CN108171162B - 人群拥挤度检测方法、装置及*** - Google Patents
人群拥挤度检测方法、装置及*** Download PDFInfo
- Publication number
- CN108171162B CN108171162B CN201711452117.3A CN201711452117A CN108171162B CN 108171162 B CN108171162 B CN 108171162B CN 201711452117 A CN201711452117 A CN 201711452117A CN 108171162 B CN108171162 B CN 108171162B
- Authority
- CN
- China
- Prior art keywords
- crowd
- images
- image
- degree
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种人群拥挤度检测方法、装置及***,涉及图像识别技术领域,方法包括:获取待检测区域的多个第一图像;以待检测区域中的标志物为分界点,将多个第一图像所覆盖的区域划分为多个目标区域;根据多个目标区域,对多个第一图像中的重叠部分进行处理,得到多个待识别图像;提取每个待识别图像中的第一人群拥挤特征;将每个第一人群拥挤特征输入到预先训练好的拥挤度检测分类器中,得到多个待识别图像的人群拥挤度分类结果;根据多个待识别图像的人群拥挤度分类结果,计算得到待检测区域的拥挤度。该方法能够实现快速、准确地拥挤度检测,解决现有技术中对拥挤程度识别速度慢、识别准确率低、所需硬件配置高的问题。
Description
技术领域
本发明涉及图像识别技术领域,尤其是涉及一种人群拥挤度检测方法、装置及***。
背景技术
目前,主流的人群拥挤度算法一般采用数人头的模式识别方法,先把人流的背景去掉,然后根据人体头部形状在剩下的图像中分辨人头的个数,因为视频中的图像存在动态的连续变化,所以通过一系列处理后能得出较为准确的人员个数。这种方法对视频设备的精度要求比较高,而且因为需要用较为复杂的算法来处理视频流导致算法要求的后台计算量比较大,所以一般需要专用硬件才能以较快速度获得较准确的人头处理结果。
对于多数应用场景而言,不需要知道公共场所中具体的人数有多少,而只需了解一个模糊的概念,比如此场所是否拥挤以及拥挤的程度有多高。对于区域比较大的应用场景,摄像头所采集的图像不能涵盖所有区域,导致其人群拥挤度检测结果不准确,而且现有的人群拥挤度检测方法,通过对视频数据进行处理分析,确定出人头数量,进而得到当前区域的拥挤度,导致此方法对大区域的拥挤程度识别速度慢,识别准确率低,且所需硬件配置高。
发明内容
有鉴于此,本发明的目的在于提供一种人群拥挤度检测方法、装置及***,能够将安装于待检测区域内的多个拍摄装置所采集的多个图像,根据基于待检测区域内的标志物进行划分的区域,处理得到多个待识别图像,对每个待识别图像进行拥挤度检测,然后将多个拥挤度结果进行综合,得到待检测区域最终的拥挤度,该方法能够实现快速、准确地拥挤度检测,降低对高配置硬件设备的依赖,解决现有技术中对拥挤程度识别速度慢、识别准确率低、所需硬件配置高的问题。
第一方面,本发明实施例提供了一种人群拥挤度检测方法,包括:
获取待检测区域的多个第一图像;多个第一图像包括:安装于待检测区域的多个拍摄装置所采集的多个图像;
以待检测区域中的标志物为分界点,将多个第一图像所覆盖的区域划分为多个目标区域;
根据多个目标区域,对多个第一图像中的重叠部分进行处理,得到多个待识别图像;
提取每个待识别图像中的第一人群拥挤特征;第一人群拥挤特征包括:第一图像中的人头特征和/或背景特征;
将每个第一人群拥挤特征输入到预先训练好的拥挤度检测分类器中,得到多个待识别图像的人群拥挤度分类结果;
其中,拥挤度检测分类器通过对数量达到一定阈值的训练样本数据进行分类训练得到;训练样本数据包括多种应用场景下所采集的图像;
根据多个待识别图像的人群拥挤度分类结果,计算得到待检测区域的拥挤度。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,在获取待检测区域的多个第一图像之前,还包括:
获取待训练的第二图像;第二图像包括数量达到一定阈值的多种应用场景下所采集的图像;
提取第二图像中的第二人群拥挤特征;第二人群拥挤特征包括:第二图像的背景特征和/或人头特征;
将第二人群拥挤特征,整合为训练样本数据和验证样本数据;
通过机器学习算法对训练样本数据进行训练,得到拥挤度检测分类器。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,在得到拥挤度检测分类器之后,还包括:
获取第一分类结果和拥挤度检测分类器的模型参数,第一分类结果为将训练样本数据输入至拥挤度检测分类器之后得到的输出结果;
将验证样本数据输入拥挤度检测分类器中,得到第二识别结果;
