一种基于视频图像的内涝场景下行人风险评估方法技术

本发明专利技术公布了一种基于视频图像的内涝场景下行人风险评估方法，从内涝场景下的视频图像中检测出行人，记录行人的外接矩形框；分别构建相应的分类器，识别出外接矩形框内行人的性别和年龄段；从视频图像中分割出水面，记录水面的多边形区域；根据行人外接矩形框与水面多边形区域的空间关系，判断出行人是否处于积水中；若未处于积水中，淹没部位为“无”；若处于积水中，根据人体部位关键点推断出人体淹没部位；根据性别

【技术实现步骤摘要】
一种基于视频图像的内涝场景下行人风险评估方法


[0001]本专利技术涉及一种基于视频图像的内涝场景下行人风险评估方法，技术应用领域为应急管理和城市排水防涝等。

技术介绍

[0002]受快速城镇化和气候变化等影响，我国很多城市面临日益严峻的内涝问题。城市内涝造成城市机能瘫痪，影响生产生活，给人民生命财产造成重大损失。内涝灾害风险评估可为排水防涝规划、应急管理、防灾减灾提供科学依据，从而有效减轻内涝造成的损失。
[0003]城市内涝灾害风险评估主要侧重于城市尺度和社区尺度的内涝灾害风险评估。面向内涝场景下行人安全的风险评估技术还很少，已有技术一般仅考虑积水深度等危险性指标，利用城市排水模型得到不同降水重现期下的行人风险等级空间分布图。
[0004]现有技术缺少对行人的性别、年龄段、人体淹没部位等脆弱性和危险性指标的考虑，没有形成对行人风险的综合评估。现有技术缺少引入实时监测数据，难以对行人风险做到实时动态评估。随着智慧城市和平安城市的建设，城市当中布设了大量视频监控设备，以视频图像的方式记录着城市动态。内涝场景下的视频图像中蕴含了行人性别、年龄段和人体淹没部位等信息，因此视频图像为内涝场景下的行人风险评估提供了监测数据支撑。

