2{\mathrm{\σ}}_y^2}$

其中L为灰度值的级数。对于灰度级数，需要找到一个合理的数值，能大幅的降低计算量，又不能损失过多的纹理特征，本文为了满足实际的计算速度和需求，选择的灰度级为8。

灰度共生矩阵一般有0°，45°，90°，135°四个方向，不同的方向会生成不同的灰度共生矩阵。需要找出合适的角度，既能达到提取完整的纹理特征的目的，又能减少计算量。本文通过实验在高密度人群样本上，以灰度级数为8，距离d为1到50的变量，对四个方向的灰度共生矩阵的特征值进行了计算，图2～5分别是各特征值在不同角度的变化示意图。通过比较结果，发现方向为45°，90°，135°的结果基本相似，因此为了降低计算复杂度，本文决定只计算比较具有代表性的45°方向上的纹理特征。因此本文选取距离d为15。

上述低密度下人群密度估计的具体方法为：

在低密度的人群环境中，人群数目较少，人与人之间几乎不存在遮掩的部分，采用基于像素统计的方法会比较简单、高效。本文选取统计前景运动目标面积的像素数目，利用人群数目与面积像素数目成正比的关系，采用曲线拟合的方式对人群的数目进行估计，判断出人群的密度等级。

在很多领域，一般有插值和曲线拟合两种方法来描述数据，曲线拟合是用简单的函数逼近复杂函数(或未知函数)，能够最佳地拟合数据，而不必经过所有数据点，但尽可能表现数据的趋势。本文采用曲线拟合的方法描述低密度的人群密度与前景人群边缘数目的关系。

曲线拟合的最小二乘法的定义^[36]为：y＝f(x)为定义在区间[a,b]上的函数，为区间上m+1个互不相同的点，要求在函数类中找到一个函数y＝S^*(x)，使误差平方和：

${\left|\right|\mathrm{\δ}\left|\right|}^2={\mathrm{\Σ}}_{i=0}^m{\mathrm{\δ}}_i^2={\mathrm{\Σ}}_{i=0}^m{[S^{*}\left(x_i\right)-y_i]}^2=\min {\mathrm{\Σ}}_{i=0}^m{[S\left(x_i\right)-y_i]}^2---(3-4)$

其中：

设拟合函数为：y＝ax+b，a表示斜率，b表示截距。对于等精度测量的N组数据(x_i，y_i)，i＝1,2,…,N，y_i表示观测到的人数，其被认为是精确的；x_i表示计算所得的人群前景像素数，所有的误差只跟x_i有关。下面推导最小二乘拟合直线中系数a和b的计算方法。

由曲线拟合的最小二乘法的定义可知，要使观测值y_i的偏差平方和为最小，对于等精度观测值的直线拟合来说，就是使下式的值最小：

${\left|\right|\mathrm{\δ}\left|\right|}^2={\mathrm{\Σ}}_{i=1}^N{[y_i-(a+{\mathrm{bx}}_i)]}^2---(3-5)$

式3-6分别对a，b求偏导并加以整理可得方程组：

$\left\{\begin{array}{c}\mathrm{a\Σ}{x}_i+\mathrm{b\Σ}{x}_i^2=\mathrm{\Σ}{x}_i{y}_i\\ \mathrm{aN}+\mathrm{b\Σ}{x}_i=\mathrm{\Σ}{y}_i\end{array}\right.---(3-6)$

求解上式所列方程组便可求得直线参数a和b的最佳估计值和

$\left\{\begin{array}{c}\hat{a}=\frac{\left(\mathrm{\Σ}{x}_i^2\right)\left(\mathrm{\Σ}{y}_i\right)-\left(\mathrm{\Σ}{x}_i\right)\left(\mathrm{\Σ}{x}_i{y}_i\right)}{N\left(\mathrm{\Σ}{x}_i^2\right)-{\left(\mathrm{\Σ}{x}_i\right)}^2}\\ \hat{b}=\frac{N\left(\mathrm{\Σ}{x}_i{y}_i\right)-\left(\mathrm{\Σ}{x}_i\right)\left(\mathrm{\Σ}{y}_i\right)}{N\left(\mathrm{\Σ}{x}_i^2\right)-{\left(\mathrm{\Σ}{x}_i\right)}^2}\end{array}\right.---(3-7)$

根据估计所得参数得到直线方程，对于实际的视频帧，计算出前景轮廓像素数目，若其小于判定高低密度人群的阈值，则将该像素数目代入直线方程直接计算人群数目。

步骤S104，根据当前人群密度信息生成人群密度报警信息。

在本步骤中还包括：

根据人群采集图像的密度图及设定报警密度阀值，生成密度图中各区域的报警信息，根据该报警信息生成人群密度报警图。

如图6所示，为便于对重点区域即，易产生问题的区域进行预警，在本发明的另一种实施方式中，步骤S101中还包括：

步骤S1011，提取当第汇聚人群采样图像。

在本步骤中，从当前人群采集图像的地貌图中，提取出重点区域；根据重点地貌段提取出与该地貌段相连的汇聚区域。重点区域及汇聚区域内分别进行图像采集，获取当前重点区域人群采集图像及当前汇聚区域人群采集图像；从当前重点区域人群采集图像中，提取当前重点区域人群采样图像，从当前汇聚人群采集图像中，提取当第汇聚人群采样图像。

在步骤S102中包括：

步骤S1021，根据当前重点区域人群采样图像，获取重点区域人群密度采样值，根据汇聚人群采样图像，获取汇聚区域人群密度采样值。

在步骤S103中包括：

步骤S1031，获取重点区域人群密度信息及获取汇聚区域人群密度信息。

本步骤中包括：判断重点区域人群密度采样值是否大于设定阀值，若是，则根据纹理法对当前重点区域人群采集图像进行人群密度分析，获取重点区域人群密度信息；若否，则根据像素法对当前人群图像进行人群密度分析，获取重点区域人群密度信息；

