一种基于无制造技术

本发明专利技术公开了一种基于无

【技术实现步骤摘要】
一种基于无K值聚类的多群体聚众检测方法及系统


[0001]本专利技术涉及计算机视觉领域，具体涉及一种基于无
K
值聚类的多群体聚众检测方法及系统
。

技术介绍

[0002]聚类
(clustering)
是机器学习中应用最广泛的技术之一，用于将数据集中的样本划分为若干个通常是不相交的子集，每个子集称为一个“簇”(cluster)。
在机器学习中每个“簇”(cluster)
可能对应于一些潜在的概念或类别
。
基于距离的聚类是聚类方法中常用的一种，是通过计算所有样本与“簇中心”的距离，对于每一个样本，将其划分到与其距离最近的“簇中心”所在的簇中
。
目前常见的基于距离聚类的算法有
K
‑
Means
，但是由于
K
‑
Means
需要事先设定
K
个类别，而聚众检测中的人群划分是随机的，事先不知道有多少个聚集群体，故难以将
K
‑
Means
算法应用于聚众检测
。
无
K
值聚类采用了
K
‑
Means
算法的思想，但是不需要事先知道聚类的数量，即
K
值
。
如果各点之间的距离小于设定的距离阈值，则将该点与最相邻的点进行聚类
。
通过设定点之间的距离阈值，也可以将聚类附近的部分噪声点滤除，将无
K
值聚类方法应用于聚众检测，可实现对多群体的聚集检测，同时将不属于聚集人群附近的人员滤除
。
优点是不需要事先知道样本的类别个数，同时可以滤除聚类附近部分的噪声
。
[0003]聚众检测在计算机视觉领域具有广泛的应用
。
但是，目前现有的聚集检测判断策略是通过掩膜划定检测区域并统计区域内的人群个数，达到设定阈值判断为聚众
。
这种判断策略只能用于一个大群体的判断，难以应用于对多群体的聚集判断
。
因此为了解决当前聚众算法存在的上述问题，本文提出了一种基于无
K
值聚类的多群体聚众检测方法
。
[0004]而申请号为
202111049489.8
的中国专利技术专利公开了一种
《
一种聚众检测方法
》
，其采用的技术方案是：通过对坐标的降维分解处理来确定存在聚众行为的人员
。
而本专利技术所提供的技术方案是通过预训练的
YOLOv5
作为所述人体检测网络，并通过基于无
K
值聚类的多群体聚众检测方法得到最终的聚类结果，即发生了多少组群体聚集的事件
。

