一种垂直视角人员集中情况统计方法技术

本发明专利技术公开了一种垂直视角人员集中情况统计方法，包括：

【技术实现步骤摘要】
一种垂直视角人员集中情况统计方法


[0001]本专利技术涉及计算机识别
，尤其涉及一种垂直视角人员集中情况统计方法
。

技术介绍

[0002]目前针对监控展示集中人员的情况，是利用局部轮廓的方法去检测头部，用椭圆模式去对照头部轮廓，匹配度高则确定为人员，头部的轮廓是类似一个圆状，理论上来讲是可以利用这个特征去识别人员以及人员集中的情况
。
但是，这种特征的缺点就是容易受到其他圆状物体的影响，比如气球
、
球类运动产品，都会对人员的集中情况的结果产生影响
。

技术实现思路

[0003]本专利技术提供一种垂直视角人员集中情况统计方法，通过垂直的视角来统计人流量，以确定人员集中情况的展示和统计人数数量
。
[0004]本专利技术实施例提供一种垂直视角人员集中情况统计方法，包括以下步骤：
S1
：垂直视角下采集人的头肩视频画面，在所述视频画面内绘制进出统计线；
S2
：利用深度学习方法在视频当前画面内进行行人头肩检测；
S3
：判断视频当前画面是否存在头肩，如果是则转到步骤
S4
；如果不是则转到步骤
S2
，对下一帧继续检测；
S4
：将当前帧检测到的头肩与跟踪列表里的头肩进行匹配更新；
S5
：判断跟踪目标起始点和终止点是否在进出线两侧，如果是则转到步骤
S6 ；如果不是则转到步骤
S2
，对下一帧继续检测；
S6 :
更新进出的人数信息，接着转到步骤
S2
，对下一帧继续检测
。
[0005]进一步的，所述步骤
S1
中当行人先经过进线再经过出线，表示离开状态，反之，当行人先经过出线再经过进线，表示进入状态
。
[0006]进一步的，所述步骤
S2
中使用
SSD
深度学习检测方法，进行数据模型训练，接着对采集的视频的每一帧进行头肩检测，基于检测结果训练出来的模型收敛后可用于行人的头肩检测，给模型输入一张图片后可得到图片中头肩框的坐标位置以及是否为头肩的置信度，接着对采集的视频的每一帧利用该模型进行行人头肩的检测
。
[0007]进一步的，所述步骤
S4
中将当前帧检测到的头肩与跟踪列表里的头肩进行匹配更新，具体为：初始时跟踪列表为空，当检测到画面内有头肩信息时，将头肩信息加入到跟踪列表内，接着使用匈牙利算法对跟踪列表里的头肩与当前帧检测到头肩进行匹配；其中，匈牙利算法首先利用距离进行限制，头肩之间质心距离超过一个肩部距离的直接不匹配，接着衡量头肩之间的匹配相似度采用深度卷积层的特征进行度量，将检测到的头肩位置映射回深度卷积层对应的位置，若基础网络是
VGG
模型则采用
conv4_3
层的特征，将头肩的深度卷积特征统一归一化到一个固定的尺寸使得两两之间利用
L2
范数求得一
个匹配相似度
。
[0008]进一步的，所述步骤4将当前帧检测到的头肩与跟踪列表里的头肩进行匹配，对于没有匹配上的，按照以下方式处理：如果跟踪列表里有头肩没有匹配上，先暂时保留；如果当前帧检测到的头肩没有匹配上，则认为它可能是新出现的跟踪目标；如果当前帧的后续8帧有出现了5帧以上，则确认它为新出现的目标，将它加入跟踪列表；如果当前帧的后续8帧该目标出现的次数小于2次，则认为它是噪声，将它删除
。
[0009]进一步的，所述步骤
S5
中跟踪目标初次进入画面捕获到的位置即为跟踪起始点，跟踪目标离开画面时跟踪结束，跟踪目标最后存在的位置即为跟踪终止点；采用的是对跟踪目标的跟踪起始点以及跟踪终止点进行判定，通过起始点与进线的相对位置，终止点与出线的相对位置判定是否为一个有效的进入或者离开
。
[0010]进一步的，所述步骤
S6
中更新进出的人数信息，根据上一步骤得到的当前帧的离开人数和进入人数更新当前系统的总离开人数和进入人数，当前总离开人数等于当前帧的离开人数加上上一帧的总离开人数，当前总进入人数等于当前帧的进入人数加上上一帧的总进入人数，接着转到步骤
S2
，对下一帧继续检测
。
[0011]进一步的，所述进入状态和离开状态采用不同颜色的进出线表示
。
[0012]本专利技术实施例采用的上述至少一个技术方案能够达到以下有益效果：本专利技术是在垂直视角下进行人流统计，相比于斜拍视角，这个视角更容易应对商场
、
超市
、
地铁等公共场所人流很密集的情况
;
提出利用深度学习检测头肩，利用深度学习强大的学习能力，不需要对视频进行背景建模和前景提取，也不需要对前景进行行人切割
, 能够更精确更鲁棒地检测到头肩信息
;
进行匹配跟踪利用的是深度卷积特征
,
相对于
H0G、 LBP
等手动设计的特征
,
深度卷积特征有更好的表达能力，能够更好的应对各种场景；本专利技术是直接将某一层的深度卷积特征拿来做匹配，避免了特征的重复计算，使得更加省时
。
附图说明
[0013]此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定
。
在附图中：图1为本专利技术的方法流程图
。
具体实施方式
[0014]为使本专利技术的目的
、
技术方案和优点更加清楚，下面将结合本专利技术具体实施例及相应的附图对本专利技术技术方案进行清楚
、
完整地描述
。
显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例
。
基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围
。
[0015]以下结合附图，详细说明本专利技术各实施例提供的技术方案
。
[0016]如图1所示
,
本专利技术实施例提供一种垂直视角人员集中情况统计方法，包含以下步骤：步骤1：垂直视角下采集人的头肩视频画面，在所述视频画面内绘制进出统计线：
能够更精确更鲁棒地检测到头肩信息
;
进行匹配跟踪利用的是深度卷积特征
,
相对于
H0G、 LBP
等手动设计的特征
,
深度卷积特征有更好的表达能力，能够更好的应对各种场景；本发 明是直接将某一层的深度卷积特征拿来做匹配，避免了特征的重复计算，使得更加省时
。
[0027]还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程...