判断汇聚区域人群密度采样值是否大于设定阀值，若是，则根据纹理法对当前汇聚区域人群采集图像进行人群密度分析，获取汇聚区域人群密度信息；若否，则根据像素法对当前人群图像进行人群密度分析，获取汇聚区域人群密度信息。

在步骤S104中包括：

步骤S1041，生成人群密度报警信息。

判断重点区域人群密度信息是否超过人群密度报警阀值，若是，则根据重点区域人群密度信息生成人群密度报警信息；若否，则根据当前汇聚区域的人流速度及距离、重点区域人群密度信息、汇聚区域人群密度信息，及人群密度报警阀值，获取报警密度延时时间；根据报警密度延时时间生成人群密度报警信息。

同时在本步骤中还包括：

步骤S1042，生成当前人群采集图像的密度图。

根据重点区域人群密度信息、汇聚区域人群密度信息及当前人群采集图像的地貌图生成当前人群采集图像的密度图。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.人群密度信息获取方法，其特征在于，包括：

步骤S101，从当前人群采集图像中，提取当前人群采样图像；

步骤S102，根据所述当前人群采样图像获取人群密度采样值；

步骤S103，判断所述人群密度采样值是否大于设定阀值，若是，则根据纹理法对所述当前人群采集图像进行密度分析，获取当前人群密度信息；若否，则根据像素法对所述当前人群采集图像进行人群密度分析，获取当前人群密度信息；

步骤S104，根据所述当前人群密度信息生成人群密度报警信息。

2.根据权利要求1所述的人群密度信息获取方法，其特征在于，所述步骤S101中包括：

从当前人群采集图像的地貌图中分离出，第一地貌区域及第二地貌区域；在所述第一地貌区域及所述第二地貌区域内分别进行图像采集，获取当前第一人群采集图像及第二人群采集图像；从所述当前第一人群采集图像中，提取当前第一人群采样图像，从所述当前第二人群采集图像中，提取当第二前人群采样图像。

3.根据权利要求2所述的人群密度信息获取方法，其特征在于，所述步骤S102中包括：

根据所述当前第一人群采样图像，获取第一人群密度采样值，根据所述当前第二人群采样图像，获取第二人群密度采样值。

4.根据权利要求3所述的人群密度信息获取方法，其特征在于，所述步骤S103中包括：

判断所述第一人群密度采样值是否大于设定阀值，若是，则根据纹理法对所述当前第一人群采集图像进行人群密度分析，获取第一人群密度信息；若否，则根据像素法对所述当前人群图像进行人群密度分析，获取第一人群密度信息；

判断所述第二人群密度采样值是否大于设定阀值，若是，则根据纹理法对所述当前第二人群采集图像进行人群密度分析，获取第二人群密度信息；若否，则根据像素法对所述当前人群图像进行人群密度分析，获取第二人群密度信息

根据所述第一人群密度信息、第二人群密度信息及所述当前人群采集图像的地貌图生成当前人群采集图像的密度图。

5.根据权利要求4所述的人群密度信息获取方法，其特征在于，所述步骤S104中包括：

根据所述人群采集图像的密度图及设定报警密度阀值，生成所述密度图中各区域的报警信息，根据该报警信息生成人群密度报警图。

6.根据权利要求1所述的人群密度信息获取方法，其特征在于，所述步骤S101中还包括：

从当前人群采集图像的地貌图中，提取出重点区域；

根据所述重点地貌段提取出与该地貌段相连的汇聚区域；

在所述重点区域及所述汇聚区域内分别进行图像采集，获取当前重点区域人群采集图像及当前汇聚区域人群采集图像；从所述当前重点区域人群采集图像中，提取当前重点区域人群采样图像，从所述当前汇聚人群采集图像中，提取当第汇聚人群采样图像。

7.根据权利要求6所述的人群密度信息获取方法，其特征在于，所述步骤S102中包括：

根据所述当前重点区域人群采样图像，获取重点区域人群密度采样值，根据所述汇聚人群采样图像，获取汇聚区域人群密度采样值。

8.根据权利要求7所述的人群密度信息获取方法，其特征在于，所述步骤S103中包括：

判断所述重点区域人群密度采样值是否大于设定阀值，若是，则根据纹理法对所述当前重点区域人群采集图像进行人群密度分析，获取重点区域人群密度信息；若否，则根据像素法对所述当前人群图像进行人群密度分析，获取重点区域人群密度信息；

判断所述汇聚区域人群密度采样值是否大于设定阀值，若是，则根据纹理法对所述当前汇聚区域人群采集图像进行人群密度分析，获取汇聚区域人群密度信息；若否，则根据像素法对所述当前人群图像进行人群密度分析，获取汇聚区域人群密度信息。

9.根据权利要求8所述的人群密度信息获取方法，其特征在于，所述步骤S104中包括：

判断所述重点区域人群密度信息是否超过人群密度报警阀值，若是，则根据所述重点区域人群密度信息生成人群密度报警信息；若否，则根据所述当前汇聚区域的人流速度及距离、重点区域人群密度信息、汇聚区域人群密度信息，及人群密度报警阀值，获取报警密度延时时间；

根据所述报警密度延时时间生成人群密度报警信息。

10.根据权利要求8所述的人群密度信息获取方法，其特征在于，所述步骤S104中包括：

根据所述重点区域人群密度信息、汇聚区域人群密度信息及所述当前人群采集图像的地貌图生成当前人群采集图像的密度图。