[发明专利]一种基于人头检测的人群聚集检测方法

说明书

一种基于人头检测的人群聚集检测方法，使用YOLO‑V4检测出图像中人头的位置和大小，将图像二值化，使用自适应大小的膨胀模板对所有人头区域进行膨胀，在膨胀后的图像中找出所有连通域并分别计算其最小外接矩形框，计算每个聚集区域内人群的数量，与设定的阈值进行对比后去除小于阈值的区域，从而得到初步的聚集区域，再遍历所有聚集区域并计算交并比对高度重合的区域进行融合，最后再分别计算其最小外接矩形框，从而得到最终的聚集区域的位置和大小。本发明通过部署的监控获取的视频来自动地监控人群聚集现象，将有效提高人群聚集高发区域的管理效率和人民群众的安全。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于人头检测的人群聚集检测方法。

背景技术

随着高密度聚集人群产生恐慌、踩踏等安全事故的频发，就有必要在容易发生人群聚集的区域实时监控和及时预警，通过限制人流量的方式控制人群聚集密度和间距，如车站、学校、演唱会、旅游景点和大型商场。传统的做法是花费大量人力物力在现场巡逻管理，显然这是最简单最直接的方法，但是要投入大量的人力资源不间断地监控管理显然是不科学的。尤其现阶段在疫情防控常态化的情况下长时间与人近距离接触也在无形中增加了疫情传播的风险。

随着目标检测技术的发展和城市监控的遍及，为实现无人监控人群聚集提供了可能。通过部署的监控获取的视频来自动地监控人群聚集现象，通过后台及时反馈给管理员，管理员可以通过广播等非接触形式的警告对现场人群进行管控，该发明将有效提高人群聚集高发区域的管理效率和人民群众的安全。

发明内容

本发明针对现有技术中的不足，提供一种通过检测视频中的人头对人群是否发生聚集自动检测的方法，解决了现有的监控系统需要人工长时间、不间断监督的困难。本发明包含数据收集与标注、模型训练和人群聚集检测等步骤。首先收集数据集并进行标注，搭建YOLO-V4的检测模型并训练，在检测阶段使用训练完成的最优模型检测出图像中人头的位置和大小，将图像二值化使用自适应大小的膨胀模板对所有人头区域进行膨胀，在膨胀后的图像中找出所有连通域并分别计算其最小外接矩形框，计算每个聚集区域内人群的数量，与设定的阈值进行对比后去除小于阈值的区域，从而得到初步的聚集区域，再遍历所有聚集区域并计算交并比对高度重合的区域进行融合，最后再分别计算其最小外接矩形框，从而得到最终的聚集区域的位置和大小。

为实现上述目的，本发明采用以下技术方案：

一种基于人头检测的人群聚集检测方法，其特征在于，包括如下步骤：

步骤1：训练一个能够检测人头的神经网络模型；

步骤2：使用神经网络模型检测出图像中所有的人头，对图像进行二值化处理；

步骤3：使用自适应大小的膨胀模板对人头区域进行膨胀，找出所有连通域并分别计算其最小外接矩形框，得到初步的聚集区域；

步骤4：计算每个聚集区域内人头的数量，与设定的阈值进行对比后去除小于阈值的区域；

步骤5：计算每个聚集区域之间的交并比，对高度重合的聚集区域进行融合，对融合后的区域再计算其最小外接矩形框，得到最终聚集区域的位置和大小。

为优化上述技术方案，采取的具体措施还包括：

进一步地，所述步骤1中，采用YOLO-V4算法框架来搭建神经网络模型，采用CSPDarknet-53作为主干网络；训练样本为自然场景中采集的图像，通过人工标注人头的方式得到数据集的真实标签，再使用多种数据增强方式对数据集进行扩增。

进一步地，所述步骤2中，将检测出的所有人头区域以矩形框的形式标注，通过图像二值化将人头矩形框区域的像素值全部置为255，其余区域置为0。

进一步地，所述步骤3中，使用自适应大小的膨胀模板对人头区域进行膨胀，具体如下：