基于虚拟门的人群检测算法

刘 欢 陈翰林

(西南科技大学，四川绵阳621000)

0 引言

在现代社会，随着经济的快速发展，人群密度也越来越大。在一些大型公共场所，人群流量越来越大，尤其逢年过节，人群会出现拥挤的现象，很容易发生踩踏事件。2014年12月31日，正值跨年夜活动，因很多游客市民聚集在上海外滩迎接新年，黄浦区外滩陈毅广场进入和退出的人流对冲，致使有人摔倒，发生踩踏事件。事件造成36人死亡49人受伤。这再次为我们敲响警钟，充分利用现代科技手段和智能化设施有效的监控人群流量，当发生意外事件的时候，及时疏散人群，尽量避免踩踏事件的发生。虚拟门从本质上来说仍然需要对个体和团块进行分割，计算图块的运动矢量，对于多人同时并肩通过采样线、多人同时沿相反方向通过采样线以及在拥挤状况下多人接连通过采样线的情况处理难度仍然比较大。本文提出的基于虚拟门的人群检测算法，采用人群密度特征检测算法和人群流动特征检测算法两种算法，提高了系统的精确度和复杂度。

1 采用的人群密度特征检测算法

1.1 研究方案

由于人群密度特征检测中需要提取出视频图象中人群分布以及各个区域人个数和流动趋势，考虑对实时性要求较高，故采取先检测再跟踪的方式实现对视频序列中的运动目标连续检测。综合考虑各种算法的有效性和实时性，人群密度特征检测算法主要分为人头检测、区域检测和区块信息补充三部分。

1.2 实施效果

对人群视频样本进行人群密度特征检测效果如图1所示，每帧准确率、误检率以及该帧的检测时间做统计分析，该样本人群个体检测的平均准确率为77%，平均误检率为26%。

图1 人群密度检测效果图

人群密度特征检测过程中输出每帧人群区块数及每个区块的分布位置、人数及密度等级，如图2所示。

图2 人群密度特征检测效果图

2 采用的人群流动特征检测算法

2.1 研究方案

人群流动特征检测要求检测穿过指定检测区域人群流动特征，包括穿过检测区域向左、向右的当前人数和总人数，算法主要分为检测区域设置、人头检测及跟踪、人群流动特征统计三部分，人头检测跟踪的范围仅限于事先指定的检测区域。

2.2 实施效果

人群流动特征检测过程中输出的目标特征数据包括向左、向左穿越的当前人数和总人数等4个数据，人群流动特征检测的效果如图3所示。

图3 人群流动特征检测效果图

3 实验结果及分析

采用的人群密度特征检测算法，采集某场景在不同时段的人群视频图像进行人群密度特征检测，图像的人群密度包括低、中、中高三种不同的等级。对三种不同密度等级的样本检测结果分别任意抽取100帧，统计其平均准确率、平均误检率、平均漏检率和平均检测时间，在嵌入式系统配置要求下，本文算法人群个体检测平均准确率为77.43%，平均误检率为33.13%，平均漏检率为21.90%。

采用的人群流动特征检测算法，受环境、检测区域中人群密度、个体移动情况等因素，任意抽取100帧统计人群流动特征检测的平均准确率为79.52%，平均误检率为10.82%，平均漏检率为21.34%。

4 结语

本文提出的基于虚拟门的人群检测算法，对公共场所监控到的视频信息进行分析，采用人群密度特征检测算法和人群流动特征检测算法，有效的提高了系统的精度和复杂度。但是虚拟门的人数统计算法虽然简单易行，但是也有一定的局限性，新的改进方法还有待进一步去研究和发现。总体上来说，由于该方法的计算复杂度较低，对于智能监控系统来说，可以有效的对人群进行监控，当出现紧急情况时可以避免危险情况的发生，满足了实时性要求。

［1］Xinyu Wu,Guoyuan Liang,Ka Keung Lee,Yangsheng Xu.Crowd Density Estimation Using Texture Analysis and Learning[C]//Proceedings of the 2006 IEEE International Conference on Robotics and Biomimetics,2006∶214-219.

［2］Velastin S.Costa L.Lotufo R.Marana,A.Automatic estimation of crowd density using texture[J].Safety Sci.,1998,28∶165-175.

［3］杨军.基于块匹配的视频图像运动估计技术研究[D].湖南大学,2007.

［4］童俊艳.视频监控中的群体运动分析研究[D].南京理工大学,2009.

［5］王蕾,韩思奇.图像分割的阈值法综述.系统工程与电子技术,2009.

［6］杜鹃.人群的密度估计与运动估计[D].大连理工大学,2006,6.