CN111191610A - 一种视频监控中人流量检测与处理方法 - Google Patents
一种视频监控中人流量检测与处理方法 Download PDFInfo
- Publication number
- CN111191610A CN111191610A CN201911423905.9A CN201911423905A CN111191610A CN 111191610 A CN111191610 A CN 111191610A CN 201911423905 A CN201911423905 A CN 201911423905A CN 111191610 A CN111191610 A CN 111191610A
- Authority
- CN
- China
- Prior art keywords
- image
- namely
- model
- pedestrian
- flow
- 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.)
- Withdrawn
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种视频监控中人流量检测与处理方法。首先是人流量检测,训练深度学***面图建立疏散模型。本方法经过预训练的深度学习模型统计人流量,并依据实际应用场景设计阈值,适用于人流量变化较大的公共场所,例如商场、学校等。
Description
【技术领域】
本发明涉及一种视频监控中人流量的检测与处理方法,属于深度学习,计算机视觉领域。
【技术背景】
在国外对人流量监控的分析已经成为一项非常重要的市场研究手段,特别是在一些发达的国家更是普遍应用到了各种商业场所,例如购物中心、商场百货、连锁店铺等场所,人流量分析是能够决定企业运营决策各项目的数据依据,结合客流与消费***能够有效提高销售率,增加了经营效益。
而在国内,自动人流量统计***是从国外引入,而人流量统计投入的市场也是在观望,已有不少的商业采用了人流量统计***应用于商场,而且采集数据的准确性给商场的发展带来了决策运营的作用。特别是在节假日人流量爆满的时候,根据人流量数据数据的统计和分析,能够做好促销宣传,吸引更多的顾客消费。不过由于国内的起步比较晚,如今依然较多采用红外计数器或者人工统计的方式来实现对目标区域的数据采集和统计,这种做法的效率较低,而且容易导致数据不准对规划有着严重的影响性的。
【发明内容】
基于以上考虑,本发明提出了一种视频监控中人流量的检测与处理方法,该方法采用的算法简单,易于实现,***结构简洁,易于部署并运用到实际场景中。
本发明具体实现的方法,包括以下步骤:
步骤1:人流量检测,基于预训练的深度学习模型,通过人头数量统计获取人流量数值;
步骤2:推荐阈值计算,利用叉乘法计算图像中可供人行走的区域面积再根据摄像头放置的高度以及摄像头拍摄图像的缩放参数计算实际面积,与拥挤人群密度相乘得到推荐阈值;
步骤3:疏散模型建立,若人流量超过阈值则利用元胞自动机建立疏散模型。
具体的,步骤1中人流量检测运用专门用于人头检测的深度学习模型FCHD(快速且精准的人头检测器),包括以下步骤:
步骤2-1:图像预处理,输入摄像头拍摄的场景图像,将其缩放并转换为640×480的RGB图像,再进行归一化;
步骤2-2:模型初始化,对FCHD进行初始化,读取参数文件,解析FCHD模型,加载模型权重;
步骤2-3:特征提取,对预处理过的图像进行特征提取(在特征提取中使用的是VGG16网络的Feature层,即特征层),并输出特征向量;
步骤2-4:生成多尺寸的锚,在预处理过的图像上以16为步长在每个位置生成多种的尺寸的锚。在输出特征向量之后,与原图像相映射使得在特征向量相应位置上也生成多种锚;
步骤2-5:信息编码,多种尺寸的锚生成后,再通过一层512*512的卷积层对前层信息进行编码;
步骤2-6:进行检测,得到各个锚的分类和经回归后的位置后,最后经非极大值抑制得到结果;
步骤2-7:输出结果,将结果绘制在原图像上,并显示。
具体的,步骤2所述的根据场景多个条件计算推荐阈值,其原理是通过叉乘法计算图像中人为勾画出的可供行人站立的区域面积,再与摄像头拍摄的相关参数以及放置高度进行映射计算,得出的该区域的实际面积,最后与相关文献资料中记录的拥挤人群密度(一般为9人/平方米)相乘,得到推荐阈值。
具体的,步骤3所述的运用元胞自动机建立疏散模型,包括以下步骤:
步骤3-1:输入场景平面图,将平面图进行灰度化,二值化转换成01矩阵;