判断第二识别结果是否与第一识别结果相一致;
如果否,则对模型参数进行调整。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,在提取第二图像中的第二人群拥挤特征之前,还包括:
对第二图像进行归一化预处理;
判断归一化预处理后的第二图像是否存在预设缺陷;预设缺陷包括:图像遮蔽、数据错误、图像模糊中至少一项;
如果是,则重新获取图像,并将重新获取的图像作为第二图像。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,将每个第一人群拥挤特征输入到预先训练好的拥挤度检测分类器中,得到多个待识别图像的人群拥挤度分类结果,具体包括:
确定拥挤度检测分类器对应的数据格式;
如果数据格式包括二进制数据格式,将每个第一人群拥挤特征转换为二进制数据格式后输入拥挤度检测分类器,以生成多个对应待识别图像的分类结果。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,根据多个待识别图像的人群拥挤度分类结果,计算得到待检测区域的拥挤度,具体包括:
获取每个待识别图像所对应的区域面积与待检测区域的总面积的比值,作为每个待识别图像的人群拥挤度分类结果所对应的权重;
根据权重,计算多个待识别图像的人群拥挤度分类结果的加权和,得到待检测区域的拥挤度。
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,在得到多个待识别图像的人群拥挤度分类结果之后,还包括:
将多个待识别图像及其对应的人群拥挤度分类结果,作为新的训练样本数据保存在训练样本数据库中。
第二方面,本发明实施例提供一种人群拥挤度检测装置,装置包括:
图像获取模块,用于获取待检测区域的多个第一图像;多个第一图像包括:安装于待检测区域的多个拍摄装置所采集的多个图像;
区域划分模块,用于以待检测区域中的标志物为分界点,将待检测区域划分为多个目标区域;
图像处理模块,用于根据多个目标区域,对多个第一图像中的重叠部分进行处理,得到多个待识别图像;
特征提取模块,用于提取每个待识别图像中的第一人群拥挤特征;第一人群拥挤特征包括:第一图像中的人头特征和/或背景特征;
拥挤度识别模块,用于将每个第一人群拥挤特征输入到预先训练好的拥挤度检测分类器中,得到多个待识别图像的人群拥挤度分类结果;其中,拥挤度检测分类器通过对数量达到一定阈值的训练样本数据进行分类训练得到;训练样本数据包括多种应用场景下所采集的图像;
拥挤度计算模块,用于根据多个待识别图像的人群拥挤度分类结果,计算得到待检测区域的拥挤度。
第三方面,本发明实施例提供一种人群拥挤度检测***,***包括:后台服务器、终端设备及如第二方面所述的人群拥挤度检测装置;
后台服务器、终端设备以及人群拥挤度检测装置两两通信连接;
后台服务器,接收人群拥挤度检测装置所发送的待检测区域的人群拥挤度,并将人群拥挤度发送至终端设备。
第四方面,本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,程序代码使处理器执行如第一方面所述的方法。
本发明实施例带来了以下有益效果:
在本发明实施例提供的本实施例所提供的人群拥挤度检测方法,预先通过对很大数量的多种应用场景下的训练样本数据,进行多角度特征提取,训练得到拥挤度检测分类器,然后通过该分类器,对从新的检测区域的多个角度的图像处理得到的多个待识别图像,进行特征提取和拥挤度识别,最后再将多个待识别图像的拥挤度进行综合,得到待检测区域的拥挤度,该方法可以大大提高拥挤度检测速度与准确度,并且降低了对高配置硬件设备的依赖,能够满足多种应用场景下对人群拥挤度的快速准确地检测需求。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例一提供的一种人群拥挤度检测方法的流程图;
图2为本发明实施例一提供的另一种人群拥挤度检测方法的流程图;
图3为本发明实施例一提供的另一种人群拥挤度检测方法的流程图;
图4为本发明实施例一提供的另一种人群拥挤度检测方法的流程图;
图5为本发明实施例一提供的另一种人群拥挤度检测方法的流程图;
图6为本发明实施例一提供的另一种人群拥挤度检测方法的流程图;
图7为本发明实施例二提供的一种人群拥挤度检测装置的示意图;
图8为本发明实施例三提供的一种人群拥挤度检测***的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合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做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。
现有的拥挤度检测方法通过对图像处理分析,确定人头数量得到拥挤度,对于较大的区域,其识别的拥挤度准确度低、速度慢、所需硬件配置高。
