行人轨迹的分析方法、系统、图像采集装置、设备和介质制造方法及图纸

本发明专利技术提供一种行人轨迹的分析方法、系统、图像采集装置、设备和介质，分析方法包括：获取帧图像；将帧图像输入行人轨迹分析模型得到行人轨迹分析结果；其中，行人轨迹分析结果包括标示图像，标示图像为将帧图像中每一行人通过检测方框进行标示后的图像，行人轨迹分析模型是将包括通过检测方框标示行人的样本图像输入改进后的YOLO模型训练得到的。本发明专利技术能够在社区室外道路环境下，实现对不同视角场景的行人数据采集，通过深度学习方法自动从视频图像中检测行人，并绘制行人的检测方框进行标示以及活动轨迹，能够对社区人口流动性规律进行调查，为多视角场景下社区行人数据采集和规律分析提供了有效设备和方法支撑，检测精度高，易于实现。易于实现。易于实现。

【技术实现步骤摘要】
行人轨迹的分析方法、系统、图像采集装置、设备和介质


[0001]本专利技术涉及测绘地理信息
，尤其涉及一种行人轨迹的分析方法、系统、图像采集装置、设备和介质。

技术介绍

[0002]当代社会中人们的主要日常活动均发生在社区场景当中，不同的社区中存在着许多客观原因影响着社区内部行人的活动，比如长满杂草的道路就很少有人会行走其中。换言之，社区中行人的活动也从另一个角度反映了社区的内部信息，比如社区公园经常可以看见有行人聚集、社区受欢迎的咖啡馆会更增加行人访问该社区的次数等。现代社区规划更加注重社区的人文性和宜居性，这给社区公共基础设施改造和升级带来了新的挑战，如何衡量社区内改造区域和设施的合理性，如何评估社区公共基础设施的作用效果，如何通过量化手段评估社区改造的实际效果，想要解决上述问题，必须合理分析社区内行人的活动，并进一步总结行人的活动规律。
[0003]目前，针对行人活动规律的分析方式可以分为三类，可将其概括为：
[0004](1)基于传统调查分析方式，是从新的角度进行行人活动的调查评估，利用充分调查的部分数据推广到全体对象，并研究一般规律。
[0005](2)基于位置数据与流量数据的分析方式，是通过对位置和行人数量的统计进行进一步分析；
[0006](3)基于人群聚集与仿真分析方式，考虑到行人活动的空间特点，通过构建合理的模型对行人的聚集情况进行分析，并在尽可能贴近实际的情况下进行一定量的仿真实验。
[0007]对于第一种方式，通过问卷的方式一般难以较好地概括该区域全体行人的活动状态，统计对象类别单一和统计场景种类有限这些问题将会制约该方法的发展。对于第二种方式，位置信息和行人流量统计信息虽然能够反映场景中地点的具体行人分布情况，但是统计时间维度范围短，难以做到长期实时性检测。对于第三种方式，人群聚集模型更多地从空间维度描述行人分布情况，仿真也更多地基于理想模型参数进行，对于实际场景的模拟效果较差，与实际情况的偏差较大。
[0008]综上所述，考虑到社区室外街道的环境复杂，现有技术对于不同街道环境、不同数量的行人目标的数据采集和分析较为困难。

