用于檢索所有人群事件。
[0152] 優(yōu)選的，所述查詢結(jié)果W歷史事件的截圖結(jié)合相應(yīng)事件的文字信息的形式顯示。 在一個實施例的展示結(jié)果中，除了顯示歷史事件的截圖，還會顯示關(guān)鍵信息，如事件發(fā)生的 時間、聚集人數(shù)等。
[0153] 可選的，所述查詢結(jié)果至少包括關(guān)鍵帖截圖，所述關(guān)鍵帖通過對所述事件的整個 形成過程進行跟蹤得到。在一個實施例中，當(dāng)選擇某個查詢出的事件時，可在新窗口中打開 對應(yīng)事件的詳細信息。詳細信息由關(guān)鍵信息摘要、關(guān)鍵帖截圖組成，其中關(guān)鍵帖由事件判斷 模塊對整個事件形成過程進行跟蹤得到。監(jiān)控人員可通過查看關(guān)鍵帖，了解事件發(fā)生的起 始、高潮、結(jié)束的整個發(fā)生過程，對事件的整體情況有基本的了解。
[0154] 在一個實施例中，所述步驟S200在判定人群事件所屬類別之后還包括：
[0155] S201、給出預(yù)警提示:對已判定的人群事件給出相應(yīng)的預(yù)警提示。
[0156] 可選的，所述預(yù)警提示的形式包括下述一種或任意多種方式的組合形式:靜態(tài)文 字、圖案或動態(tài)文字、動態(tài)圖案、聲音。比如人群密集事件，通過計算人群飽和來反應(yīng)密度情 況。其中的人群飽和可根據(jù)實時場景人數(shù)N與場景人數(shù)容量T的比值r = N/T:劃分為5個等 級:稀疏(人群飽和度在0~30 % )、正常(人群飽和度在30~60 % )、偏高(人群飽和度在60~ 80 % )、超標(人群飽和度在80~120 % )，過飽和(人群飽和度高于120 % )。當(dāng)人群飽和度低 于60 %時，為綠色；當(dāng)人群飽和度在60~80 %為黃色，當(dāng)人群飽和度高于80 %顯示為紅色， 同時實時顯示飽和度。對于人群聚集事件可根據(jù)當(dāng)前聚集的人數(shù)分為=個等級:正常(20人 W下）、值得關(guān)注(50人W下）、異常聚集(50人W上）、人群異常跑動事件可W根據(jù)跑動的劇 烈程度劃分為5個等級，除了顏色提示外，同時顯示奔跑等級。滯留事件可根據(jù)人群與滯留 的時間長短劃分為Ξ個不同的值得關(guān)注度，同時實時顯示滯留時間長度。逆行事件僅有兩 個事件狀態(tài):發(fā)生與未發(fā)生。運樣有助于監(jiān)控人員可根據(jù)事件的嚴重程度采取相應(yīng)措施進 行干預(yù)。
[0157] 在一個實施例中，在步驟S100之前，所述方法還包括：
[0158] S000、對攝像頭拍攝的視頻圖像進行采集和解碼。
[0159] 在一個實施例中，為幫助監(jiān)控人員快速、及時地發(fā)現(xiàn)5類異常事件，所述攝像頭拍 攝的視頻圖像W實時面板的形式展現(xiàn);所述面板W矩陣形式展示內(nèi)容，其中的每一列為一 個視頻通道，而矩陣的第一行為攝像頭拍攝的畫面，其余的每一行為一類人群事件。通過將 攝像頭拍攝的畫面進行顯示，有助于直觀實時看到場景的實際情況。
[0160] 在一個實施例中，面板根據(jù)人群事件等級進行顯示。所述人群事件等級分包括面 板直接顯示飽和度、面板直接顯示人群事件持續(xù)時間、根據(jù)參與人群事件的人數(shù)劃分等級 和無相關(guān)等級。比如在人群密集事件中，事件等級為面板直接顯示飽和度，超過80 %顯示為 澄色預(yù)警，超過100%為紅色告警事件。在人群聚集事件中，事件等級為面板中顯示聚集持 續(xù)時間。在人群滯留事件中，事件等級為面板顯示滯留事件持續(xù)時間。在人群跑動事件中， 事件等級為根據(jù)圖像上特征點個數(shù)與闊值T2的關(guān)系，將跑動劃分為5級，所述T2為人數(shù)。在 人群逆行事件中，事件等級為無相關(guān)等級，當(dāng)出現(xiàn)該人群事件時，面板直接用可W區(qū)別無人 群事件發(fā)生時的顏色來進行標識。
[0161] 可選的，所述面板自動按一屏中設(shè)置顯示的視頻通道數(shù)目進行分屏展示。運便于 對多路視頻的同時監(jiān)控，同時通過運一方式，系統(tǒng)可有效實現(xiàn)對視頻通道數(shù)的橫向擴展。此 夕h可選的，還支持用全屏撐滿整個監(jiān)控顯示器的方式使用，方便監(jiān)控人員快速發(fā)現(xiàn)關(guān)鍵信 息。