步骤3-2:模拟人流,按当前场景行人数目,在对应的平面图位置附近随机生成相同数目的元胞进行模拟;
步骤3-3:保存路径,模拟过程中保存元胞运动的路径;
采用Moore邻居方式,即八邻居。以各个邻居的危险度驱动中心行人元胞的下一决策,即选择最小危险度的邻点作为下一步。若存在相同危险度的点,则按等概率随机选择其中一点作为中心行人元胞的下一步。保存每一步的路径;
元胞格点计算,设该点为(x,y),出口为(x0,y0)。
而当格点为障碍物或行人时,S(x,y)等于整张平面图对角线长度向上取整的值。
危险度A(x,y)=S(x,y)。
步骤4-4:并行更新,为行人元胞增加年龄段属性,当存在多点同时竞争一个空闲元胞的情况时,按年龄段属性数值大者优先的原则进行分配竞争;
步骤4-5:输出路径,当行人均疏散完毕时,结束模拟,将保存下来的路径绘制在原平面图上。
本发明针对公共场合人流量较多的场景,采用预训练的深度学习的FCHD(快速且精准的人头检测器)模型,进行人流量统计,再根据应用场景条件计算出阈值,对于出现异常人流量的情况,即人流量超过既定的阈值,采用元胞自动机模拟人流量疏散并建立疏散模型,以计算出最优疏散路线。
【附图说明】
图1是***的流程图;
图2是元胞的属性结构;
图3是模拟过程时某元胞的状态图,方框里的值为该点的危险度。
【具体实施方式】
为了使本发明的原理及技术方案更加清晰易懂,结合以下实例和附图对本发明作进一步阐述。所举实例仅用于解释本发明的技术方案,而不能以此来限制本发明的应用。
参照图1,一种视频监控中人流量的监管方法,包括以下步骤:
1.人流量检测,基于预训练的深度学习模型,通过人头数量统计获取人流量数值。初始化FCHD(快速且精准的人头检测器)模型,加载参数文件后,将视频图像输入到模型中,具体如下:
1.1图像预处理,输入图像,将其缩放并转换为640×480的RGB图像,再进行归一化;
1.2模型初始化,对FCHD进行初始化,读取参数文件,解析FCHD模型,加载模型权重;
1.3特征提取,对预处理过的图像进行特征提取(在特征提取中使用的是VGG16网络的Feature层,即特征层),并输出特征向量;
1.4生成多尺寸的锚,在预处理过的图像上以16为步长在每个位置生成多种的尺寸的锚。在输出特征向量之后,与原图像相映射使得在特征向量相应位置上也生成多种锚;
1.5信息编码,多种尺寸的锚生成后,再通过一层512*512的卷积层对前层信息进行编码;
1.6进行预测,输出后分别输入分类子层和位置回归子层进行预测并对预测结果进行非极大值抑制;分类子层由一个1*1的卷积核和一个512*(N*2)的卷积层构成(N为anchor数目,2即正样本或负样本)
位置回归子层由一个1*1的卷积核和一个512*(N*4)的卷积层构成(N为anchor数目,4即标识目标方框的四个值)
1.7输出结果,将结果绘制在原图像上,并显示。
2.推荐阈值计算,利用叉乘法计算图像中可供人行走的区域面积再根据摄像头放置的高度以及摄像头拍摄图像的缩放参数计算实际面积,与拥挤人群密度相乘得到推荐阈值。
若未设置阈值,则将进行推荐阈值计算,具体如下:
2.1勾画区域,人工勾画出的可供行人站立的区域面积,并以顺时针保存各顶点;
2.2计算勾画区域面积,运用叉乘法计算该区域面积;
2.3计算实际面积,与摄像头拍摄的相关参数以及放置高度进行映射计算,得出的该区域的实际面积;
2.4计算最终结果,与拥挤人群密度相乘,得到推荐阈值。
3.若超出阈值,则将运用元胞自动机建立疏散模型进行模拟,具体如下:
3.1输入场景平面图,将平面图进行灰度化,二值化转换成01矩阵;
3.2模拟人流,按当前场景行人数目,在对应的平面图位置附近随机生成相同数目的元胞进行模拟;
3.3保存路径,模拟过程中保存元胞运动的路径。采用Moore邻居方式即八邻居。以各个邻居的危险度驱动中心行人元胞的行动决策,也就是选择最小危险度的邻点作为下一步。若存在相同危险度的点,则按等概率随机选择其中一点作为中心行人元胞的下一步。保存每一步的路径;
元胞格点计算,设该点为(x,y),出口为(x0,y0)。
而当格点为障碍物或行人时,S(x,y)等于整张平面图对角线长度向上取整的值。
危险度A(x,y)=S(x,y)。
3.4并行更新,为行人元胞增加年龄段属性,当存在多点同时竞争一个空闲元胞的情况时,按年龄段属性数值大者优先的原则进行分配竞争;
3.5输出路径,当行人均疏散完毕时,结束模拟,将保存下来的路径绘制在原平面图上。
