[发明专利]一种基于深度神经网络的行人计数方法

说明书

本发明公开了一种基于深度神经网络的行人计数方法，使用网络摄像机获取视频帧图像；利用深度神经网络进行目标检测，得到行人检测框；利用跟踪算法对行人框追踪，获得不同行人的运动轨迹；利用计数算法分析行人的运动轨迹，从而判断行人的行走方向及何时计数增加。本发明对于行人拥挤场景和行人稀疏场景均能进行监控计数，具有很高的实际应用价值，计算量小，误辩率低，且只使用单个摄像头，安装方便且对监控环境影响很小。

技术领域

本发明涉及深度计算机视觉领域，具体涉及一种基于深度神经网络的行人计数方法。

背景技术

在智能视频监控技术领域中，对于行人计数的研究一直是本领域技术人员关注的核心。这是因为，通过对场景中的行人计数，出现突发事件时，可以有效地根据场景中人数的分布而合适地分散、疏散人流，最大程度地降低突发事件所带来的危害。

目前，行人计数的方法主要有以下四种：

基于压力传感器技术：通常压力传感器会被安装在行人通过的重区域内，当行人走过传感器检测区域时，由于体重不同会产生不同的电信号，通过电信号的变化实现客流量的统计，但因为设备经常接收踩踏，高密度的大客流长期通过会严重影响设备寿命，并且使检测准确率下降。

基于红外对射装置的行人检测方法：当行人通过红外检测装置时，导致接收装置无法接收，此时进行计数，目前此类方法无法对并行行人进行准确计数，并不适用于高密集场景。

基于无线电波行人检测技术：无线电波检测行人主要是计算在有人通过通道内，固定频率的监测电波的衰减量，通过专业设备计算衰减量，估计出通道内客流人数的多少，这种方法只能计算出一个数量范围，而且检测场景相对固定，很难对车站整体进行监控，专业设备采购费用昂贵。

基于视频图像分析的行人计数方法：主要可以分为传统图像处理方法和深度学习处理方法，传统图像处理利用人工设计的适用于检测人的特征，通过在图中检测这些特征有无判断行人是否存在，再利用检测到的“人”的特征进行目标跟踪，达到计数的目的，此种方法在行人稀疏场景下适用，一旦人群密集，行人间存在遮挡情况，检测的准确率将下降。

所以，获得一种准确、快速、实时、低成本的行人计数方法成为了本领域计数人员一直追求的目标。

发明内容

发明目的：为了解决行人计数的速度和准确率稳定性的问题，本发明提供一种基于深度神经网络的行人计数方法。

技术方案：一种基于深度神经网络的行人计数方法，包括以下步骤：

（1）获取视频帧图像，在图像上预先设定计数区域；

（2）利用深度神经网络对视屏帧图像进行目标检测，得到行人框；

（3）利用跟踪算法跟踪行人框，得到跟踪框，跟踪框包括行人框信息及跟踪ID，对每个行人增加跟踪ID作为属性，获得不同行人的运动轨迹；

（4）根据每个行人的跟踪框信息求得行人的中心点坐标，通过比较不同帧图像中的中心点坐标的变化得知行人的行走方向；将中心点的坐标与计数区域进行比较，当中心点的坐标第一次处于计数区域内时，联合行走方向在该行走方向上计数加一，之后该跟踪ID的行人不再参与计数。

进一步的，步骤（1）视频帧图像的获取方法为：利用网络摄像头获取视频流，对视频流进行解析处理，得到视频帧图像。

进一步的，步骤（1）视频流为RTSP流，通过CUDA框架利用GPU硬解的方式进行解析处理。

进一步的，步骤（2）中，采用基于回归的目标检测算法，检测网络采用yolo系列，输入为图像，输出为行人框信息，行人框信息记录为（x,y,w,h），x、y分别表示行人框左上角的横坐标、纵坐标，h、w分别表示行人框的长和宽。