[0162] 可選的，所述視頻通道能夠進行場景的監(jiān)控參數(shù)設(shè)置，所述場景的監(jiān)控參數(shù)設(shè)置 包括場景的初始化設(shè)置，W及與預(yù)警有關(guān)聯(lián)的參數(shù)設(shè)置;所述場景的初始化設(shè)置包括指定 在某一視頻通道場景中的全局響應(yīng)熱區(qū)，方式為通過鼠標在示意照片中選取一個多邊形作 為人群分析的區(qū)域;所述與預(yù)警有關(guān)聯(lián)的參數(shù)設(shè)置包括在示意照片內(nèi)選取一個或多個多邊 形區(qū)域來進行監(jiān)控和/或設(shè)置某一方向為響應(yīng)方向或為不響應(yīng)方向。
[0163] 可選的，所述場景的初始化設(shè)置還包括對場景進行標定，其方式為:選取至少2個 身高170cm左右成年人;若場景中無滿足條件的行人，則需重新選擇用于標定的圖像。在一 個實施例中，選取2個身高170cm的成年人來進行標定。在一個實施例中，選取2個身高175cm 的成年人來進行標定。
[0164] 可選的，所述場景的初始化設(shè)置還包括對場景進行標定，其方式為:根據(jù)人在不同 遠近場景下的不同尺度大小，估算出在同一水平坐標下，實際場景中100cm映射到圖像中的 像素數(shù)。
[0165] 在一個實施例中，通過鼠標劃出矩形將標定中選取的人剛好框選，并根據(jù)人在場 景遠近的不同尺度大小，估算出在同一水平坐標下，實際場景中一米映射到圖像中的像素 數(shù)。
[0166] 通過標定，可W估計出場景的實際面積、傾斜度、建議容納人數(shù)等參數(shù)。
[0167] 在一個實施例中，在標定之后生成透視矩陣，所述透視矩陣主要用來歸一化場景 不同遠近人群的尺寸。從場景的單帖圖像中隨機地選擇至少2個成年人，如果少于2個，則換 一張標定圖像，并且假設(shè)每個人的平均身高為175cm，使用一個線性回歸模型來估計出一個 透視矩陣M。透視矩陣Μ中的像素值M(p)表示像素 P位置處實際場景中1米在圖像中所占的像 素數(shù)量。
[0168] 在一個實施例中，視頻通道可W被增加，通過在添加視頻通道的界面填入監(jiān)控視 頻地址，即可完成對新視頻通道的連接。
[0169] 可選的，所有已有的視頻通道W列表形式展示。
[0170] 在一個實施例中，所述步驟S200在判定人群事件所屬類別之后還包括:S202、將人 群事件的數(shù)據(jù)寫入數(shù)據(jù)庫。運一步的執(zhí)行可w在給出預(yù)警提示之前，也可w在給出預(yù)警提 示之后，還可W是并行操作。
[0171] 下面結(jié)合附圖對本公開進行闡述。
[0172] 在一個實施例中，在所述方法中使用的完全卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖 3所示，該圖為一次訓(xùn)練計算過程或者目標識別過程。在圖中，第一層P0為原圖，第二層為原 圖P0中的一個子區(qū)域P0'，然后是3層卷積層，其中的參數(shù)7*7,5巧代表了卷積核的大小。從 P0得到的子圖P0 '的二進制文件blob的維數(shù)是72 X 72 X 3，經(jīng)過第一個卷積層convl處理后 得到的二進制文件blob的維數(shù)是個3維的結(jié)果72X72X32,經(jīng)過第二個卷積層conv2處理得 到個3維的結(jié)果36 X 36 X 32，經(jīng)過第Ξ個卷積層conv3處理得到個3維的結(jié)果18 X 18 X 64，運 里把池化層隱含在了卷積層內(nèi)，可W看到卷積層得到的圖像大小都為前一層的一半。該層 之后進入兩層全鏈接層，fc4與f巧是兩層全鏈接層，fc4為1000 X 1的結(jié)果，fc5為400 X 1的 結(jié)果，fc6是回歸型目標輸出，打7是分類型目標輸出，最后的Denisty Map與Gobal number 是原圖像的標定結(jié)果，是人工提供標注并生成好的，網(wǎng)絡(luò)生成的fc6(324Xl)結(jié)果可W按圖 像一列列排開成為（18X 18)的密度圖像，并與標定集中的density_map計算損失，用于訓(xùn)練 網(wǎng)絡(luò);fc7為1X1的結(jié)果與gobal number對比得到損失，也可W用于訓(xùn)練網(wǎng)絡(luò)。根據(jù)需要可 W在訓(xùn)練模型的兩個收斂目標之間進行切換，一個收斂目標用損失loss度量，所述loss的 計算方法如下：
[0173] loss = fc7的結(jié)果-globa number
