[发明专利]基于室内声场扰动识别的室内人群密度估计方法

说明书

本发明提出一种基于室内声场扰动识别的室内人群密度估计方法，首先针对需要进行人群估计的特定室内环境，预测场景中可能会出现的人群最大数量，分别测量不同数量的人置于室内的任意位置时的声学信道，并对测量信号进行特征提取，得出不同数量的人所对应的声学信道特征，组成特征样本库；在对该特定室内环境进行实际人群密度估计时，对该特定室内环境进行声学信道测量，并对测量信号进行特征提取，将提取的特征与步骤1得到的特征样本库进行协同处理，得到人群密度估计结果。本发明充分利用了房间通道的声学信息，计算简便，定位效率较高。在封闭以及环境变化不大的空间中，可以取得较好的密度等级评估的效果。

技术领域

本发明涉及人群密度估计技术领域，具体为一种基于室内声场扰动识别的室内人群密度估计方法。

背景技术

人群密度估计是指利用一定的设备采集样本及提取样本特征后，通过深度学习，机器学习等方法来对室内或室外的人群密集程度进行估计，获得一个人群密度等级评估结果。密度等级可以划分为极低、低、中等、高、极高五个等级，每个等级对应数量范围不同的人群。

人群密度估计在日常生活中的用处非常广泛，主要包括交通调度，市场调查，人群调查等方面。对公交站、地铁站和火车站等区域的乘客数量进行估计，分析不同时段的客流情况，有助于相关部门制定更加有效的车次安排、调度计划以及为工作人员制定合理的工作计划。对于商场来说，对货架前顾客的密度进行估计，可以知道顾客对哪些商品比较感兴趣，有助于管理者合理安排货物摆放顺序，不仅可以减轻人工调查的工作量，还能进一步提高货品销售量。对一些容易发生人群聚集的公共场所如大型广场、大型体育场、大型娱乐中心、医院、电影院进行实时的人群密度检测，有利于减少踩踏，对于提高人群安全具有十分重要意义。

目前，室内环境中的人群密度估计主要采用计算机视觉方法实现，即通过捕捉实时环境中的图像，来对图像中的人群特点进行分析，继而得到关于人群密度的估计。基于计算机视觉的人群密度估计方法主要是通过利用机器学习和深度学习的方法来对提取特征进行训练，来达到密度估计的目的。

基于计算机视觉的人群密度估计方法都需要对人群图像进行特征提取，在存在障碍物物遮挡，亮度昏暗，透视失真等情况下，监控设备无法捕捉到清晰的人群图像，人群图像的提取特征的精度会大大降低，致使最后得到的人群密度估计结果不太理想。

发明内容

虽然基于计算机视觉的人群密度估计方法都已取得了一定的成功及应用，但是在室内环境当中多有应用不便之处。而我们熟知的声场可以不受昏暗环境和障碍物的影响，完美地克服了传统人群密度估计方法的缺陷，在人群密度估计方面是一个非常具有研究价值的方法。

在室内环境中，由固定声源发出声波后，经过一定的传播路径向接收点传播的过程有一定的传播模式，声波的传播模式在房间中形成一个声场，当房间内有人出现时，会对房间内的声场发生扰动，而不同数量的人对房间内声场产生扰动的程度也不同。通过对房间内声场扰动的差异进行分析即可实现对室内人群密度的估计。此研究通过声学技术可实现对室内人群密度的非可视估计，为人群密度估计提供了新的研究方向，具有重要的理论意义及工程应用价值。

基于此，本发明提出一种基于室内声场扰动识别的室内人群密度估计方法，包括以下步骤：

步骤1：针对需要进行人群估计的特定室内环境，预测场景中可能会出现的人群最大数量，分别测量不同数量的人置于室内的任意位置时的声学信道，并对测量信号进行特征提取，得出不同数量的人所对应的声学信道特征，组成特征样本库；

步骤2：在对该特定室内环境进行实际人群密度估计时，对该特定室内环境进行声学信道测量，并对测量信号进行特征提取，将提取的特征与步骤1得到的特征样本库进行协同处理，得到人群密度估计结果。

进一步的，所述协同处理采用以下方式，通过机器学习或者深度学习方式对特征样本库中的数据进行学习，再利用学习结果，根据实际测量结果的特征进行人群密度估计。

进一步的，步骤1具有包括以下步骤：