校園智能人群密度實時視頻分析及預警軟件設計

孫鐵柱

摘要：家長和社會各界都對學生的安全和成長給予了極大關注。在當今校園中，如教學樓走廊、圖書館及食堂等空間相對狹小，無論是人群基數、人流量還是人群密度都非常大。智能人群密度實時視頻分析及預警系統主要用于防止人員過于密集時產生的群體性擁擠、踩踏等重大安全隱患，其進一步的優化研究迫在眉睫。通過多個高斯概率密度函數的加權平均來平滑地近似任意形狀的密度分布函數，能夠處理多模態情況而且自適應的模型。

關鍵詞：安全 實時視頻分析 預警系統 自適應的模型

一、校園人群密度視頻分析的意義

學生是受關愛的群體，家長和社會各界都對他們的健康成長和人身安全給予了極大關注。然而目前，無論是中小學還是高校，都在不斷的擴招，導致學生人數急劇增長。在校園中如教學樓走廊、圖書館及食堂等空間相對狹小，無論是人群基數、人流量還是人群密度都非常大，且在上、下課或用餐等特定時刻人群過于集中的特殊環境中，如果沒有科學完善的保障和管理措施，極有可能造成更多的嚴重災難。

智能人群密度實時視頻分析及預警系統主要用于防止人員過于密集時產生的群體性擁擠、踩踏等重大安全隱患，與目前智能監控系統的其他功能相比，該功能保護的人數更多，所針對的災難的傷害程度更為巨大。因此，人群密度的實時視頻分析及預警對于保障人民生命安全意義極其重大。

二、人群密度分析的主要方法

傳統的人群密度監控是通常是采用人工的方式，通常具有較強的主觀色彩，這種情形下容易出現發現不及時或者警報發出錯誤的情形，且采用人工的方式不能實現全天候監控、實時報警等相關問題，已經不能滿足要求。現今信息技術的快速發展，智能人群聚集密度的監測相關設計研究借助于數字圖像處理方法，實現對特定人群的自動監測并實時報警等。如果把人群看作一個物理整體，那么可以用兩個物理量來表征這個整體所處的狀態：密度和人數。

目前智能人群密度估計主要有以下方法：

（1）基于像素點統計的人群密度估計。該類方法主要通過背景減，邊緣檢測等技術，得到能表征人群密度的特征，在特征空間中統計屬于人群的像素個數進行分類。比較有代表性的是Siu-Yeung Cho，T.Coianiz，A N.Mamna等的工作。這類方法簡單直觀，但僅適用于人群密度較低場合，不能適應個體重疊現象，密度較高時誤差較大。

（2）基于紋理分析的人群密度估計。該類方法把人群圖像當作紋理來處理，認為高密度人群具有較細的紋理模式，而低密度人群的紋理模式較粗。因此通過紋理分析來提取人群圖像的紋理信息作為分類的特征.比較有代表性的有A.N.Mamna，Xinyu Wu等的工作。這類方法在不同人群密度情況均有較好表現，在人群密度估計方法中占主導地位。

（3）基于個體特征的人群密度估計。Sheng-Fuu Lin的工作，它為真正實現人數估計提供了新的研究思路，但計算復雜度高，且通用性較差。

三、系統總體設計方案

系統首先由模擬攝像機采集視頻序列，然后將視頻信號通過視頻線傳到視頻服務器的編碼器，編碼器將采集到的模擬視頻信號轉成數字信號，再通過網絡交換機和雙絞線將信號傳輸給終端控制平臺，即PC機，最后在終端控制平臺上運行軟件系統。系統總體結構如圖3.1所示。校園中人數眾多，特別在上、下課時間人流量和人流密度都非常大，擁堵現象十分嚴重，此時非常容易產生人與人之間的碰撞，或人與車之間的刮蹭，甚至發生踩踏事故，因此需要保安人員及時發現并對人流進行疏導。我們線性擬合了前景像素面積和人數的線性關系，通過這一關系判斷出場景中某一區域人數或前景密度是否超過經試驗得到的閾值，若超過，我們就認定此區域內人員過于密集，有可能發生安全隱患。此時系統會立即自動啟動語音提示功能提醒場景中的人員注意安全，并同時通過提示音和警示燈等方式提醒安保人員對該區域予以關注，并及時進行人員疏散，防止踩踏等意外事件發生。有關調查表明，由于在極度擁擠的情況下，人們心理上往往會很焦慮，甚至會產生緊張、恐懼的情緒，人群中這種情緒的積累會導致意外事故發生率的提高。為了避免焦慮、恐慌等情緒在擁擠人群中的積累，我們還會在非上課時間，通過廣播舒緩的輕音樂的方式來緩解人們的緊張情緒，以此作為一種輔助功能，盡最大可能的避免踩踏等惡性安全事故的發生。軟件系統運用GMM（混合高斯背景建模）算法對圖像序列進行前景提取，在HSV色彩空間下完成了陰影消除，通過連通域的檢測計算出前景面積，再將前景面積和人數之間的關系用最小二乘法進行線性擬合，得到它們準確的對應關系。當發現異常時，系統將以警報音和警示燈的形式及時主動地向安保人員報警。

四、結束語

目前，常用的運動目標識別方法有：背景差法、幀差法和光流法和背景建模法等。背景差法通過當前幀與背景相減得到前景圖像，可以得到比較完整的運動目標信息，計算速度快，但實現實時監控較難。幀差法能較好地克服場景光線變化，但當表面的大部分灰度相近時，會產生“孔洞”不能完全提取出目標的所有信息。本系統的檢測模塊采用的是背景建模法中的GMM（混合高斯背景建模），它通過多個高斯概率密度函數的加權平均來平滑地近似任意形狀的密度分布函數，能夠處理多模態情況而且自適應的模型。