[发明专利]一种基于视频分析的地铁站点行人逆向行走的检测方法

权利要求书

1.一种基于视频分析的地铁站点行人逆向行走的检测方法，其特征在于，包含以下具体步骤：

步骤1，获取视频流：

使用监控摄像装置收集到实时视频流，通过分析服务器将所述实时视频流转换成实时监控图像；

步骤2，监控区域背景建模：

步骤3，提取运动前景；

步骤4，通过卷积神经网络行人轮廓分割模型判断图像中是否存在行人，具体为：

步骤41，卷积神经网络行人轮廓分割模型的构建；

步骤411，收集监控图像或者视频流：通过监控摄像装置收集同一监控场景下的不同的工作日、不同的休息日，和一天中不同时间段的监控图像或者监控视频流，如收集的是所述监控视频流，需要把所述监控视频流转换为需要格式的监控图像；

步骤412，标注出步骤411中所述监控图像中每个行人的轮廓，形成样本数据集；

步骤413，使用深度学习算法，使用所述样本数据集训练卷积神经网络模型，得到卷积神经网络行人轮廓分割模型，所述卷积神经网络行人轮廓分割模型，使用MASK-RCNN算法，所述MASK-RCNN算法中RPN网络部分，使用基于MobileNetV2的SSD框架替换原有的ResNeXt-101框架，在保留算法精度的同时大大降低了算法的复杂度；

步骤42，判断图像中是否存在行人；

步骤5，跟踪并确定行人运动方向；

对所述步骤4检测到的每个行人，采用跟踪算法进行分别跟踪，定位出每个行人在连续视频帧中的位置，形成此人的运动轨迹，根据所述运动轨迹的方向，判断行人的运动方向；

步骤6，判断行人是否逆行并报警；

判断步骤5所述的行人的运动方向是否与预先设置方向相反，若相反则为逆行，在监控画面中进行标示，当达到一定阈值时发出警告，否则，继续步骤3的操作。

2.根据权利要求1所述的一种基于视频分析的地铁站点行人逆向行走的检测方法，其特征在于，所述步骤2中监控区域背景建模具体以下内容：

使用所述步骤1中初始获取的连续的150-300帧的实时监控图像，通过混合高斯模型对监控区域的背景进行建模，对任一个像素点进行建模：其中X表示该像素点灰度值，η为高斯概率密度函数，ω属于不同函数的权重，μ和Σ分别是在t时刻第n个高斯模型的均值向量和协方差矩阵,所述混合高斯模型对监控图像中的每一个像素点，使用3个独立的高斯分布进行描述，即K取值3，每个高斯分布具有不同的权重ω、均值μ和标准差Σ。

3.根据权利要求2所述的一种基于视频分析的地铁站点行人逆向行走的检测方法，其特征在于，所述提取运动前景，具体包含以下具体步骤：

步骤31，使用所述监控摄像装置收集到实时视频流，通过分析服务器将所述实时视频流转换成实时监控图像；

步骤32，根据所述步骤2建立的所述监控区域背景模型，对所述实时监控图像新的像素点进行判断，如果所述像素点与背景模型中所述3个高斯分布中的任何一个相匹配，即认为该像素属于背景，否则属于前景；如果所述像素点属于背景，则对监控区域背景模型进行动态更新，利用属于背景的所述像素点的像素值更新所匹配上的高斯分布的均值和方差，并提升匹配上的分布的权重；

步骤33，对检测出的所述运动前景做后处理，具体地，包括以下内容：

步骤331，滤除面积过小的区域；

步骤332，合并相邻的运动前景区域；

步骤333，对每一块经过处理后前景区域计算出外接矩形；

步骤334，对所述外接矩形的尺寸进行一定程度的扩大，最终得到运动前景的扩大的外接矩形区域。

4.根据权利要求3所述的一种基于视频分析的地铁站点行人逆向行走的检测方法，其特征在于，所述步骤42中所述判断图像中是否存在行人，具体包含以下内容，

对于步骤334获得的所述提取的运动前景的扩大的外接矩形区域，使用步骤413 的所述卷积神经网络行人轮廓分割模型进行检测，检测运动前景区域中是否存在行人，如果所述运动前景区域中存在行人，则定位出行人在监控图像中的具体位置，如果所述运动前景区域中不存在行人，继续步骤3中的操作。