基于此,本发明实施例提供一种人群拥挤度检测方法、装置及***,能够将安装于待检测区域内的多个拍摄装置所采集的多个图像,根据基于待检测区域内的标志物进行划分的区域,处理得到多个待识别图像,对每个待识别图像进行拥挤度检测,然后将多个拥挤度结果进行综合,得到待检测区域最终的拥挤度,该方法能够实现快速、准确地拥挤度检测,降低对高配置硬件设备的依赖,解决现有技术中对拥挤程度识别速度慢、识别准确率低、所需硬件配置高的问题。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种人群拥挤度检测方法进行详细介绍。
实施例一:
本发明实施例提供了一种人群拥挤度检测方法,该方法可以应用于多种应用场景下。参见图1所示,该方法包括以下步骤:
S101:获取待检测区域的多个第一图像;多个第一图像包括:安装于待检测区域的多个拍摄装置所采集的多个图像。
本发明实施例中,待检测区域可以是不同应用场景下的区域,其中,应用场景包括但不限于:公交车厢、轨道列车车厢、轮船船舱、各种候车室、公交场站、售票窗口、以及有明显标志物(如地面瓷砖线)的房间或地面。进行拥挤度识别之前,首先获取待检测的某种应用场景下的图像,具体的,可以通过安装于该应用场景的某个区域中的多个不同角度的拍摄装置进行拍摄,得到多个图像,其中,拍摄装置包括摄像头或者相机等。上述采集的图像可以为同一时间内各个装置采集的图像,也可以为一个不影响区域识别的时间段内采集的图像。为了与下文中的待训练的图像进行区别,这里用第一图像表示。
S102:以待检测区域中的标志物为分界点,将多个第一图像所覆盖的区域划分为多个目标区域。
在得到多个第一图像后,按照待检测区域中的标志物,将多个第一图像所覆盖的区域进行划分,得到多个目标区域。其中,标志物可以是多种不同的处于待检测区域中的比较明显的物体,比如:房间区域内的地板瓷砖线、柱子、装饰物等,通过上述标志物可以将多个第一图像所覆盖的区域大致切分为多个目标区域,该目标区域可用于对第一图像进行重叠部分处理时的参考,具体过程如下:
S103:根据多个目标区域,对多个第一图像中的重叠部分进行处理,得到多个待识别图像。
具体的处理过程包括:基于上述多个目标区域,将多个第一图像中的重叠部分去除,也就是使相同的区域只保留一个,删除多余的部分。通过上述图像处理过程,可以得到最终需要的多个待识别图像。
S104:提取每个待识别图像中的第一人群拥挤特征;第一人群拥挤特征包括:第一图像中的人头特征和/或背景特征。
在获取到多个待识别图像后,对该图像中的背景区域进行特征提取,或者图像中人头部分进行特征提取。针对不同的应用场景,不同的检测区域,所提取的特征也不一样。
比如,针对比较简单的大面积区域,可以仅对各个待识别图像中的人头部分进行人头特征提取,进而识别出各个待识别图像的拥挤度,最后按照各个待识别图像对应的区域所占总面积的比例,得到最终的待检测区域拥挤度。而针对比较复杂的应用场景,比如公交车应用场景,需要对公交车内的背景特征进行提取,具体的,可以结合分数阶理论与方法,以及图像增强、重构、分割、目标跟踪等技术,提取公交车应用场景中的图像的背景区域的特征,包括但不限于:座位上有无人坐的对比特征、过道或门口有无人站的对比特征、扶手上有无人扶的对比特征。针对不同的应用场景,其相应的待识别图像中所提取出的特征也不同,结合其人头特征或者背景特征,利用预先训练好的分类器进行识别,可以快速得到相应待识别图像的人群拥挤度。具体的识别过程如下:
S105:将每个第一人群拥挤特征输入到预先训练好的拥挤度检测分类器中,得到多个待识别图像的人群拥挤度分类结果。
其中,拥挤度检测分类器通过对数量达到一定阈值的训练样本数据进行分类训练得到;训练样本数据包括多种应用场景下所采集的图像。
本实施例中,拥挤度检测分类器是通过对大量的多种应用场景下采集的图像进行特征提取和训练得到的。因此,可以提高图像识别的准确度,也就是可以得到待识别图像的准确的拥挤度。
将上述提取的人群拥挤特征,也就是人头特征和/或背景特征,输入到上述训练好的拥挤度检测分类器中,就可以得到上述多个待识别图像的人群拥挤度分类结果,也就是拥挤度值,拥挤度值可以采用百分比进行表示,也可以以等级的方式表示。具体的,确定拥挤度检测分类器所对应的数据格式;如果数据格式包括二进制数据格式,将第一人群拥挤特征转换为二进制数据格式后输入拥挤度检测分类器,以生成对应待识别图像的拥挤度分类结果。
需要说明的是,本发明实施例中的训练的分类器可以采用多种方式进行,比如,常见的有基于深度学习的多种神经网络,或者也可以是其它能够实现特征提取和识别的模型,作为一种优选实施方式,本发明实施例采用卷积神经网络对待识别图像进行全面的人头特征和/或背景特征提取,以实现快速的人群拥挤度识别。
S106:根据多个待识别图像的人群拥挤度分类结果,计算得到待检测区域的拥挤度。
在得到多个待识别图像的人群拥挤度分类结果后,进一步通过下述步骤,计算得到待检测区域的拥挤度,参见图2所示:
S201:获取每个待识别图像所对应的区域面积与待检测区域的总面积的比值,作为每个待识别图像的人群拥挤度分类结果所对应的权重。
