一种基于聚类的骤聚骤散检测方法及系统与流程

本发明涉及机器学习领域，特别是关于一种基于聚类的骤聚骤散检测方法及系统。

背景技术：

1、随着视频监控系统在社会方方面面的应用，如何及时准确获得视频监控中的人员异常行为成为一个研究热点。传统的视频监控主要还是依靠人力时刻观察监控画面，从而实现对人群异常行为的判定，这类方法不仅耗费人力，且对于异常行为的判定具有一定的主观性。为及时处理这类异常行为，采用智能视频监控进行骤聚骤散行为的检测具有重大意义，对监控检测的时效性和准确性提出了严峻的挑战。

2、如图1所示，现有技术中的骤聚骤散检测算法一般是基于目标检测的方法进行行人检测，得到行人坐标框，然后直接对当前帧行人数量和前一帧的行人数量进行差值，如果差值的绝对值大于某个阈值，则判断为骤聚或骤散。

3、然而，现有的骤聚骤散方法强依赖于检测器的准确率，当摄像头行人处于拥堵的状态时，检测器容易发生误检，从而影响骤聚骤散算法的准确率。

技术实现思路

1、针对上述问题，本发明的目的是提供一种能够提升骤聚骤散行为检测准确率的基于聚类的骤聚骤散检测方法及系统。

2、为实现上述目的，本发明采取以下技术方案：第一方面，提供一种基于聚类的骤聚骤散检测方法，包括；

3、将实时采集的若干帧视频图像输入至预先训练好的行人检测模型，得到每帧视频图像对应的行人检测坐标框；

4、将每帧视频图像的行人检测坐标框中的行人分别分为若干个不同的簇，并对得到的簇进行不同帧之间簇的跟踪；

5、分析若干帧视频图像中每一簇内人数的变化，并判断采集的若干帧视频图像是否发生骤聚骤散。

6、进一步地，该方法还包括：

7、统计若干帧视频图像中每一簇内包含的人数并保存。

8、进一步地，所述视频图像基于rtsp采集。

9、进一步地，所述将每帧视频图像的行人检测坐标框中的行人分别分为若干个不同的簇，并对得到的簇进行不同帧之间簇的跟踪，包括：

10、将每帧视频图像的行人检测坐标框中的行人分别分为若干个不同的簇；

11、采用deepsort跟踪算法，对得到的簇进行不同帧之间簇的跟踪。

12、进一步地，所述将每帧视频图像的行人检测坐标框中的行人分别分为若干个不同的簇采用密度聚类算法。

13、进一步地，所述将每帧视频图像的行人检测坐标框中的行人分别分为若干个不同的簇，包括：

14、在行人检测坐标框中任选一个未被访问的行人点作为当前行人点开始，找出与其距离在预设扫描半径之内的所有行人点作为附近行人点；

15、如果附近行人点的数量大于等于预先设定的最小包含点数，则将当前行人点与其附近行人点形成一个簇，并将该当前行人点标记为已访问；如果附近行人点的数量小于预先设定的最小包含点数，则将该当前行人点暂时标记为噪声点，噪声点不作为该簇的成员；

16、以相同的方法处理该簇内所有未被标记为已访问的行人点；

17、如果该簇内的所有行人点均被标记为已访问，则以相同的方法处理行人检测坐标框中未被访问的行人点和噪声点，直至行人检测坐标框中所有行人点均被标记为已访问，得到若干个不同的簇。

