[发明专利]一种人员聚集检测方法及装置

说明书

本发明涉及智能识别技术领域，尤其涉及一种人员聚集检测方法及装置，本发明利用结构化算法识别的目标坐标和特征值，为人员聚集检测提供高水准的目标识别率；使用DeepSORT算法基于结构化算法识别的目标结构进行目标轨迹预测，进一步提高人员聚集检测的整体准确率，有效解决结构化算法目标丢失的问题；基于DeepSORT算法的计算结果标定可疑人员，通过循环遍历可疑人员信息划分聚集圈，可以准确得到最大可疑人员聚集数。因此本发明可以有效提高目标识别率并减少复杂场景下误报异常情况，综合提升人员聚集检测的准确性。

技术领域

本发明涉及智能识别技术领域，尤其涉及一种人员聚集检测方法及装置。

背景技术

随着智慧城市建设步伐的加快，人们对于智能安防的要求越来越高。在部分关键场所有对人员聚集场景的检测要求，使用结构化算法可以对监控场景进行人员目标识别，但往往因场景中人员相互叠加或遮挡，部分目标会产生丢失或闪烁的情况。最终会产生大量误报异常情况，这些都对智能人员聚集检测技术应用造成了困难。

为此现有技术中常采用多目标跟踪技术，即MOT(Multi-Object Tracking)，顾名思义，就是在一段视频中同时跟踪多个目标。MOT主要应用场景是安防监控和自动驾驶等，这些场景中我们往往需要对众多目标同时进行追踪。而DeepSORT算法是现在应用最多的多目标跟踪算法。虽然DeepSORT算法能够准确给出多目标运动轨迹，但仅依赖此算法实现的最终精确度仍难以满足复杂场景的人员聚集检测需求。因此本领域亟需一种可以有效提高目标识别率并减少复杂场景下误报异常情况的人员聚集检测方法。

发明内容

本发明的目的在于提供一种人员聚集检测方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

本发明提供了一种人员聚集检测方法，包括：

对解码的实时视频图像进行采样，获取当前帧图像作为采样帧；

通过人员结构化算法解析所述当前帧图像，获取当前帧人员信息向量；

通过DeepSORT算法将所述当前帧人员信息向量并入到含有历史帧人员信息向量的历史跟踪矩阵中，得到实时跟踪矩阵；

遍历所述实时跟踪矩阵中的人员信息向量，获取不同人员的移动轨迹向量，基于所述移动轨迹向量将连续多帧移动距离小于移动阈值且持续时间超过聚集时间阈值的人员标定为可疑人员，获取可疑人员跟踪矩阵；

循环遍历所述可疑人员跟踪矩阵中的人员信息向量，基于人员聚集距离阈值获取最大可疑人员聚集数，当所述最大可疑人员聚集数达到聚集人数阈值时，则判定发生有人员聚集现象。

优选的，所述当前帧人员信息向量包含多个人员的人员信息向量，所述人员信息向量包含目标坐标和特征值；所有跟踪矩阵均是由连续采样帧中不同人员的人员信息向量构成的。

优选的，当所述实时跟踪矩阵或所述可疑人员跟踪矩阵中的人员数量小于所述聚集人数阈值时，则直接准备对解码的实时视频图像进行下次采样，并将所述实时跟踪矩阵作为下次检测所需的历史跟踪矩阵。

优选的，当所述实时跟踪矩阵中的存在连续未出现时间超过暂离时间阈值的人员，则删除该人员在所述实时跟踪矩阵中的人员信息向量，并将所述实时跟踪矩阵作为下次检测所需的历史跟踪矩阵。

优选的，所述对解码的实时视频图像进行采样，具体包括：

对实时视频图像进行解码并获取当前帧图像的初始帧号；

基于采样间隔时间确定采样间隔帧数，若当前帧图像与上次采样帧之间的初始帧号变化量大于所述采样间隔帧数，则获取当前帧图像作为采样帧并编码采样帧号。

优选的，所述基于人员聚集距离阈值获取最大可疑人员聚集数，具体包括：