实例:使用数据集中监控视频的某一时刻图像进行预测,结果如图3所示。而对于疏散模型,我们设某教室大小为20m*20m,而出口坐标可设为(1,5),每个元胞的大小设为0.4*0.4m2,并将各个元胞的属性按图2进行定义。则整个地图大小为50*50,设某元胞坐标为(30,20),则其状态如图3所示。因而下一步应向(29,20)移动。
Claims (4)
1.一种视频监控中人流量检测与处理方法,用于公共地点部分区域的人流量监管与疏散,其特征在于包括下述步骤:
步骤1:人流量检测,基于预训练的深度学习模型,通过人头数量统计获取人流量数值;
步骤2:推荐阈值计算,利用叉乘法计算图像中可供人行走的区域面积再根据摄像头放置的高度以及摄像头拍摄图像的缩放参数计算实际面积,与拥挤人群密度相乘得到推荐阈值;
步骤3:疏散模型建立,若人流量超过阈值则利用元胞自动机建立疏散模型。
2.根据权利要求1所述的一种视频监控中人流量检测与处理方法,其特征在于:步骤1所述的人流量检测采用FCHD模型,包括以下步骤:
步骤(2-1):图像预处理,输入摄像头拍摄的场景图像,将其缩放并转换为640×480的RGB图像,再进行归一化;
步骤(2-2):模型初始化,对FCHD进行初始化,读取参数文件,解析FCHD模型,加载模型权重;
步骤(2-3):特征提取,对预处理过的图像进行特征提取,并输出特征向量;
步骤(2-4):生成多尺寸的锚,在预处理过的图像上以16为步长在每个位置生成多种尺寸的锚,在输出特征向量之后,与原图像相映射使得在特征向量相应位置上也生成多种锚;
步骤(2-5):信息编码,多种尺寸的锚生成后,再通过一层512*512的卷积层对前层信息进行编码;
步骤(2-6):进行检测,得到各个锚的分类和经回归后的位置后,最后经非极大值抑制得到结果;
步骤(2-7):输出结果,将结果绘制在原图像上,并显示。
3.根据权利要求1所述的一种视频监控中人流量检测与处理方法,其特征在于:在步骤3所述的疏散模型建立,包括以下步骤:
步骤(3-1):输入场景平面图,将平面图进行灰度化,二值化转换成01矩阵;
步骤(3-2):模拟人流,按当前场景行人数目,在对应的平面图位置附近随机生成相同数目的元胞进行模拟;
步骤(3-3):保存路径,模拟过程中保存元胞运动的路径;
步骤(3-4):并行更新,为行人元胞增加年龄段属性,当存在多点同时竞争一个空闲元胞的情况时,按年龄段属性数值大者优先的原则进行分配竞争;
步骤(3-5):输出路径,当行人均疏散完毕时,结束模拟,将保存下来的路径绘制在原平面图上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911423905.9A CN111191610A (zh) | 2019-12-31 | 2019-12-31 | 一种视频监控中人流量检测与处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911423905.9A CN111191610A (zh) | 2019-12-31 | 2019-12-31 | 一种视频监控中人流量检测与处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111191610A true CN111191610A (zh) | 2020-05-22 |
Family
ID=70709806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911423905.9A Withdrawn CN111191610A (zh) | 2019-12-31 | 2019-12-31 | 一种视频监控中人流量检测与处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191610A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111611951A (zh) * | 2020-05-27 | 2020-09-01 | 中航信移动科技有限公司 | 一种基于机器视觉的安检人流量实时监控***及方法 |
CN112364788A (zh) * | 2020-11-13 | 2021-02-12 | 润联软件***(深圳)有限公司 | 基于深度学习的监控视频人群数量监测方法及其相关组件 |
CN114785834A (zh) * | 2021-01-06 | 2022-07-22 | 南京邮电大学 | IPv6环境下的教学楼智能视频监测节能***设计方法 |