18、进一步地，所述分析若干帧视频图像中每一簇内人数的变化，并判断采集的若干帧视频图像是否发生骤聚骤散，包括：

19、采用斜率法，分析若干帧视频图像中每一簇内人数的变化；

20、当人数变化值小于预先设定的骤散阈值时，则判断采集的若干帧视频图像发生骤散；

21、当人数变化值大于预先设定的骤聚阈值时，则判断采集的若干帧视频图像发生骤聚；

22、当人数变化值小于骤聚阈值且大于骤散阈值时，则判断采集的若干帧视频图像未发生骤聚或骤散。

23、第二方面，提供一种基于聚类的骤聚骤散检测系统，包括：

24、行人检测模块，用于将实时采集的若干帧视频图像输入至预先训练好的行人检测模型，得到每帧视频图像对应的行人检测坐标框；

25、行人检测坐标框处理模块，用于将每帧视频图像的行人检测坐标框中的行人分别分为若干个不同的簇，并对得到的簇进行不同帧之间簇的跟踪；

26、骤聚骤散判断模块，用于分析若干帧视频图像中每一簇内人数的变化，并判断采集的若干帧视频图像是否发生骤聚骤散。

27、第三方面，提供一种处理设备，包括计算机程序指令，其中，所述计算机程序指令被处理设备执行时用于实现上述基于聚类的骤聚骤散检测方法对应的步骤。

28、第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现上述基于聚类的骤聚骤散检测方法对应的步骤。

29、本发明由于采取以上技术方案，其具有以下优点：

30、1、本发明能够解决骤聚骤散误报的难题，可以实现快速、高准确率、高召回率的骤聚骤散检测。

31、2、相比直接使用行人检测的骤聚骤散检测方法，本发明不仅可以应对由于行人检测某帧误检而导致的骤聚骤散算法的误报，而且可以判断哪个区域发生骤聚骤散，提高了骤聚骤散算法的准确率和鲁棒性。

32、综上所述，本发明可以广泛应用于机器学习领域中。

技术特征：

1.一种基于聚类的骤聚骤散检测方法，其特征在于，包括；

2.如权利要求1所述的一种基于聚类的骤聚骤散检测方法，其特征在于，该方法还包括：

3.如权利要求1所述的一种基于聚类的骤聚骤散检测方法，其特征在于，所述视频图像基于rtsp采集。

4.如权利要求1所述的一种基于聚类的骤聚骤散检测方法，其特征在于，所述将每帧视频图像的行人检测坐标框中的行人分别分为若干个不同的簇，并对得到的簇进行不同帧之间簇的跟踪，包括：

5.如权利要求4所述的一种基于聚类的骤聚骤散检测方法，其特征在于，所述将每帧视频图像的行人检测坐标框中的行人分别分为若干个不同的簇采用密度聚类算法。

6.如权利要求5所述的一种基于聚类的骤聚骤散检测方法，其特征在于，所述将每帧视频图像的行人检测坐标框中的行人分别分为若干个不同的簇，包括：

7.如权利要求1所述的一种基于聚类的骤聚骤散检测方法，其特征在于，所述分析若干帧视频图像中每一簇内人数的变化，并判断采集的若干帧视频图像是否发生骤聚骤散，包括：

8.一种基于聚类的骤聚骤散检测系统，其特征在于，包括：

9.一种处理设备，其特征在于，包括计算机程序指令，其中，所述计算机程序指令被处理设备执行时用于实现权利要求1-7中任一项所述的基于聚类的骤聚骤散检测方法对应的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现权利要求1-7中任一项所述的基于聚类的骤聚骤散检测方法对应的步骤。

技术总结
本发明涉及一种基于聚类的骤聚骤散检测方法及系统，其特征在于，包括；将实时采集的若干帧视频图像输入至预先训练好的行人检测模型，得到每帧视频图像对应的行人检测坐标框；将每帧视频图像的行人检测坐标框中的行人分别分为若干个不同的簇，并对得到的簇进行不同帧之间簇的跟踪；分析若干帧视频图像中每一簇内人数的变化，并判断采集的若干帧视频图像是否发生骤聚骤散，本发明能够解决骤聚骤散误报的难题，可以广泛应用于机器学习领域中。

技术研发人员：罗静,雷庆庆,王晓,毛少将,郭宇鹏,任峰,李沛然,陈树骏,孙芯彤
受保护的技术使用者：通号通信信息集团有限公司
技术研发日：
技术公布日：2024/6/23