[发明专利]基于目标检测算法和聚类算法的目标队伍长度统计方法

说明书

本发明公开了基于目标检测算法和聚类算法的目标队伍长度统计方法，涉及计算机视觉目标检测技术领域，技术方案为，包括S1、目标检测；对检测素材中出现的目标通过目标检测算法进行实时检测，获得目标的具体位置坐标和所属类别；S2、目标队伍位置聚类统计；通过聚类方法获得目标所述组成队伍的位置，并统计队伍长度。本发明的有益效果是：自动检测目标的位置，并自动寻找目标队伍的位置，得到每个队伍中目标的数量。结合了最前沿的深度学习技术，能快速准确地检测目标。基于KMeans算法，首创线聚类算法，实现对目标队伍的自动聚类。

技术领域

本发明涉及计算机视觉目标检测技术领域，特别涉及一种基于目标检测算法和聚类算法的目标队伍长度统计方法。

背景技术

自动检测并统计目标的数量属于计算机视觉推理细分领域，在车站、广场、食堂等对人群密集度敏感的公共场所，或候鸟迁徙、鱼群巡游、蚁群觅食等动物群体社会化行为研究方面，都存在着大量的潜在需求。

从技术角度分析，目标数量统计首先需要快速准确的目标检测算法。随着近年来深度学习技术的突飞猛进，YOLO(you only look once)、SSD(Single Shot MultiBoxDetector)等开源算法在满足实时视频检测的基础上，仍能达到较高的检测准确度，较好地解决了目标数量统计问题所需的目标检测技术难题。

其次，如何从检测出的目标中，计算出符合某种几何分布的目标数量，是另一个技术难题。例如，售票大厅、食堂等场所容易聚集人群，同时人群一般按照队伍的形式分布，那么怎样获得队伍的位置并统计人数是一个关键的问题。

发明内容

为了实现上述发明目的，针对上述技术问题，本发明提供一种基于目标检测算法和聚类算法的目标队伍长度统计方法。

其技术方案为，本方法采用基于深度学习的目标检测算法，用以检测目标的位置坐标和所属类别，其特征在于，

S1、目标检测；

对检测素材中出现的目标通过目标检测算法进行实时检测，获得目标的具体位置坐标和所属类别；

S2、目标队伍位置聚类统计；

通过聚类方法获得目标所述组成队伍的位置，并统计队伍长度。

优选为，所述S1中，目标检测算法可以采用目前主流的YOLO、SSD、Faster R-CNN等算法，其中YOLO和SSD可以满足实时检测需求，Faster R-CNN速度稍慢，但检测精度高。本实施例采用YOLO算法架构，包括，在输入图像上划分网格，通过多层卷积网络(CNN)抽取图像的多层特征，采用最高层特征推断原始图像上每个网格是否与一个目标关联，并推断该目标所在的精确位置。

优选为，所述目标位置坐标是包含单个目标的方框，因为存在目标被其他物体遮挡的情况，位置方框不一定能包含目标的下部，所以选取目标方框的上边中点作为该目标的位置坐标；目标所属类别为“人”，因其不影响后续的聚类算法，所以在每个目标的属性数据中仅包含位置坐标。

优选为，所述S2中，常用的聚类算法如KMeans等只能将目标聚类到点中心，而本方案研究的目标队伍具有线中心等几何分布形式，通过修改KMeans算法来实现。聚类的具体算法为：

A1、将S1获取的目标位置矢量化，将目标位置坐标与空间内的任一点相减得到矢量化的目标位置；

A2、所有目标矢量投影到单位矢量e，其中e为所寻找的队伍位置直线的垂线矢量；

A3、将A2所得的目标投影点进行KMeans聚类，得到每个类的类心位置和每个目标的所属类别；在得到聚类结果之后，进一步计算所有目标投影点与类心距离的总和D；