基于虛擬門的人群檢測算法

劉 歡 陳翰林

(西南科技大學(xué)，四川綿陽621000)

0 引言

在現(xiàn)代社會，隨著經(jīng)濟(jì)的快速發(fā)展，人群密度也越來越大。在一些大型公共場所，人群流量越來越大，尤其逢年過節(jié)，人群會出現(xiàn)擁擠的現(xiàn)象，很容易發(fā)生踩踏事件。2014年12月31日，正值跨年夜活動(dòng)，因很多游客市民聚集在上海外灘迎接新年，黃浦區(qū)外灘陳毅廣場進(jìn)入和退出的人流對沖，致使有人摔倒，發(fā)生踩踏事件。事件造成36人死亡49人受傷。這再次為我們敲響警鐘，充分利用現(xiàn)代科技手段和智能化設(shè)施有效的監(jiān)控人群流量，當(dāng)發(fā)生意外事件的時(shí)候，及時(shí)疏散人群，盡量避免踩踏事件的發(fā)生。虛擬門從本質(zhì)上來說仍然需要對個(gè)體和團(tuán)塊進(jìn)行分割，計(jì)算圖塊的運(yùn)動(dòng)矢量，對于多人同時(shí)并肩通過采樣線、多人同時(shí)沿相反方向通過采樣線以及在擁擠狀況下多人接連通過采樣線的情況處理難度仍然比較大。本文提出的基于虛擬門的人群檢測算法，采用人群密度特征檢測算法和人群流動(dòng)特征檢測算法兩種算法，提高了系統(tǒng)的精確度和復(fù)雜度。

1 采用的人群密度特征檢測算法

1.1 研究方案

由于人群密度特征檢測中需要提取出視頻圖象中人群分布以及各個(gè)區(qū)域人個(gè)數(shù)和流動(dòng)趨勢，考慮對實(shí)時(shí)性要求較高，故采取先檢測再跟蹤的方式實(shí)現(xiàn)對視頻序列中的運(yùn)動(dòng)目標(biāo)連續(xù)檢測。綜合考慮各種算法的有效性和實(shí)時(shí)性，人群密度特征檢測算法主要分為人頭檢測、區(qū)域檢測和區(qū)塊信息補(bǔ)充三部分。

1.2 實(shí)施效果

對人群視頻樣本進(jìn)行人群密度特征檢測效果如圖1所示，每幀準(zhǔn)確率、誤檢率以及該幀的檢測時(shí)間做統(tǒng)計(jì)分析，該樣本人群個(gè)體檢測的平均準(zhǔn)確率為77%，平均誤檢率為26%。

圖1 人群密度檢測效果圖

人群密度特征檢測過程中輸出每幀人群區(qū)塊數(shù)及每個(gè)區(qū)塊的分布位置、人數(shù)及密度等級，如圖2所示。

圖2 人群密度特征檢測效果圖

2 采用的人群流動(dòng)特征檢測算法

2.1 研究方案

人群流動(dòng)特征檢測要求檢測穿過指定檢測區(qū)域人群流動(dòng)特征，包括穿過檢測區(qū)域向左、向右的當(dāng)前人數(shù)和總?cè)藬?shù)，算法主要分為檢測區(qū)域設(shè)置、人頭檢測及跟蹤、人群流動(dòng)特征統(tǒng)計(jì)三部分，人頭檢測跟蹤的范圍僅限于事先指定的檢測區(qū)域。

2.2 實(shí)施效果

人群流動(dòng)特征檢測過程中輸出的目標(biāo)特征數(shù)據(jù)包括向左、向左穿越的當(dāng)前人數(shù)和總?cè)藬?shù)等4個(gè)數(shù)據(jù)，人群流動(dòng)特征檢測的效果如圖3所示。

圖3 人群流動(dòng)特征檢測效果圖

3 實(shí)驗(yàn)結(jié)果及分析

采用的人群密度特征檢測算法，采集某場景在不同時(shí)段的人群視頻圖像進(jìn)行人群密度特征檢測，圖像的人群密度包括低、中、中高三種不同的等級。對三種不同密度等級的樣本檢測結(jié)果分別任意抽取100幀，統(tǒng)計(jì)其平均準(zhǔn)確率、平均誤檢率、平均漏檢率和平均檢測時(shí)間，在嵌入式系統(tǒng)配置要求下，本文算法人群個(gè)體檢測平均準(zhǔn)確率為77.43%，平均誤檢率為33.13%，平均漏檢率為21.90%。

采用的人群流動(dòng)特征檢測算法，受環(huán)境、檢測區(qū)域中人群密度、個(gè)體移動(dòng)情況等因素，任意抽取100幀統(tǒng)計(jì)人群流動(dòng)特征檢測的平均準(zhǔn)確率為79.52%，平均誤檢率為10.82%，平均漏檢率為21.34%。

4 結(jié)語

本文提出的基于虛擬門的人群檢測算法，對公共場所監(jiān)控到的視頻信息進(jìn)行分析，采用人群密度特征檢測算法和人群流動(dòng)特征檢測算法，有效的提高了系統(tǒng)的精度和復(fù)雜度。但是虛擬門的人數(shù)統(tǒng)計(jì)算法雖然簡單易行，但是也有一定的局限性，新的改進(jìn)方法還有待進(jìn)一步去研究和發(fā)現(xiàn)。總體上來說，由于該方法的計(jì)算復(fù)雜度較低，對于智能監(jiān)控系統(tǒng)來說，可以有效的對人群進(jìn)行監(jiān)控，當(dāng)出現(xiàn)緊急情況時(shí)可以避免危險(xiǎn)情況的發(fā)生，滿足了實(shí)時(shí)性要求。

［1］Xinyu Wu,Guoyuan Liang,Ka Keung Lee,Yangsheng Xu.Crowd Density Estimation Using Texture Analysis and Learning[C]//Proceedings of the 2006 IEEE International Conference on Robotics and Biomimetics,2006∶214-219.

［2］Velastin S.Costa L.Lotufo R.Marana,A.Automatic estimation of crowd density using texture[J].Safety Sci.,1998,28∶165-175.

［3］楊軍.基于塊匹配的視頻圖像運(yùn)動(dòng)估計(jì)技術(shù)研究[D].湖南大學(xué),2007.

［4］童俊艷.視頻監(jiān)控中的群體運(yùn)動(dòng)分析研究[D].南京理工大學(xué),2009.

［5］王蕾,韓思奇.圖像分割的閾值法綜述.系統(tǒng)工程與電子技術(shù),2009.

［6］杜鵑.人群的密度估計(jì)與運(yùn)動(dòng)估計(jì)[D].大連理工大學(xué),2006,6.