S202:根据权重,计算多个待识别图像的人群拥挤度分类结果的加权和,得到待检测区域的拥挤度。
比如,针对某一个场景,对获取到的多个图像进行上述图像处理后,得到三个待识别图像,经过特征提取和分类器识别后,三个待识别图像所对应的拥挤度分类结果分别为10%、20%、40%,而三个待识别图像所对应的区域占整个待检测区域面积的比例分别为1/4、1/4、1/2,那么该待检测区域的拥挤度为:10%*1/4+20%*1/4+40%*1/2=27.5%。
参见图3所示,上述分类器的训练过程如下,也就是在步骤S101获取待检测区域的多个第一图像之前,还包括以下步骤:
S301:获取待训练的第二图像;第二图像包括数量达到一定阈值的多种应用场景下所采集的图像。
本发明实施例中,多种应用场景包括但不限于:公交车厢、轨道列车车厢、轮船船舱、各种候车室、公交场站、售票窗口、以及有明显标志物(如地面瓷砖线)的房间或地面。进行拥挤度分类器训练之前,首先获取待训练的多种应用场景下的多个角度的摄像头拍摄的图像,具体的,可以通过安装于应用场景的某个区域中的多个不同角度的摄像头进行拍摄,得到同一时间采集的多个图像,为了与上文中的待检测的图像进行区别,这里用第二图像表示。
S302:提取第二图像中的第二人群拥挤特征;第二人群拥挤特征包括:第二图像的背景特征和/或人头特征。
在获取到待训练的图像后,对该图像中的背景区域进行特征提取,或者图像中人头部分进行特征提取。针对不同的应用场景,不同的检测区域,所提取的特征也不一样。
比如,针对比较简单的大面积区域,可以仅对各个待识别图像中的人头部分进行人头特征提取,而针对比较复杂的应用场景,比如公交车应用场景,需要对公交车内的背景特征进行提取,具体的,可以结合分数阶理论与方法,以及图像增强、重构、分割、目标跟踪等技术,提取公交车应用场景中的图像的背景区域的特征,包括但不限于:座位上有无人坐的对比特征、过道或门口有无人站的对比特征、扶手上有无人扶的对比特征。针对不同的应用场景,其相应的待识别图像中所提取出的特征也不同,结合其人头特征或者背景特征,可以训练出多种针对不同应用场景的拥挤度检测分类器,用于各种应用场景下的拥挤度快速识别。
S303:将第二人群拥挤特征,整合为训练样本数据和验证样本数据。
在提取出上述人群拥挤特征,也就是各种应用场景下的背景区域特征和/或人头特征后,将其整合为两种数据,一种是训练样本数据,另一种是验证样本数据,通常情况下,训练样本数据和验证样本数据的比例为7:3。
上述样本数据根据识别精度的需要,可能需要人工参与图像的标注,以监督学习方式达到识别进度需求。
S304:通过机器学习算法对训练样本数据进行训练,得到拥挤度检测分类器。
在得到上述训练样本数据后,基于深度学习算法(如卷积神经网络CNN技术),从大量的上述训练样本数据中学习建立模型,得到上述拥挤度检测分类器。
参见图4所示,在得到拥挤度检测分类器之后,还包括以下步骤:
S401:获取第一分类结果和拥挤度检测分类器的模型参数,第一分类结果为将训练样本数据输入至拥挤度检测分类器之后得到的输出结果。
S402:将验证样本数据输入拥挤度检测分类器中,得到第二识别结果;
S403:判断第二识别结果是否与第一识别结果相一致;如果否,则对模型参数进行调整。
在训练出上述拥挤度检测分类器后,对该分类器的模型参数进行真实场景测试与验证,具体的,将上述验证样本数据输入到上述拥挤度检测分类器中,判断输出结果是否与输入训练样本数据的情况一致,上述验证样本数据包括:从不同车型、不同拥挤程度、不同光照条件、不同摄像头角度场景下的图像中提取出的背景区域特征,针对上述多种验证样本数据,判断其输出结果是否与训练样本数据的输出结果一致,如果不同,则进一步根据测试结果进行模型参数的调整,对分类器的模型进行修正与完善。
参见图5所示,在提取第二图像中的第二人群拥挤特征之前,还包括以下步骤:
S501:对第二图像进行归一化预处理。
S502:判断归一化预处理后的第二图像是否存在预设缺陷;预设缺陷包括:图像遮蔽、数据错误、图像模糊中至少一项。
S503:如果是,则重新获取图像,并将重新获取的图像作为第二图像。
通过安装于各个应用场景中的多个摄像头进行拍摄,得到待训练的图像后,对上述待训练的图像进行归一化预处理,确保图像格式标准,对多源视频进行初步分类。如果在对图像预处理后,图像仍存在遮蔽、数据错误、模糊等缺陷,则重新获取其它图像数据,如果多次预处理后仍出现问题则控制报警装置进行报警。
作为一种优选实施方式,在得到多个所述待识别图像的人群拥挤度分类结果之后,还包括以下步骤,参见图6所示:
S601:将多个待识别图像及其对应的人群拥挤度分类结果,作为新的训练样本数据保存在训练样本数据库中。
随着拥挤度检测分类器在实际场合中应用,不断将新识别的图像和其识别结果增加到训练样本数据库中,从而不断地对分类器或者算法进行更新和优化,使其适应不同的新应用场景,提高在不同应用场景下的拥挤度识别准确率。