技术实现思路

[0009]本专利技术要解决的技术问题是为了克服现有技术中对于不同街道环境、不同数量的行人目标的数据采集和分析较为困难的缺陷，提供一种行人轨迹的分析方法、系统、图像采集装置、设备和介质。
[0010]本专利技术是通过下述技术方案来解决上述技术问题：
[0011]本专利技术提供一种行人轨迹的分析方法，包括：
[0012]获取帧图像；
[0013]将所述帧图像输入行人轨迹分析模型得到行人轨迹分析结果；
[0014]其中，所述行人轨迹分析结果包括标示图像，所述标示图像为将所述帧图像中每一行人通过检测方框进行标示后的图像，所述行人轨迹分析模型是将包括通过检测方框标示行人的样本图像输入改进后的YOLO(一种对象检测模型)模型训练得到的。
[0015]较佳地，所述改进后的YOLO模型将现有YOLO模型的特征提取网络替换为深度学习的神经网络模型的选定层。
[0016]较佳地，所述神经网络模型包括ResNet
‑
50(一种神经网络模型)模型、MobileNet v2(一种神经网络模型)模型和ResNet
‑
18(一种神经网络模型)模型中的至少一种。
[0017]较佳地，在所述神经网络模型包括所述ResNet
‑
50模型时，所述改进后的YOLO模型分为ResS
‑
YOLO模型和ResB
‑
YOLO模型这两种；
[0018]在所述ResB
‑
YOLO模型中，所述ResNet
‑
50模型的第49层连接所述现有YOLO模型的检测网络；
[0019]在所述ResS
‑
YOLO模型中，所述ResNet
‑
50模型的第49层连接所述现有YOLO模型的检测网络，并且删除所述ResNet
‑
50模型的第32
‑
40层。
[0020]较佳地，所述行人轨迹分析模型包括第一分析模型和第二分析模型；
[0021]所述第一分析模型是由所述ResS
‑
YOLO模型训练得到的，所述第二分析模型是由所述ResB
‑
YOLO模型训练得到的；
[0022]所述行人轨迹分析结果还包括每一所述行人的轨迹线，所述轨迹线为同一所述行人对应的所述检测方框的中心点按照时间顺序的连线；
[0023]所述将所述帧图像输入行人轨迹分析模型得到行人轨迹分析结果的步骤包括：
[0024]获取所述帧图像的传输速率；
[0025]在所述传输速率小于速率阈值时，将所述帧图像输入所述第一分析模型得到所述标示图像；
[0026]在所述传输速率大于等于所述速率阈值时，将所述帧图像输入所述第二分析模型得到所述标示图像和所述轨迹线。
[0027]较佳地，在所述行人轨迹分析模型的训练过程中，损失函数Loss采用如下公式表示：
[0028][0029]S2＝S
w
*S
h
；
[0030][0031]其中，N
T
表示正样本数，N
F
表示负样本数，λ表示权重系数，i表示格网号，j表示第i
个格网中对应的检测单元号，x和y分别表示所述检测方框的中心点的预测的横坐标和纵坐标，和分别表示所述中心点的实际的横坐标和纵坐标，w表示所述检测方框的预测的宽度，h表示所述检测方框的预测的高度，和分别表示所述检测方框的实际的宽度和高度，B表示所述检测方框的个数，S2表示全部网格数，S
w
表示每行的网格数，S
h
表示每列的网格数，C表示检测方框的预测的置信度，表示检测方框的实际的置信度，P表示预测的物体类别概率，表示实际的物体类别概率，Pr(Object)表示格网单元中存在目标物体的概率，表示模型预测中的检测方框与实际物体的重合率；
[0032]当检测单元为正样本时，为1，为0；当检测单元为负样本时，为0，为1。
[0033]较佳地，所述获取帧图像的步骤包括：
[0034]获取多个摄像头采集的同一时间点的多个原始帧图像；其中，相邻的两个所述摄像头的拍摄范围有重叠或相接；
[0035]将同一时间点的所述多个原始帧图像拼接得到一全景图像，以所述全景图像作为所述帧图像。
[0036]本专利技术还提供一种行人轨迹的分析系统，包括：图像获取模块和分析结果生成模块；
[0037]所述图像获取模块用于获取帧图像；
[0038]所述分析结果生成模块用于将所述帧图像输入行人轨迹分析模型得到行人轨迹分析结果；
[0039]其中，所述行人轨迹分析结果包括标示图像，所述标示图像为将所述帧图像中每一行人通过检测方框进行标示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种行人轨迹的分析方法，其特征在于，包括：获取帧图像；将所述帧图像输入行人轨迹分析模型得到行人轨迹分析结果；其中，所述行人轨迹分析结果包括标示图像，所述标示图像为将所述帧图像中每一行人通过检测方框进行标示后的图像，所述行人轨迹分析模型是将包括通过检测方框标示行人的样本图像输入改进后的YOLO模型训练得到的。2.如权利要求1所述的行人轨迹的分析方法，其特征在于，所述改进后的YOLO模型将现有YOLO模型的特征提取网络替换为深度学习的神经网络模型的选定层。3.如权利要求2所述的行人轨迹的分析方法，其特征在于，所述神经网络模型包括ResNet
‑
50模型、MobileNet v2模型和ResNet
‑
18模型中的至少一种。4.如权利要求3所述的行人轨迹的分析方法，其特征在于，在所述神经网络模型包括所述ResNet
‑
50模型时，所述改进后的YOLO模型分为ResS
‑
YOLO模型和ResB
‑
YOLO模型这两种；在所述ResB
‑
YOLO模型中，所述ResNet
‑
50模型的第49层连接所述现有YOLO模型的检测网络；在所述ResS
‑
YOLO模型中，所述ResNet
‑
50模型的第49层连接所述现有YOLO模型的检测网络，并且删除所述ResNet
‑
50模型的第32
‑
40层。5.如权利要求4所述的行人轨迹的分析方法，其特征在于，所述行人轨迹分析模型包括第一分析模型和第二分析模型；所述第一分析模型是由所述ResS
‑
YOLO模型训练得到的，所述第二分析模型是由所述ResB
‑
YOLO模型训练得到的；所述行人轨迹分析结果还包括每一所述行人的轨迹线，所述轨迹线为同一所述行人对应的所述检测方框的中心点按照时间顺序的连线；所述将所述帧图像输入行人轨迹分析模型得到行人轨迹分析结果的步骤包括：获取所述帧图像的传输速率；在所述传输速率小于速率阈值时，将所述帧图像输入所述第一分析模型得到所述标示图像；在所述传输速率大于等于所述速率阈值时，将所述帧图像输入所述第二分析模型得到所述标示图像和所述轨迹线。6.如权利要求1所述的行人轨迹的分析方法，其特征在于，在所述行人轨迹分析模型的训练过程中，损失函数Loss采用如下公式表示：
S2＝S
w
*S
h
；其中，N
T
表示正样本数，N
F
表示负样本数，λ表示权重系数，i表示格网号，j表示第i个格网中对应的检测单元号，x和y分别表示所述检测方框的中心点的预测的横坐标和纵坐标，和分别表示所述中心点的实际的横...

【专利技术属性】
技术研发人员：刘春，厉彦一，娄永琪，沈涛，
申请(专利权)人：同济大学，
类型：发明
国别省市：