東方網力基于深度學習的人群智能分析系統，突破傳統，引入安全指數概念，能夠實現超過300人的大場景人群異常狀態(tài)監(jiān)控，大大提高了場景內人數統計的精確性，為相關部門的決策提供強有力的技術支撐。
傳統人群系統VS深度學習人群分析
智能分析系統應用到實戰(zhàn)，有三個先決條件，即準確性、適用性和抗干擾能力。傳統的人群分析系統在三個條件中都具有明顯的局限性：
1、規(guī)模上的局限性：無法針對大規(guī)模，極端密集情況下的人群進行分析;
2、精度上的局限性：基于像素統計和紋理的人群特征獲取，在描述精度和復雜度方面精度不夠;
3、場景復雜度上的局限性：如何克服射影畸形、干擾背景、光照條件變化等仍不夠理想。
傳統的視頻分析技術，是通過各種模型找到“人”。事實上，模型找出的只是已經被定義好的一組特征，比如“頭肩模型”，根據頭部形狀，頭肩輪廓，還有頭發(fā)顏色等組合特征，去分析畫面中的目標。通過計算目標與既定特征組合的相似程度來判斷該目標是不是“人”，進而對找到的“人”進行行為分析，數量統計等。
基于這樣的技術原理實現的智能分析系統，受場景制約比較顯著。一般要求在背景簡單，光照穩(wěn)定，特定攝像機安裝方式的視頻中。一旦有影響模型特征提取的干擾情況，“人”的誤檢漏檢就會表現明顯。
而東方網力基于深度學習的人群分析技術，不再采用人為定義特征組合的方式去判斷目標是否為“人”。而是通過大量數據樣本分析，讓計算機自行學習人和其他目標的區(qū)別，運算出能顯著標識“人”的一層層特征信息。由于樣本覆蓋率較大，在機器學習的過程中，該技術能有效突破光照突變，背景復雜，人體部分遮擋，應用場景單一等傳統技術的難點。
圖1 深度學習與傳統技術對比
基于深度學習的人群分析系統可支持超過300人的大場景監(jiān)控，對感興趣區(qū)域人數統計精確度達到95%以上。
系統中為業(yè)務應用提供決策依據的重要指標
針對大規(guī)模人群監(jiān)控的應用，過去以應急處置為核心，現在轉移到以應急準備為重點。要做好應急準備，必然需要精確的數據支撐。
我們根據調研及項目實際應用總結發(fā)現，人群密度和安全指數兩項指標對應急準備具有重要的指導意義。
人群密度判定
傳統方法利用人數的統計來判斷場景內是否擁擠。但因監(jiān)控場景面積不同，單純的人數統計無法判斷出場景內人員的密集情況，而用戶更關注場景內的人群密度，人數統計僅做為輔助數據提供。
人群密度與計數對視頻進行實時分析，檢測出畫面中人群的區(qū)域，并對其進行人群分割(如圖所示)，從而可以統計場景中的實時人數。同時根據人群和人體之間的關系，計算各區(qū)域的人群密度，得到感興趣區(qū)域的人群密度分布圖(如圖所示)。
圖2 人群檢測與分割示意圖
圖3 人群密度與計數示意圖
判定人群密度后，引入“情景構建”概念，不同的人群密度對應不同的預案等級。
借鑒某省公安廳人群密度指標，實現“人群四色報警”。
當人群密度達到四色報警閾值時，觸發(fā)相關報警，工作人員對應執(zhí)行四種等級的預案。
安全指數判定
人群密度做為人群的屬性之一，對實戰(zhàn)工作具有重要的指導意義，但不能僅憑這一指標就做出決策。因為即便當人群密度較低時，各種突發(fā)狀況同樣有可能引起群體事件。
舉例說明：人數比較稀疏的場景，突然聚集了多人;某通道，有多人滯留;場景中有個體劇烈運動;人群無序的狀態(tài)等等。以上多種狀態(tài)，即使在人群密度較小時，也有可能發(fā)生危害性事件。
基于上述提到的各種人群異常狀況，我們引入了“混亂”的概念，并結合多種人群行為，輸出“安全指數”。
混亂的定義：場景中群體運動是否具有一致性。對于混亂程度高的場景，如下圖中，左圖人群滯留時間長，基本無運動，因此混亂程度低;右圖區(qū)域顏色為藍色，說明運動頻繁。
圖4不同混亂程度的畫面(左圖混亂程度低)
“安全指數”綜合聚集、滯留、混亂等多種異常情況，系統輸出一個具體數值給用戶，安全指數越高，代表場景內人群運動更有序更可控。當安全指數低于閾值時，推送報警至決策者，決策是否啟動預案。
我們基于深度學習的人群分析系統，通過輸出人群密度和安全指數，全方位描述人群異常狀態(tài)，有效地對人群活動進行預判，為用戶在事前提供精準的信息，幫助用戶進行各項決策。
a&s傳媒是全球知名展覽公司法蘭克福展覽集團旗下的專業(yè)媒體平臺，自1994年品牌成立以來，一直專注于安全&自動化產業(yè)前沿產品、技術及市場趨勢的專業(yè)媒體傳播和品牌服務。從安全管理到產業(yè)數字化，a&s傳媒擁有首屈一指的國際行業(yè)展覽會資源以及豐富的媒體經驗，提供媒體、活動、展會等整合營銷服務。
粵公網安備 44030402000264號