【技术保护点】

【技术特征摘要】
1.
一种垂直视角人员集中情况统计方法，其特征在于，包括以下步骤：
S1
：垂直视角下采集人的头肩视频画面，在所述视频画面内绘制进出统计线；
S2
：利用深度学习方法在视频当前画面内进行行人头肩检测；
S3
：判断视频当前画面是否存在头肩，如果是则转到步骤
S4
；如果不是则转到步骤
S2
，对下一帧继续检测；
S4
：将当前帧检测到的头肩与跟踪列表里的头肩进行匹配更新；
S5
：判断跟踪目标起始点和终止点是否在进出线两侧，如果是则转到步骤
S6 ；如果不是则转到步骤
S2
，对下一帧继续检测；
S6 :
更新进出的人数信息，接着转到步骤
S2
，对下一帧继续检测
。2.
根据权利要求1所述的一种垂直视角人员集中情况统计方法，其特征在于，所述步骤
S1
中当行人先经过进线再经过出线，表示离开状态，反之，当行人先经过出线再经过进线，表示进入状态
。3.
根据权利要求1所述的一种垂直视角人员集中情况统计方法，其特征在于，所述步骤
S2
中使用
SSD
深度学习检测方法，进行数据模型训练，接着对采集的视频的每一帧进行头肩检测，基于检测结果训练出来的模型收敛后可用于行人的头肩检测，给模型输入一张图片后可得到图片中头肩框的坐标位置以及是否为头肩的置信度，接着对采集的视频的每一帧利用该模型进行行人头肩的检测
。4.
根据权利要求1所述的一种垂直视角人员集中情况统计方法，其特征在于，所述步骤
S4
中将当前帧检测到的头肩与跟踪列表里的头肩进行匹配更新，具体为：初始时跟踪列表为空，当检测到画面内有头肩信息时，将头肩信息加入到跟踪列表内，接着使用匈牙利算法对跟踪列表里的头肩与当前帧检测到头肩进行匹配；其中，匈牙利算...

【专利技术属性】
技术研发人员：陈海江，汪杭，
申请(专利权)人：浙江力石科技股份有限公司，
类型：发明
国别省市：