[发明专利]一种列车车厢异常人群密度的检测方法

说明书

本发明公开了一种列车车厢异常人群密度的检测方法，该方法包括以下步骤：采集具有不同人群密度等级的多幅车厢样本图像，并获取其多模态融合特征；训练得到人群密度分类器；获取待检测图像的多模态融合特征；根据人群密度分类器，得到待检测图像对应车厢的人群密度等级，据此判断该车厢的人群密度是否异常；自动记录相关人群密度异常信息。本发明利用多模态融合特征，自动学习和识别异常人群密度场景，从而解决了列车运行过程中实时、自动识别和记录异常人群密度的问题。该方法对列车场景人群遮挡和光照、摄像头轻微畸变不敏感，适用于360摄像头或枪机摄像头的列车异常人群密度检测。

技术领域

本发明属于视频处理技术领域，尤其涉及一种根据列车车厢视频，实时、自动地分析是否存在异常人群密度的方法。

背景技术

目前，国内几乎所有的地铁列车都安装了视频图像监控系统。列车在运行时，视频监控系统自动记录车厢的状况并存储相关的视频。目前列车监控的情况是：地铁列车每天客流量在各个时段的差异较大，列车车厢相对封闭，列车车厢内的环境相对复杂，视频图像采集受限，光照依据环境条件变化很快，摄像头有360摄像头和枪机摄像头，图像数据存储量大，一辆列车在一天中运营3小时的视频数据量超过10Gbit，一个城市或地区往往同时多辆列车运营，多节车厢共用一套视频图像系统，每天需要存储的视频数据量很大。一旦发生事故，需要人工调取和人工查询存储视频中是否存在异常状态，非常耗费人力和物力。

国际恐怖事件时有发生，人们安全意识日益提升，提升公共交通安全和反恐在国内也是一种共识。如何实时、准确的识别列车异常状况是快速处理列车事故、保障公共安全的重要环节，也是现代智能化地铁列车的迫切需求。而实时检测列车车厢人群密度异常，是车厢人员疏导，提高程序舒适度和预防群拥等列车管理的基本需求。现代视频图像处理技术快速发展，尤其是图像处理、计算机视觉和人工智能等技术的发展，使得实时分析车厢异常状态可以得以实现。尽管近年来，用于自动识别人群密度的图像处理方法逐步增加，但目前还没有一种合适的图像处理方法能自动判断列车车厢中的异常人群密度。

目前常用的人群密度判断方法主要有两大类：基于行人或人体部分（人头，上半身等）检测和基于统计学习的方法。

基于行人或人体部分（人头，上半身等）检测的方法，需要从图像中看到行人、人头或上半身等具有显著特征的身体或身体部分。而在列车车厢条件下，人群时常遮挡严重，即使想看到完整的人头也不能保证，因此这类方法用于判断列车车厢的人群密度是否异常较为困难。

基于统计学习的方法，目前有基于视频的地铁人群密度检测方法，主要是通过高斯背景建模方法，提取前景，依据前景的面积来估计人群密度；列车运行时，车厢背景复杂，光照变化，车厢乘客运动无规律且遮挡严重条件，因此高斯建模的效果不好，识别人群密度的准确率较低。

基于统计学习的方法，目前还有基于时空域局部二进制模式的动态纹理和支持向量机的人群密度总体估计方法，该方法用于分析人群密度有一定的效果，在公共场合人群密度的估计上有一些应用。然而由于单一的纹理特征在人群密度达到中高密度以上时，区分人群密度的能力显著下降，判断准确率偏低且需要很大的训练样本数量才能获得适当的效果。而列车车厢可能在上、下班或某段时间内，人群密度长时间处于中高密度，此时便难以检测出其中的异常。

发明内容

为了克服上述现有技术的不足，本发明提供了一种列车车厢异常人群密度的检测方法。该方法依据地铁环境下多节列车车厢共用一套视频图像系统的现状，依据两节或多节列车车厢的密度差异（密度等级差异大于1级）来估计列车车厢内是否存在异常人群密度。

本发明提供的一种列车车厢异常人群密度的检测方法包括以下步骤：

步骤1、采集和存储具有不同人群密度等级的多幅列车车厢样本图像，并为所述样本图像标记相应的人群密度等级；

步骤2、提取所述样本图像各自的纹理特征，Surf、Fast、Harris特征点特征，前景图像面积比特征和光流密度特征；