[发明专利]一种基于深度学习的人群密度检测方法和系统

说明书

技术领域

本发明属于机器视觉领域，特别涉及一种基于深度学习的人群密度检测方法和系统。

背景技术

随着我国经济的高速发展，人口城市化日益明显。越来越多的人涌入城市，导致城市内许多公共场合(包括地铁、机场、商业区、体育场等)的人口密度不断增长。尤其在公共节假日时段，人群拥挤现象屡见不鲜。人群作为一个特殊的管理对象，越来越受到社会的重视。因此如何实时有效地监控人群，消除人群过度拥挤带来的安全隐患，是现今社会亟待解决的问题之一。地铁作为城市轨道交通系统中的组成部分，人群密度检测的需求更为急切。

传统方法利用人数的统计来判断场景内是否拥挤。但因监控场景面积不同，单纯的通过人员进出或手机信号发射统计人数存在大量耗费人力财力和产生误差较大的问题。而且地铁中不同地段的面积不同，仅通过统计人数无法准确判断出场景内人群的密集程度，而对于处理公共场合的突发状况，人群密集程度更为重要，人数统计仅作为辅助数据提供。

目前对人群密度的研究可分为两类，分别是基于像素的方法和基于纹理分析的方法。基于像素的方法最早是由Davies在文章“基于图像处理的人群监控”(Crowd monitoring using image processing，Electronics&Communication Engineering Journal，1995，7(1)：37-47)中提出，通过背景提取人群前景，运用边缘检测法提取前景边缘像素数目，根据标定的人数拟合人群数量估计线性模型，将提取的前景边缘像素数输入估计模型可获得对应的人群数量。由于透视畸变效应的影响，人群前景像素与边缘像素数目随着其真实点距摄像机的远近产生近大远小现象。基于像素的方法在人群密度较小时具有良好的效果，随着人群密度增大，因行人间相互遮挡使得此类方法的线性关系不再成立。1998年，Marana提出了一种基于纹理分析技术的人群密度估计方法；该方法的依据是不同密度的人群图像对应的纹理模式不同。高密度的人群在纹理上表现为细模式，而低密度的人群图像在背景图像为低频的同时在纹理上表现为粗模式。基于纹理分析的密度估计方法可以解决高密度人群密度问题，但是算法计算量较大，特征量较多，并且当背景较复杂时，对中低密度人群估计的误差较大。此后，就如何结合使用不同纹理分析方法来提高人群密度估计准确率成为了研究热点。并且现有技术中人群密度检测方法中在图像处理过程中所用到的背景图像通常通过计算每个像素的平均值所获取到的，环境光照变化和背景的多模态性比较敏感，随着环境的变化，其适应性将变差，会影响到人群密度的检测精度。

另外，现有技术中针对于人群密度检测的系统，通常是将获取到的图像通过网络传送到远端控制中心，通过远端控制中心对图像进行分析后检测到的，这类系统通信需要占用较大的带宽进行图像传输，具有图像处理过程慢且实时性差等缺陷。

发明内容

本发明的第一目的在于克服现有技术的缺点与不足，提供一种检测精度高、计算量小的基于深度学习的人群密度检测方法。

本发明的第二目的在于通过一种用于实现上述方法的基于深度学习的人群密度检测系统。

本发明的第一目的通过下述技术方案实现：一种基于深度学习的人群密度检测方法，步骤如下：

S1、通过摄像头实时的获取每帧图像，取出前若干帧图像，然后对这若干帧图像进行背景学习，得到背景图像信息；

S2、针对之后的各帧图像，依据步骤S1中获取到的背景图像信息，采用背景差分法提取出各帧图像中的目标前景图像；

S3、选取出多帧步骤S2中已提取出目标前景图像且属于低密度人群等级的图像，对选取出的各帧图像标定人群数量，依据上述选取的各帧图像中目标前景图像像素的数目和人群数量之间的关系拟合得到第一低密度人群模型，或者根据上述选取各帧图像中目标前景图像的边缘像素数目和人群数量之间的关系拟合得到第二低密度人群模型；同时选取出多帧步骤S2中已提取出目标前景图像且属于高密度人群等级中各个等级的图像作为训练样本，采用灰度共生矩阵提取各训练样本目标前景图像的纹理特征，将各训练样本目标前景图像的纹理特征输入至BP神经网络，对BP神经网络进行训练，得到高密度人群模型；

S4、针对于步骤S2中获取到的需要检测人群密度的各帧图像，将图像的目标前景图像像素的数目输入至第一低密度人群模型，获取到人群数量，然后判断获取到的人群数量是否超过一定值F，若否，则根据上述获取到的人群数量确定出人群密度等级，若是，则进入步骤S5；