本实施例中所述的拥挤度为面向应用场景的量化指标,可采用多种方式定义。如拥挤度可根据人员乘坐舒适程度进行定义。以公交车拥挤度为例,极度拥挤定义为5(车内再也无法上人),拥挤定义为4(过道内可站乘客数超过一半,但未到极度拥挤程度),适度拥挤定义为3(过道上站着少量乘客),舒适定义为2(有空着的座位,但乘坐人数超过一半),空闲定义为1(空着的座位超过一半)。拥挤度也可用单位面积承载人数来定义,如单位面积(平方米)内人数超过X人为拥挤;或者按照场所及车辆核定的载客量作为标准定义。
下面列举一种具体的应用场景,以公交车厢为例,首先从多个车厢视频摄像头取得不同光照情况下的图像,然后根据公交车厢内的标志物将上述图像所覆盖的区域划分成多个区域,并根据上述多个区域对图像进行重叠部分的处理,以得到多个待识别图像,然后通过预先训练好的分类器对多个待识别图像进行识别,得到多个拥挤度分类结果,最后根据多个待识别图像对应区域的面积比例,求得上述多个拥挤度分类结果的加权和,得到最终的公交车厢的拥挤度。
在本实施例中,应用场景包括但不限于:本拥挤度算法除用于人群拥挤度识别外,还可用于物品的拥挤程度分析,比如集装箱拥挤程度,仓库物品拥挤程度。这些应用场合的特征为:识别目标物体的形状大小可大致固定,场所背景具备明显标志物(如座位、扶手、地面瓷砖线、标志线等)。
本实施例所提供的人群拥挤度检测方法,预先通过对很大数量的多种应用场景下的训练样本数据,进行多角度特征提取,训练得到拥挤度检测分类器,然后通过该分类器,对从新的检测区域的多个角度的图像处理得到的多个待识别图像,进行特征提取和拥挤度识别,最后再将多个待识别图像的拥挤度进行综合,得到待检测区域的拥挤度,该方法可以大大提高拥挤度检测速度与准确度,并且降低了对高配置硬件设备的依赖,能够满足多种应用场景下对人群拥挤度的快速准确地检测需求。
需要说明的是,本实施例采用的深度学习算法中列出了一些预处理方法、算法名称及控制参数,在实际应用中不仅限于以上方法、算法及参数,凡能达到结合场景特征因素对人群拥挤度进行快速判断的方法、算法及参数均在本专利的保护范围内。
实施例二:
本发明实施例提供一种人群拥挤度检测装置,参见图7所示,该装置包括:图像获取模块71、区域划分模块72、图像处理模块73、特征提取模块74、拥挤度识别模块75、拥挤度计算模块76。
其中,图像获取模块71,用于获取待检测区域的多个第一图像;多个第一图像包括:安装于待检测区域的多个摄像头在同一时间点所采集的多个图像;区域划分模块72,用于以待检测区域中的标志物为分界点,将待检测区域划分为多个目标区域;图像处理模块73,用于根据多个目标区域,对多个第一图像中的重叠部分进行处理,得到多个待识别图像;特征提取模块74,用于提取每个待识别图像中的第一人群拥挤特征;第一人群拥挤特征包括:第一图像中的人头特征和/或背景特征;拥挤度识别模块75,用于将每个第一人群拥挤特征输入到预先训练好的拥挤度检测分类器中,得到多个待识别图像的人群拥挤度分类结果;其中,拥挤度检测分类器通过对数量达到一定阈值的训练样本数据进行分类训练得到;训练样本数据包括多种应用场景下所采集的图像;拥挤度计算模块76,用于根据多个待识别图像的人群拥挤度分类结果,计算得到待检测区域的拥挤度。
本发明实施例所提供的人群拥挤度检测装置中,各个模块与前述人群拥挤度检测方法具有相同的技术特征,因此,同样可以实现上述功能。本装置中各个模块的具体工作过程参见上述方法实施例,在此不再赘述。
实施例三:
本发明实施例提供一种人群拥挤度检测***,该***可应用于多种应用场景中。比如:公交车,对于轨道、列车、候车场站、购票或购物地点等存在人群聚集的地方。参见图8所示,该***包括:后台服务器81、终端设备82及如第二方面所述的人群拥挤度检测装置83。
其中,后台服务器81、终端设备82以及人群拥挤度检测装置83两两通信连接;后台服务器81,接收人群拥挤度检测装置83所发送的待检测区域的人群拥挤度,并将人群拥挤度发送至终端设备82。
上述后台服务器81可以为不同应用行业中的监控中心,上述终端设备82可以为各个行业的信息发布平台、显示器、相关工作人员的手持终端等,具体的,将上述人群拥挤度检测装置83应用于不同的相关应用行业,可以进一步实现多种功能,比如,公交站工作人员根据手持终端接收到的当前公交车拥挤程度进行车辆调度作业,再比如,火车站候车大厅中通过信息发布平台,向公众公布当前各个候车厅的人群拥挤度,以使公众根据上述信息选择候车的地点。
本发明实施例所提供的人群拥挤度检测***,可应用于多种场景,场景包括但不限于:公交车厢、轨道列车车厢、轮船船舱、各种候车室、公交场站、售票窗口、以及有明显标志物(如地面瓷砖线)的房间或地面。
本发明实施例所提供的人群拥挤度检测方法的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置及电子设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
附图中的流程图和框图显示了根据本发明的多个实施例方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,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 (9)