技术实现思路

[0005]本专利技术针对现有技术的不足，提供一种基于视频图像的内涝场景下行人风险评估方法，该方法从视频图像中自动提取出内涝场景下的行人性别、年龄段和人体淹没部位等脆弱性和危险性指标信息，构建综合考虑脆弱性指数和危险性指数的行人风险指数模型，在此基础上实现对行人风险的实时、动态和综合评估。
[0006]一种基于视频图像的内涝场景下行人风险评估方法的实现具体包括如下步骤：
[0007]步骤(1)内涝场景下行人检测
[0008]从内涝场景下的视频图像中检测出行人，记录包含行人目标的外接矩形框；
[0009]步骤(2)内涝场景下行人性别识别
[0010]①
构建内涝场景下的行人性别分类器：将用于二分类的Softmax层及其全连接层替换Inception
‑
v3模型原有Softmax层及其全连接层，得到新Inception
‑
v3模型，将利用内涝场景下的男性和女性行人图像集训练过的新Inception
‑
v3模型作为内涝场景下的行人性别分类器；
[0011]②
利用该性别分类器识别出外接矩形框范围内行人的性别；
[0012]步骤(3)内涝场景下行人年龄段识别
[0013]①
构建行人年龄段分类器：将用于三分类的Softmax层及其全连接层替换Inception
‑
v3模型原有Softmax层及其全连接层，得到新Inception
‑
v3模型，将利用内涝场景下的少年、壮年和老年行人图像集训练过的新Inception
‑
v3模型作为内涝场景下的行人年龄段分类器；
[0014]②
利用该年龄段分类器识别出外接矩形框范围内行人的年龄段；
[0015]步骤(4)水面分割
[0016]①
利用Labelme工具为水面分割准备所需训练数据集，训练SegNet模型；
[0017]②
利用SegNet模型从视频图像中分割出水面，记录水面的多边形区域范围；
[0018]步骤(5)行人淹没部位判别
[0019]①
根据行人目标外接矩形框与水面多边形区域的空间关系，判断出行人是否处于积水当中；
[0020]②
对于未处于积水当中的行人，其淹没部位为“无”；
[0021]③
对于处于积水当中的行人，利用OpenPose检测出外接矩形框范围内行人的人体部位关键点并存储关键点信息；根据人体部位关键点信息推断出行人被积水淹没的大致部位；
[0022]步骤(6)内涝场景下行人风险指数评估
[0023]①
将行人的性别和年龄段组合作为脆弱性指标，将行人的淹没部位作为危险性指标；
[0024]②
采用专家调查问卷方式确定各个性别和年龄段组合对应的脆弱性指数以及各个淹没部位对应的危险性指数；
[0025]③
将行人个体的脆弱性指数与行人个体的危险性指数乘积定义为行人的个体风险指数；将视频图像范围内所有行人的个体风险指数之和定义为行人的总体风险指数；将视频图像范围内所有行人的个人风险指数的平均值定义为行人的平均风险指数；
[0026]④
从视频图像中提取各个行人个体的性别、年龄段和人体淹没部位，根据性别、年龄段和人体淹没部位分别得到对应的脆弱性指数和危险性指数，进而计算得到行人的个体风险指数、总体风险指数和平均风险指数。
[0027]作为优选，所述的步骤(1)中内涝场景下的行人检测，是通过利用YOLOv5模型检测出行人目标，得到行人目标的外接矩形框。
[0028]作为优选，所述的步骤(2)中内涝场景下的行人性别识别，具体包括以下步骤：
[0029]①
搜集内涝场景下的行人图像，通过人工判别将行人分为男性和女性两类，构建内涝场景下的行人性别图像样本库；
[0030]②
将用于二分类的Softmax层及其全连接层替换原始Inception
‑
v3模型原有的Softmax层及其全连接层，得到新的Inception
‑
v3模型；
[0031]③
使用内涝场景下的行人性别图像样本库训练这个新的Inception
‑
v3模型的Softmax层及其全连接层的参数，模型其它层的参数保持不变，模型优化采用Adam算法，得到基于Inception
‑
v3模型的内涝场景下行人性别分类器；
[0032]④
获取行人目标的外接矩形框内图像，将其输入至该行人性别分类器计算得到行人性别。
[0033]作为优选，所述的步骤(3)中内涝场景下的行人年龄段识别，具体包括以下步骤：
[0034]①
搜集内涝场景下的行人图像，通过人工判别将行人分为少年、壮年和老年三类，构建内涝场景下的行人年龄段图像样本库；
[0035]②
将用于三分类的Softmax层及其全连接层替换原始Inception
‑
v3模型原有的Softmax层及其全连接层，得到新的Inception
‑
v3模型；
[0036]③
使用内涝场景下的行人年龄段图像样本库训练这个新的Inception
‑
v3模型的Softmax层及其全连接层的参数，模型其它层的参数保持不变，模型优化采用Adam算法，得到基于Inception
‑
v3模型的内涝场景下行人年龄段分类器；
[0037]④
获取行人目标的外接矩形框内图像，将其输入至该行人年龄段分类器计算得到行人年龄本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于视频图像的内涝场景下行人风险评估方法，其特征在于，该方法包括如下步骤：步骤(1)内涝场景下的行人检测从内涝场景下的视频图像中检测出行人，记录包含行人目标的外接矩形框；步骤(2)内涝场景下的行人性别识别
①
构建内涝场景下的行人性别分类器：将用于二分类的Softmax层及其全连接层替换Inception
‑
v3模型原有Softmax层及其全连接层，得到新Inception
‑
v3模型，将利用内涝场景下的男性和女性行人图像集训练过的新Inception
‑
v3模型作为内涝场景下的行人性别分类器；
②
利用该性别分类器识别出外接矩形框范围内行人的性别；步骤(3)内涝场景下的行人年龄段识别
①
构建行人年龄段分类器：将用于三分类的Softmax层及其全连接层替换Inception
‑
v3模型原有Softmax层及其全连接层，得到新Inception
‑
v3模型，将利用内涝场景下的少年、壮年和老年行人图像集训练过的新Inception
‑
v3模型作为内涝场景下的行人年龄段分类器；
②
利用该年龄段分类器识别出外接矩形框范围内行人的年龄段；步骤(4)水面分割
①
利用Labelme工具为水面分割准备所需训练数据集，训练SegNet模型；
②
利用SegNet模型从视频图像中分割出水面，记录水面的多边形区域范围；步骤(5)行人淹没部位判别
①
根据行人目标外接矩形框与水面多边形区域的空间关系，判断出行人是否处于积水当中；
②
对于未处于积水当中的行人，其淹没部位为“无”；
③
对于处于积水当中的行人，利用OpenPose检测出外接矩形框范围内行人的人体部位关键点并存储；根据人体部位关键点信息推断出行人被积水淹没的大致部位；步骤(6)行人风险指数评估
①
将行人的性别和年龄段组合作为脆弱性指标，将行人的淹没部位作为危险性指标；
②
确定各个性别和年龄段组合对应的脆弱性指数以及各个淹没部位对应的危险性指数；
③
将行人个体的脆弱性指数与行人个体的危险性指数乘积定义为行人的个体风险指数；将视频图像范围内所有行人的个体风险指数之和定义为行人的总体风险指数；将视频图像范围内所有行人的个人风险指数的平均值定义为行人的平均风险指数；
④
从视频图像中提取各个行人个体的性别、年龄段和人体淹没部位，根据性别、年龄段和人体淹没部位分别得到对应的脆弱性指数和危险性指数，进而计算得到行人的个体风险指数、总体风险指数和平均风险指数。2.根据权利要求1所述的一种基于视频图像的内涝场景下行人风险评估方法，其特征在于：所述的从内涝场景下的视频图像中检测出行人，是通过利用YOLOv5模型检测出行人目标，得到行人目标的外接矩形框。3.根据权利要求1所述的一种基于视频图像的内涝场景下行人风险评估方法，其特征
在于：所述的内涝场景下的行人性别识别，具体包括以下步骤：
①
搜集内涝场景下的行人图像，通过人工判别将行人分为男性和女性两类，构建内涝场景下的行人性别图像样本库；
②
将用于二分类的Softmax层及其全连接层替换Inception
‑
v3模型原有的Softmax层及其全连接层，得到新的Inception
‑
v3模型；
③
使用内涝场景下的行人性别图像样本库训练这个新的Incept...

【专利技术属性】
技术研发人员：江净超，薛安克，黄经州，王建中，徐哲，缪亚敏，刘军志，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：