CN113065701B (zh) * | 2021-03-30 | 2023-10-31 | 重庆交通职业学院 | 一种轨道交通客流量智能预测方法和装置 |
-
2019
- 2019-12-31 CN CN201911423905.9A patent/CN111191610A/zh not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111611951A (zh) * | 2020-05-27 | 2020-09-01 | 中航信移动科技有限公司 | 一种基于机器视觉的安检人流量实时监控***及方法 |
CN112364788A (zh) * | 2020-11-13 | 2021-02-12 | 润联软件***(深圳)有限公司 | 基于深度学习的监控视频人群数量监测方法及其相关组件 |
CN112364788B (zh) * | 2020-11-13 | 2021-08-03 | 润联软件***(深圳)有限公司 | 基于深度学习的监控视频人群数量监测方法及其相关组件 |
CN114785834A (zh) * | 2021-01-06 | 2022-07-22 | 南京邮电大学 | IPv6环境下的教学楼智能视频监测节能***设计方法 |
CN114785834B (zh) * | 2021-01-06 | 2024-04-09 | 南京邮电大学 | IPv6环境下的教学楼智能视频监测节能***设计方法 |
CN113065701B (zh) * | 2021-03-30 | 2023-10-31 | 重庆交通职业学院 | 一种轨道交通客流量智能预测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059554B (zh) | 一种基于交通场景的多支路目标检测方法 | |
CN111191610A (zh) | 一种视频监控中人流量检测与处理方法 | |
CN108805070A (zh) | 一种基于嵌入式终端的深度学习行人检测方法 | |
CN109886085A (zh) | 基于深度学习目标检测的人群计数方法 | |
CN110287777B (zh) | 一种自然场景下的金丝猴躯体分割算法 | |
CN103530638B (zh) | 多摄像头下的行人匹配方法 | |
CN104166841A (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
CN111209832B (zh) | 变电站巡检机器人辅助避障训练方法、设备及介质 | |
CN106127205A (zh) | 一种适用于室内轨道机器人的数字仪表图像的识别方法 | |
CN106815563B (zh) | 一种基于人体表观结构的人群数量预测方法 | |
CN107506792B (zh) | 一种半监督的显著对象检测方法 | |
CN112270331A (zh) | 一种基于yolov5改进的广告牌检测方法 | |
CN116863274A (zh) | 一种基于半监督学习的钢板表面缺陷检测方法及*** | |
CN110633678A (zh) | 一种基于视频图像的快速高效的车流量计算方法 | |
CN109543617A (zh) | 基于yolo目标检测技术的智能车辆运动路况信息的检测方法 | |
CN115810149A (zh) | 基于超像素与图卷积的高分辨率遥感图像建筑物提取方法 | |
CN111507398A (zh) | 基于目标检测的变电站金属仪器锈蚀识别方法 | |
CN111339967A (zh) | 一种基于多视域图卷积网络的行人检测方法 | |
CN111259736A (zh) | 一种基于深度学习的复杂环境下行人实时检测方法 | |
CN102750546B (zh) | 基于结构化误差编码的人脸遮挡检测方法 | |
CN114663769A (zh) | 一种基于YOLO v5的水果识别方法 | |
CN114627286A (zh) | 基于PSPNet和改进YOLOv4的地磅人员入侵的检测方法 | |
CN101520850A (zh) | 物体检测分类器的构造方法和物体检测方法与相应*** | |
CN117292324A (zh) | 一种人群密度估计方法及*** | |
CN112270289A (zh) | 一种基于图卷积注意力网络的智能监测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200522 |