1.一种人群拥挤度检测方法,其特征在于,包括:
获取待检测区域的多个第一图像;所述多个第一图像包括:安装于所述待检测区域的多个拍摄装置所采集的多个图像;所述多个图像为所述多个拍摄装置从不同角度对所述待检测区域进行拍摄得到的;
以所述待检测区域中的标志物为分界点,将所述多个第一图像所覆盖的区域划分为多个目标区域;
根据所述多个目标区域,对所述多个第一图像中的重叠部分进行处理,得到多个待识别图像;
提取每个所述待识别图像中的第一人群拥挤特征;所述第一人群拥挤特征包括:所述第一图像中的人头特征和/或背景特征;
将每个所述第一人群拥挤特征输入到预先训练好的拥挤度检测分类器中,得到多个所述待识别图像的人群拥挤度分类结果;
其中,所述拥挤度检测分类器通过对数量达到一定阈值的训练样本数据进行分类训练得到;所述训练样本数据包括多种应用场景下所采集的图像;
根据多个所述待识别图像的人群拥挤度分类结果,计算得到所述待检测区域的拥挤度;
所述根据多个所述待识别图像的人群拥挤度分类结果,计算得到所述待检测区域的拥挤度,具体包括:
获取每个所述待识别图像所对应的区域面积与所述待检测区域的总面积的比值,作为每个所述待识别图像的人群拥挤度分类结果所对应的权重;
根据所述权重,计算多个所述待识别图像的人群拥挤度分类结果的加权和,得到所述待检测区域的拥挤度。
2.根据权利要求1所述的方法,其特征在于,在所述获取待检测区域的多个第一图像之前,还包括:
获取待训练的第二图像;所述第二图像包括数量达到一定阈值的多种应用场景下所采集的图像;
提取所述第二图像中的第二人群拥挤特征;所述第二人群拥挤特征包括:所述第二图像的背景特征和/或人头特征;
将所述第二人群拥挤特征,整合为训练样本数据和验证样本数据;
通过机器学习算法对所述训练样本数据进行训练,得到所述拥挤度检测分类器。
3.根据权利要求2所述的方法,其特征在于,在得到所述拥挤度检测分类器之后,还包括:
获取第一分类结果和所述拥挤度检测分类器的模型参数,所述第一分类结果为将所述训练样本数据输入至所述拥挤度检测分类器之后得到的输出结果;
将所述验证样本数据输入所述拥挤度检测分类器中,得到第二识别结果;
判断所述第二识别结果是否与所述第一分类结果相一致;
如果否,则对所述模型参数进行调整。
4.根据权利要求2所述的方法,其特征在于,在所述提取所述第二图像中的第二人群拥挤特征之前,还包括:
对所述第二图像进行归一化预处理;
判断所述归一化预处理后的第二图像是否存在预设缺陷;所述预设缺陷包括:图像遮蔽、数据错误、图像模糊中至少一项;
如果是,则重新获取图像,并将所述重新获取的图像作为所述第二图像。
5.根据权利要求1所述的方法,其特征在于,所述将每个所述第一人群拥挤特征输入到预先训练好的拥挤度检测分类器中,得到多个所述待识别图像的人群拥挤度分类结果,具体包括:
确定所述拥挤度检测分类器对应的数据格式;
如果所述数据格式包括二进制数据格式,将每个所述第一人群拥挤特征转换为二进制数据格式后输入所述拥挤度检测分类器,以生成多个对应所述待识别图像的分类结果。
6.根据权利要求1-5任一项所述的方法,其特征在于,在得到多个所述待识别图像的人群拥挤度分类结果之后,还包括:
将所述多个待识别图像及其对应的人群拥挤度分类结果,作为新的训练样本数据保存在训练样本数据库中。
7.一种人群拥挤度检测装置,其特征在于,所述装置包括:
图像获取模块,用于获取待检测区域的多个第一图像;所述多个第一图像包括:安装于所述待检测区域的多个拍摄装置所采集的多个图像;所述多个图像为所述多个拍摄装置从不同角度对所述待检测区域进行拍摄得到的;
区域划分模块,用于以所述待检测区域中的标志物为分界点,将所述多个第一图像所覆盖的区域划分为多个目标区域;
图像处理模块,用于根据所述多个目标区域,对所述多个第一图像中的重叠部分进行处理,得到多个待识别图像;
特征提取模块,用于提取每个所述待识别图像中的第一人群拥挤特征;所述第一人群拥挤特征包括:所述第一图像中的人头特征和/或背景特征;
拥挤度识别模块,用于将每个所述第一人群拥挤特征输入到预先训练好的拥挤度检测分类器中,得到多个所述待识别图像的人群拥挤度分类结果;其中,所述拥挤度检测分类器通过对数量达到一定阈值的训练样本数据进行分类训练得到;所述训练样本数据包括多种应用场景下所采集的图像;
拥挤度计算模块,用于根据多个所述待识别图像的人群拥挤度分类结果,计算得到所述待检测区域的拥挤度;
所述拥挤度计算模块,还用于获取每个所述待识别图像所对应的区域面积与所述待检测区域的总面积的比值,作为每个所述待识别图像的人群拥挤度分类结果所对应的权重;根据所述权重,计算多个所述待识别图像的人群拥挤度分类结果的加权和,得到所述待检测区域的拥挤度。
8.一种人群拥挤度检测***,其特征在于,所述***包括:后台服务器、终端设备及如上述权利要求7所述的人群拥挤度检测装置;