[0174] 另一個收斂目標用歐拉損失Eucldiean loss度量，所述歐拉損失化cldiean loss 的計算方法如下：
[0175] Eucldiean loss = fc6的結(jié)果-density map
[0176] 當(dāng)損失不滿足要求時，迭代運一過程。
[0Π7] W上對本公開進行了詳細介紹，本文中應(yīng)用了具體個例對本公開的原理及實施方 式進行了闡述，W上實施例的說明只是用于幫助理解本公開的系統(tǒng)及其核屯、思想；同時，對 于本領(lǐng)域技術(shù)人員，依據(jù)本公開的思想，在【具體實施方式】及應(yīng)用范圍上均會有改變之處，綜 上所述，本說明書內(nèi)容不應(yīng)理解為對本公開的限制。
【主權(quán)項】
1. 一種大規(guī)模人群視頻分析系統(tǒng)，其特征在于： 所述系統(tǒng)包括人群密度計算模塊、人群前景分割模塊、人群跟蹤模塊、人群狀態(tài)分析模 塊、事件判定模塊;其中： 所述人群密度計算模塊用于獲取監(jiān)控視頻圖像數(shù)據(jù)中某幀圖像所覆蓋視野范圍內(nèi)的 人群數(shù)量； 所述人群前景分割模塊用于獲取監(jiān)控視頻圖像數(shù)據(jù)中某幀圖像所覆蓋視野范圍內(nèi)的 前景和背景分割后、前景中的人群區(qū)域； 所述人群跟蹤模塊用于獲取監(jiān)控視頻圖像數(shù)據(jù)中某幀圖像所覆蓋視野范圍內(nèi)的人群 運動方向與速度； 所述人群狀態(tài)分析模炔基于得到的人群數(shù)量、人群區(qū)域、人群運動方向與速度進行處 理分析，并將分析結(jié)果送入事件判定模塊； 所述事件判定模塊用于判定人群事件是否異常； 所述人群事件是指在監(jiān)控區(qū)域內(nèi)，達到一定規(guī)模的人群出現(xiàn)某種群體特征性行為。2. 根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于： 優(yōu)選的，所述人群密度計算模塊采用深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN，Deep Convolutional Neural Network)模型來進行人群密度估計進而得到人群數(shù)量。3. 根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于： 所述人群前景分割模塊采用完全卷積神經(jīng)網(wǎng)絡(luò)(FCNN，F(xiàn)ully Convolutional Neural Network)模型來計算人群區(qū)域。4. 根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于： 所述人群跟蹤模塊采用KLT算法(Kanade-Lucas-Tomasi)來得到人群運動方向與速度。5. 根據(jù)權(quán)利要求2所述的系統(tǒng)，其特征在于： 所述人群密度計算模塊包括人群密度圖像映射單元，所述人群密度圖像映射單元的表 達式為：其中： Di(p)為密度圖像D中第i個人周圍的點p; Z為歸一化參數(shù)； h為第i個標記的人； Nh是作為頭部模型的正規(guī)化的2D高斯核函數(shù)； Ph為頭部的位置； 〇h為Nh的方差； Nb是作為身體模型的二元正態(tài)分布； Pb為人身體的位置； Σ為Nb的協(xié)方差矩陣。6. 根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于： 所述群體特征性行為包括人群密集、人群聚集、人群滯留、人群跑動和人群逆行； 所述人群密集指對過去的T1秒監(jiān)控區(qū)域內(nèi)的人數(shù)平均值超過設(shè)置的參數(shù)閾值； 所述人群聚集指監(jiān)控區(qū)域內(nèi)停留下來聚集在一起的人群區(qū)域內(nèi)的人數(shù)超過設(shè)置閾值； 所述人群滯留指對監(jiān)控圖像中的人群特征點進行跟蹤，所述人群特征點的運動距離在 時間Τ2內(nèi)低于設(shè)置的閾值； 所述人群跑動指監(jiān)控區(qū)域內(nèi)運動速度大于速度閾值V的人的數(shù)量超過數(shù)量閾值Ν1; 所述人群逆行指監(jiān)控區(qū)域內(nèi)的禁行區(qū)域內(nèi)沿逆行方向運動的人的數(shù)量超過閾值Ν2; 其中，T1、T2、V、N1和Ν2為預(yù)設(shè)值或能夠修改的