[发明专利]一种基于卷积神经网络的景区人群行为分析方法

说明书

本发明公开了一种基于卷积神经网络的景区人群行为分析方法，包括步骤构建人群密度分类神经网络和人群热度图估计卷积神经网络，所述人群密度分类神经网络使用一个CNN将人群密度分为低密度、中密度和高密度3类，所述人群热度图估计卷积神经网络分为三列，每个不同人群密度类别被送到相应的人群热度图估计卷积神经网络的列中进行训练；结合颜色相似性和DBSCAN聚类算法对采集到的热度图中的人群区域进行分割；计算所述人群区域的相似度；根据所述相似度分析人群行为。与现有技术相比，本发明能有效地评估景区的人群行为，以便于及时指挥调度，疏散景区中的游客。

技术领域

本发明涉及旅游景区的人群行为分析领域，尤其涉及一种基于卷积神经网络的景区人群行为分析方法。

背景技术

2015年，国家旅游局提出“智慧景区”的建设要求，并通过将旅游和互联网结合在一起，在今年之内，把国内5A级旅游景区都建为“智慧旅游景区”。因此，建设“智慧景区”已经成为我国旅游业不断发展的迫切需要。对于景区管理者来说，旅游管理中需要面对的种种问题。例如：如何获知人群热度以便及时指挥调度，疏散景区中的游客，这些都是国内传统景区转型中亟需攻克的难点。其次，景区作为旅游业的重要组成部分，是游客旅游的目的地和聚集地，极易导致人群秩序混乱而发生拥堵、踩踏等公共安全事故，如何保障游客安全变得至关重要。现有的人群密度估计的方法多种多样，有面向空域的，也有针对时域的，大致总结出如下四种方法，即基于像素、基于纹理、基于个体分割和基于深度学习的密度估计方法。这四种方法根据其实用领域以及场合的不同，各有优势。

Celik H,Hanjalic A,Hendriks E.Towards a robust solution to peoplecounting[C].In:Proc.of the IEEE int.conf.on image processing,2006:pp 2401–2404，通过统计建立图像中的人移动像素的量与人数之间的关系来实现密度估计，但是在遮挡情况下准确性较差。2001年Chow T W S,Cho S Y.Industrial neural vision systemfor underground railway station platform surveillance[J].Advanced EngineeringInformatics,2002(16):72-80通过使用单个图像来估计复杂背景中拥挤场景中的人数，提取头部轮廓的像素特征，放入支持向量机中分析，采用透视变换技术来估计人群密度，从而通过回归的方法来估计人群密度。

Chan A B,Vasconcelos N.Modeling clustering and segmenting video withmixtures of dynamic textures[J].IEEE Transactions on Pattern Analysis andMachine,2008,30(5):909-926提出了动态纹理是视频的时空生成模型，其表示视频序列作为线性动态系统的观察，为了学习模型的参数，使用了期望最大化(EM)算法，将传统的纹理改进为混合的动态纹理，该方法可以实现人群密度的大致估计。候鹏鹏.基于GLCM纹理特征分析的人群密度估计方法实现[J].中国安防.2014(23):88-90采用灰度共生矩阵(GLCM)构建的五个特征量作为参数，通过计算纹理特征量，训练SVM分类器，最后使用SVM分类器进行密度分类。Srivastava S,Ng K K,Delp E J.Crowd flow estimation using multiplevisual features forscenes with changing crowd densities[C].Proceedings of 8thIEEE International Conference on Advanced Video and Signal BasedSurveillance,Klagenfurt,2011,60-65将场景的一个区域制定为虚拟行程线，并在选定的时间段内累积前景像素的总和，并通过实验验证累积像素数与通过比例因子的行程线路的人数有关，利用其纹理，确定拥挤度并选择最合适的比例因子。