所述后台服务器、所述终端设备以及所述人群拥挤度检测装置两两通信连接;
所述后台服务器,接收所述人群拥挤度检测装置所发送的待检测区域的人群拥挤度,并将所述人群拥挤度发送至所述终端设备。
9.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711452117.3A CN108171162B (zh) | 2017-12-27 | 2017-12-27 | 人群拥挤度检测方法、装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711452117.3A CN108171162B (zh) | 2017-12-27 | 2017-12-27 | 人群拥挤度检测方法、装置及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108171162A CN108171162A (zh) | 2018-06-15 |
CN108171162B true CN108171162B (zh) | 2021-05-11 |
Family
ID=62518720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711452117.3A Active CN108171162B (zh) | 2017-12-27 | 2017-12-27 | 人群拥挤度检测方法、装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171162B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800684B (zh) * | 2018-12-29 | 2022-06-21 | 上海依图网络科技有限公司 | 一种视频中对象的确定方法及装置 |
CN111222635A (zh) * | 2018-12-29 | 2020-06-02 | 中科寒武纪科技股份有限公司 | 运算方法、装置及相关产品 |
CN109841060A (zh) * | 2019-01-23 | 2019-06-04 | 桂林电子科技大学 | 一种基于线性回归的道路拥堵判断装置及判断方法 |
CN110796632B (zh) * | 2019-07-30 | 2023-08-11 | 重庆渝通合数字科技有限公司 | 猪只计数装置 |
CN110490103B (zh) * | 2019-08-05 | 2022-06-14 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 轨道交通客流密度检测方法及装置 |
CN110852155A (zh) * | 2019-09-29 | 2020-02-28 | 深圳市深网视界科技有限公司 | 公交乘客拥挤度检测方法、***、装置及存储介质 |
CN112241688A (zh) * | 2020-09-24 | 2021-01-19 | 厦门卫星定位应用股份有限公司 | 车厢拥挤度检测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101431664A (zh) * | 2007-11-06 | 2009-05-13 | 同济大学 | 基于视频图像的密集客流密度自动检测方法及*** |
CN106096521A (zh) * | 2016-06-02 | 2016-11-09 | 苏州大学 | 一种基于网格划分的拥挤踩踏预警方法及装置 |
CN106650581A (zh) * | 2016-09-27 | 2017-05-10 | 腾讯科技(深圳)有限公司 | 一种人流量统计方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727573B (zh) * | 2008-10-13 | 2013-02-20 | 汉王科技股份有限公司 | 一种视频图像中人群密度估计的方法和装置 |
CN101739569A (zh) * | 2009-12-17 | 2010-06-16 | 北京中星微电子有限公司 | 一种人群密度估计方法、装置及监控*** |
CN104463204B (zh) * | 2014-12-04 | 2018-10-26 | 四川九洲电器集团有限责任公司 | 目标数量统计方法 |
CN104504377B (zh) * | 2014-12-25 | 2017-09-15 | 中邮科通信技术股份有限公司 | 一种公交车乘客拥挤程度识别***及方法 |
CN106295460B (zh) * | 2015-05-12 | 2019-05-03 | 株式会社理光 | 人的检测方法及设备 |
US9699615B2 (en) * | 2015-08-06 | 2017-07-04 | International Business Machines Corporation | Crowd congestion detection |