技术实现思路

[0005]本专利技术针对现有技术存在聚众检测方法中的
K
值需要事先指定以及数值选择敏感，使其难于应用于聚众检测的问题，提供了一种基于无
K
值聚类的多群体聚众检测方法及系统，本专利技术采用的技术方案是：
[0006]本专利技术第一方面提供了一种基于无
K
值聚类的多群体聚众检测方法，具体包括以下步骤：
[0007]S1
，采用预训练的
2D
检测网络作为人体检测网络，得到人体边界框；
[0008]S2
，从所述步骤
S1
中所述人体边界框获得人体边界框坐标；
[0009]S3
，将所述步骤
S2
中所述人体边界框坐标进行计算处理，得到边界框的二维中心点的坐标；
[0010]S4
，根据所述步骤
S3
得到的边界框的二维中心点的坐标，遍历中心点并计算任意
两个中心点之间的距离；
[0011]S5
，若所述步骤
S4
中计算得出的距离小于第一预设阈值，则将对应的两个中心点归为相同的簇中，并将这两个点标记为已聚类的点；通过不断的迭代比较，得到粗分类的多组簇；
[0012]S6
，计算所述步骤
S5
中每组簇的质心坐标，得到每组簇的质心坐标
(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4)、...(x
n
,y
n
)
；
[0013]S7
，计算所述步骤
S6
中任意两组簇的质心之间的欧氏距离，若两组簇的质心之间的距离小于第二预设阈值，则将两组簇合并为一组簇，通过不断迭代判断，得到最终的一组簇；
[0014]S8
，判断所述步骤
S7
中得到的每一组簇中的中心点个数，如果小于组成簇的最小点个数，则删除该簇；同时将所有未被分类的点归为一个簇，然后输出最终的聚类结果，并进行可视化
。
[0015]相较于现有技术，本专利技术采用了
K
‑
Means
算法的思想，不需要事先设定聚类的个数，为聚众检测的群体个数随机性提供了较好的解决方案；对于聚类群体附近的噪声人员具有一定的滤除作用，确保了多群体聚类的准确性；针对现有的聚众检测算法难于解决多群体的聚集检测问题，提出了解决的方法，扩展了聚众检测算法的应用范围
。
[0016]作为一种优选方案，在所述步骤
S1
中，具体为采用
YOLOv5
作为所述人体检测网络
。
[0017]作为一种优选方案，在所述
S2
步骤中，所述人体边界框坐标具体为：
(x1，
y1，
x2，
y2)0(x1，
y1，
x2，
y2)1(x1，
y1，
x2，
y2)2……
··
(x1，
y1，
x2，
y2)
n
；其中，索引0代表第一个边界框的坐标
(x1，
y1，
x2，
y2)0包含左上坐标
x1，
y1，右下坐标
x2，
y2索引1代表第二个边界框的坐标
(x1，
y1，
x2，
y2)1包含左上坐标
x1，
y1，右下坐标
x2，
y2，以此类推，索引
n
代表第
n+1
个边界框的坐标
(x1，
y1，
x2，
y2)
n
包含左上坐标
x1，
y1，右下坐标
x2，
y2。
[0018]作为一种优选方案，在所述步骤
S3
中，具体为将步骤
S2
所得人体边界框坐标代入以下计算式：
x
＝
(x1+x2)/2、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于无
K
值聚类的多群体聚众检测方法，其特征在于，具体包括以下步骤：
S1
，采用预训练的
2D
检测网络作为人体检测网络，得到人体边界框；
S2
，从所述步骤
S1
中所述人体边界框获得人体边界框坐标；
S3
，将所述步骤
S2
中所述人体边界框坐标进行计算处理，得到边界框的二维中心点的坐标；
S4
，根据所述步骤
S3
得到的边界框的二维中心点的坐标，遍历中心点并计算任意两个中心点之间的距离；
S5
，若所述步骤
S4
中计算得出的距离小于第一预设阈值，则将对应的两个中心点归为相同的簇中，并将这两个点标记为已聚类的点；通过不断的迭代比较，得到粗分类的多组簇；
S6
，计算所述步骤
S5
中每组簇的质心坐标，得到每组簇的质心坐标
(x1，
y1)、(x2，
y2)、(x3，
y3)、(x4，
y4)、...(x
n
，
y
n
)
；
S7
，计算所述步骤
S6
中任意两组簇的质心之间的欧氏距离，若两组簇的质心之间的距离小于第二预设阈值，则将两组簇合并为一组簇，通过不断迭代判断，得到最终的一组簇；
S8
，判断所述步骤
S7
中得到的每一组簇中的中心点个数，如果小于组成簇的最小点个数，则删除该簇；同时将所有未被分类的点归为一个簇，然后输出最终的聚类结果，并进行可视化
。2.
根据权利要求1所述的一种基于无
K
值聚类的多群体聚众检测方法，其特征在于，在所述步骤
S1
中，具体为采用
YOLOv5
作为所述人体检测网络
。3.
根据权利要求
11
所述的一种基于无
K
值聚类的多群体聚众检测方法，其特征在于，在所述
S2
步骤中，所述人体边界框坐标具体为：
(x1
，
y1
，
x2
，
y2)0(x1
，
y1
，
x2
，
y2)1(x1
，
y1
，
x2
，
y2)2……
··
(x1，
y1，
x2，
y2)
n
；其中，索引0代表第一个边界框的坐标
(x1，
y1，
x2，
y2)0包含左上坐标
x1，
y1，右下坐标
x2，
y2，索引1代表第二个边界框的坐标
(x1，
y1，
x2，
y2)1包含左上坐标
x1，
y1，右下坐标
x2，
y2，以此类推，索引
n
代表第
n+1
个边界框的坐标
(x1，
y1，
x2，
y2)
n
包含左上坐标
x1，
y1，右下坐标
x2，
y2。4.
根据权利要求1所述的一种基于无
K
值聚类的多群体聚众检测方法，其特征在于，在所述步骤
S3
中，具体为将步骤
S2
所得人体边界框坐标代入以下计算式：
x
＝
(x1+x2)/2、y
＝
(y1+y2)/2
；最终得到所述中心点坐标
(x
，
y)0(x
，
y)1(x
，
y)2......(x
，
y)
...

【专利技术属性】
技术研发人员：单纯，曾健，黄业文，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：