CN107194352A (zh) * | 2017-05-23 | 2017-09-22 | 李昕昕 | 一种视频监控的行人计数方法、装置及*** |
-
2017
- 2017-12-27 CN CN201711452117.3A patent/CN108171162B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101431664A (zh) * | 2007-11-06 | 2009-05-13 | 同济大学 | 基于视频图像的密集客流密度自动检测方法及*** |
CN106096521A (zh) * | 2016-06-02 | 2016-11-09 | 苏州大学 | 一种基于网格划分的拥挤踩踏预警方法及装置 |
CN106650581A (zh) * | 2016-09-27 | 2017-05-10 | 腾讯科技(深圳)有限公司 | 一种人流量统计方法及装置 |
Non-Patent Citations (2)
Title |
---|
Multi-Camera Crowd Monitoring: The SAFEST Approach;Alexandra Danilkina等;《Workshop Interdisciplinaire sur la Sécurité Globale》;20151231;第128-131页 * |
一种基于区域划分的人群密度估计快速方法;张燕等;《计算机与数字工程》;20110430;第39卷(第4期);第1-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108171162A (zh) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171162B (zh) | 人群拥挤度检测方法、装置及*** | |
US11188783B2 (en) | Reverse neural network for object re-identification | |
CN109034036B (zh) | 一种视频分析方法、教学质量评估方法及***、计算机可读存储介质 | |
US9875392B2 (en) | System and method for face capture and matching | |
CN111914636B (zh) | 一种检测行人是否佩戴安全帽的方法及装置 | |
CN103632158B (zh) | 森林防火监控方法及森林防火监控*** | |
CN109460754B (zh) | 一种水面异物检测方法、装置、设备及存储介质 | |
CN106846362A (zh) | 一种目标检测跟踪方法和装置 | |
CN109919064B (zh) | 一种轨道交通车厢内实时人数统计方法和装置 | |
CN112069988A (zh) | 一种基于枪球联动的驾驶员安全驾驶行为检测方法 | |
CN108960133A (zh) | 乘客流量监控的方法、电子设备、***以及存储介质 | |
CN109389016A (zh) | 一种人头计数的方法及*** | |
CN111753642B (zh) | 一种确定关键帧的方法及装置 | |
CN112561967A (zh) | 一种车辆门锁的控制方法及装置 | |
CN116964588A (zh) | 一种目标检测方法、目标检测模型训练方法及装置 | |
CN112700473B (zh) | 一种基于图像识别进行车厢拥挤度判断*** | |
CN112489436B (zh) | 一种车辆身份识别方法、装置、***、以及电子装置 | |
CN108021949B (zh) | 人群拥挤度检测方法、装置、***及电子设备 | |
CN116486334A (zh) | 基于车辆的高空抛物监测方法、***、装置及存储介质 | |
CN115937991A (zh) | 人体摔倒识别方法、装置、计算机设备及存储介质 | |
CN107704836B (zh) | 基于物体检测的疲劳驾驶检测方法 | |
CN115565143A (zh) | 基于视频监控的缆车运行风险预警方法、设备及存储介质 | |
CN105825166A (zh) | 基于人体hog特征的行人流量统计方法及统计*** | |
CN108960181A (zh) | 基于多尺度分块lbp和隐马尔科夫模型的黑烟车检测方法 | |
US20160267758A1 (en) | Method and device for monitoring individuals in a place equipped with distributed detection means |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |