一种人员密集场所防火疏散警示系统及其方法与流程

1.本技术涉及消防领域，且更为具体地，涉及一种人员密集场所防火疏散警示系统及其方法。
2.

背景技术：

3.在现代化的城市管理中，消防工作一直是城市安全管理的重要内容之一，消防安全不仅仅关乎到城市整体的安全水平等级，更是关系到建设和谐社会的整体大局，一旦发生事故，有可能给人民生命安全和财产造成巨大的损失，及时发现消防安全隐患，防患于未然，对于社会单位治理火灾隐患和降低火灾风险具有非常重要的意义。
4.目前，在人员密集场所中，例如在医院的门诊楼、病房楼，学校的教学楼、图书馆、食堂和集体宿舍，养老院，福利院，托儿所，幼儿园，公共图书馆的阅览室，公共展览馆、博物馆的展示厅劳动密集型企业的生产加工车间和员工集体宿舍旅游、宗教活动场所等公众聚集场所，现有的防火疏散系统存在着诸多缺陷。在人员密集场所中，由于人员过于集中，导致疏散困难，容易在火灾发生时造成重大伤亡。并且，由于现有的防火疏散系统采用静态的固定方式，其无法对于人群分布密度情况进行实时监控，也就无法对消防安全隐患提供实时的预警。
5.因此，期望一种优化的人员密集场所防火疏散警示系统。
6.

技术实现要素：

7.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种人员密集场所防火疏散警示系统及其方法，其通过人员统计模块统计进入人员密集场所的人员数量；通过疏散进度和结果统计模块将疏散情况推送给管理人员；通过查询模块接收查询指令并返回查询结果；以及，通过人员密度监控与预警模块对所述人员密集场所内的人群分布密度进行监控。特别地，本技术结合人工智能监控技术，并采用预分类思想来以各个监控图像的贡献度来加强各个监控图像的融合特征表达，并以此融合特征来进行人员密集场所内的人群分布密度的检测判断。这样，能够精准地对于人员密集场所内的人群分布密度情况进行实时监控，以在检测到人群分布过密时产生预警。
8.相应地，根据本技术的一个方面，提供了一种人员密集场所防火疏散警示系统，其包括：人员统计模块，用于统计进入人员密集场所的人员数量；疏散进度和结果统计模块，用于将疏散情况推送给管理人员；查询模块，用于接收查询指令并返回查询结果；以及人员密度监控与预警模块，用于对所述人员密集场所内的人群分布密度进行监控。
9.在上述人员密集场所防火疏散警示系统中，所述人员密度监控与预警模块，包括：图像监控单元，用于获取由部署于所述人员密集场所内的多个摄像头采集的多个人员分布监控图像；人群密度图像特征提取单元，用于将所述多个人员分布监控图像分别通过使用空间注意力机制的卷积神经网络模型以得到多个人员分布监控特征图；预分类单元，用于将所述多个人员分布监控特征图分别通过权值生成器以得到多个类概率权重值；类概率调制单元，用于以所述多个类概率权重值作为权重对所述人员分布监控特征图进行加权以得到多个校正后人员分布监控特征图；融合单元，用于融合多个校正后人员分布监控特征图以得到分类特征图；调制单元，用于对所述分类特征图的高维数据流形进行调制以得到校正后分类特征图；以及，监控结果生成单元，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示人员密集场所内的人群分布密度是否超过预定安全标准。
10.在上述人员密集场所防火疏散警示系统中，所述人群密度图像特征提取单元，进一步用于：使用所述卷积神经网络模型的卷积编码部分对所述人员分布监控图像进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过softmax激活函数以得到空间注意力特征图；以及，计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到人员分布监控特征图。
11.在上述人员密集场所防火疏散警示系统中，所述权值生成器包括多个全连接层和与所述多个全连接层中最后一个全连接层连接的解码层。
12.在上述人员密集场所防火疏散警示系统中，所述融合单元，进一步用于：以如下公式融合多个校正后人员分布监控特征图以得到分类特征图；其中，所述公式为：其中，表示所述多个校正后人员分布监控特征图，表示级联函数，表示所述分类特征图。
13.在上述人员密集场所防火疏散警示系统中，所述调制单元，进一步用于：以如下公式对所述分类特征图进行表征平展化以得到所述校正后分类特征图；其中，所述公式为：其中是所述分类特征图的预定特征值，是所述分类特征图的所述预定特征值以外的其它特征值，是所述分类特征图的所有特征值的均值，且是所述分类特征图的尺度，表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值，是所述校正后分类特征图的第个位置的特征值。
14.在上述人员密集场所防火疏散警示系统中，所述监控结果生成单元，包括：展开子单元，用于将所述校正后分类特征图的各个校正后分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；全连接编码子单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成子单元，用于将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
15.根据本技术的另一方面，还提供了一种人员密集场所防火疏散警示方法，其包括：获取由部署于所述人员密集场所内的多个摄像头采集的多个人员分布监控图像；将所述多个人员分布监控图像分别通过使用空间注意力机制的卷积神经网络模型以得到多个人员分布监控特征图；将所述多个人员分布监控特征图分别通过权值生成器以得到多个类概率权重值；以所述多个类概率权重值作为权重对所述人员分布监控特征图进行加权以得到多个校正后人员分布监控特征图；将融合多个校正后人员分布监控特征图以得到分类特征图；对所述分类特征图的高维数据流形进行调制以得到校正后分类特征图；将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示人员密集场所内的人群分布密度是否超过预定安全标准；以及基于所述分类结果，确定是否生成预警提示。
16.在上述人员密集场所防火疏散警示方法中，所将所述多个人员分布监控图像分别通过使用空间注意力机制的卷积神经网络模型以得到多个人员分布监控特征图，包括：使用所述卷积神经网络模型的卷积编码部分对所述人员分布监控图像进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过softmax激活函数以得到空间注意力特征图；以及，计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到人员分布监控特征图。
17.在上述人员密集场所防火疏散警示方法中，所述权值生成器包括多个全连接层和与所述多个全连接层中最后一个全连接层连接的解码层。
18.在上述人员密集场所防火疏散警示方法中，所述融合多个校正后人员分布监控特征图以得到分类特征图，包括：以如下公式融合多个校正后人员分布监控特征图以得到分类特征图；其中，所述公式为：其中，表示所述多个校正后人员分布监控特征图，表示级联函数，表示所述分类特征图。
19.在上述人员密集场所防火疏散警示方法中，所述对所述分类特征图的高维数据流形进行调制以得到校正后分类特征图，包括：以如下公式对所述分类特征图进行表征平展化以得到所述校正后分类特征图；其中，所述公式为：其中是所述分类特征图的预定特征值，是所述分类特征图的所述预定特征值以外的其它特征值，是所述分类特征图的所有特征值的均值，且是所述分类特征图的尺度，表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值，是所述校正后分类特征图的第个位置的特征值。
20.在上述人员密集场所防火疏散警示方法中，所述将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示人员密集场所内的人群分布密度是否超过预
定安全标准，包括：将所述校正后分类特征图的各个校正后分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
21.根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的人员密集场所防火疏散警示方法。
22.根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的人员密集场所防火疏散警示方法。
23.与现有技术相比，本技术提供的一种人员密集场所防火疏散警示系统及其方法，其通过人员统计模块统计进入人员密集场所的人员数量；通过疏散进度和结果统计模块将疏散情况推送给管理人员；通过查询模块接收查询指令并返回查询结果；以及，通过人员密度监控与预警模块对所述人员密集场所内的人群分布密度进行监控。特别地，本技术结合人工智能监控技术，并采用预分类思想来以各个监控图像的贡献度来加强各个监控图像的融合特征表达，并以此融合特征来进行人员密集场所内的人群分布密度的检测判断。这样，能够精准地对于人员密集场所内的人群分布密度情况进行实时监控，以在检测到人群分布过密时产生预警。
24.附图说明
25.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
26.图1为根据本技术实施例的人员密集场所防火疏散警示系统的框图。
27.图2为根据本技术实施例的人员密集场所防火疏散警示系统中人员密度监控与预警模块的框图。
28.图3为根据本技术实施例的人员密集场所防火疏散警示系统中人员密度监控与预警模块的架构图。
29.图4为根据本技术实施例的人员密集场所防火疏散警示方法的流程图。
30.图5为根据本技术实施例的电子设备的框图。
31.具体实施方式
32.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
33.申请概述
如上述背景技术所言，在人员密集场所中，由于人员过于集中，导致疏散困难，容易在火灾发生时造成重大伤亡。并且，由于现有的防火疏散系统采用静态的固定方式，其无法对于人群分布密度情况进行实时监控，也就无法对消防安全隐患提供实时的预警。因此，期望一种优化的人员密集场所防火疏散警示系统。
34.具体地，在本技术的技术方案中，提出了一种人员密集场所防火疏散警示系统，其包括：人员统计模块，用于统计进入人员密集场所的人员数量；疏散进度和结果统计模块，用于将疏散情况推送给管理人员；查询模块，用于接收查询指令并返回查询结果；以及，人员密度监控与预警模块，用于对所述人员密集场所内的人群分布密度进行监控。
35.特别地，在对于所述人员密集场所内的人群分布密度进行监控的过程中，期望以部署于所述人员密集场所内的多个摄像头采集的多个人员分布监控图像作为输入数据来对于人群分布密度进行监控判断。但是，考虑到由于所述人员分布监控图像内存在着较多的信息量，难以对于人群分布密度进行实时准确地检测。并且，在实际进行人群密度监控时，所述各个摄像头所采集的监控图像关于人群密度分布信息检测的贡献度不同，怎样利用这些所述贡献度来提高对于人群密度检测的准确度是关键所在。
36.近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
37.深度学习以及神经网络的发展为人员密度的智能监控提供了新的解决思路和方案。
38.具体地，在本技术的技术方案中，期望采用基于机器视觉的人工智能监控技术，以对于所述多个人员分布监控图像进行空间分布特征提取，并采用预分类思想来进一步以所述各个监控图像的贡献度来加强所述各个监控图像的融合特征表达，并以此融合特征来进行人员密集场所内的人群分布密度的检测判断，以此检测出公共娱乐场所在营业时，人员分布密集度是否超过规定标准，如果超过预定标准，则产生人员过密警示。这样，能够精准地对于人员密集场所内的人群分布密度情况进行实时监控，以在检测到人群分布过密时产生预警，进而确保人员的生命安全。
39.更具体地，在本技术的技术方案中，首先，通过部署于所述人员密集场所内的多个摄像头采集多个人员分布监控图像。接着，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述监控图像的特征提取，特别地，考虑到在进行人员密集场所内的人群分布密度监控过程中，应更关注于空间位置上关于所述人员的分布情况，也就是说，在进行所述人员分布监控图像的特征挖掘时应聚焦于所述人员的分布特征信息。因此，在本技术的技术方案中，将所述多个人员分布监控图像分别通过使用空间注意力机制的卷积神经网络模型中进行特征挖掘，以提取出所述多个人员分布监控图像中的各个人员分布监控图像的关于人群分布在空间上的特征分布信息，从而得到多个人员分布监控特征图。
40.然后，考虑到在对于所述人员密集场所内的人群分布密度进行监控时，所述各个位置的摄像头采集的各个人员分布监控图像中关于人员的空间分布特征信息对于人员密集场所内的人群分布密度的贡献度不同。因此，在本技术的技术方案中，采用权重生成器以实现预分类思想来进行量化表征，也就是，利用所述各个人员分布监控图像中关于人员的
空间分布特征的贡献度来调整所述各个人员分布监控图像的人员分布特征整体，以此来提高对于人群分布密度的检测精准度。具体地，将所述多个人员分布监控特征图分别通过权值生成器以得到多个类概率权重值，特别地，这里，所述权值生成器包括多个全连接层和与所述多个全连接层中最后一个全连接层连接的解码层。接着，再以所述多个类概率权重值作为权重对所述人员分布监控特征图进行加权以得到多个校正后人员分布监控特征图。
41.进一步地，融合具有所述多个人员分布监控图像的人员分布特征信息的多个校正后人员分布监控特征图，从而得到所述人员密集场所内的人群分布密度的整体特征信息，并以此作为分类特征图通过分类器中进行分类处理，以得到用于表示人员密集场所内的人群分布密度是否超过预定安全标准的分类结果。也就是，在本技术的技术方案中，所述分类器的标签包括所述人员密集场所内的人群分布密度超过预定安全标准，以及，所述人员密集场所内的人群分布密度没有超过预定安全标准，其中，所述分类器通过软最大值函数来确定所述分类特征图属于哪个分类标签。应可以理解，在本技术的技术方案中，所述分类器的分类标签为人员密度预警控制策略标签。也就是，在得到所述分类结果后，可基于所述分类结果来判断是否产生人员密度的预警提示，具体地，当检测到所述人员密集场所内的人群分布密度超过预定安全标准时，产生人员过密的预警提示，以此来达到防火疏散警示的目的。这样，能够精准地对于人员密集场所内的人群分布密度情况进行实时监控，以在检测到人群分布过密时产生预警，进而确保人员的生命安全。
42.特别地，在本技术的技术方案中，通过将所述多个校正后人员分布监控特征图进行级联得到所述分类特征图，可以通过所述多个人员分布监控图像各自的图像语义特征在类概率校正下的样本维度集合来充分且基于类概率有区分地利用所述多个摄像头采集的图像特征信息。
43.但是，这就使得所述分类特征图的特征分布需要包含表达多个不同样本的校正后人员分布监控特征图的特征分布，且由于以所述类概率权重值进行了加权，会进一步强化某些校正后人员分布监控特征图的特征分布而弱化另一些校正后人员分布监控特征图的特征分布，从而使得所述分类特征图的跨样本特征分布的关联性降低。由此，导致在所述分类特征图在分类器中展开为特征向量之后，与所述分类器的权重矩阵之间的拟合负担重，从而影响所述分类器的训练速度和分类结果的准确性。
44.因此，本技术的申请人对所述分类特征图进行类表征平展化，具体表示为：因此，本技术的申请人对所述分类特征图进行类表征平展化，具体表示为：是所述分类特征图的预定特征值，是所述分类特征图的所述预定特征值以外的其它特征值，是所述分类特征图的所有特征值的均值，且是所述分类特征图的尺度，即宽度乘以高度乘以通道数。
45.这里，所述分类特征图的类表征平展化将用于高维特征空间内的特征分布的类表征的有限多面体流形进行平展，同时保持流形的各平面之间的固有距离，并基于空间直观地避免交叉，其实质上是将该有限多面体流形分解为基于直角面相交和同顶点相交的立方体晶格，从而获得类平面的平展的“切片”连续性，以增强所述关联特征图对于分类器的权重矩阵的拟合性能。这样，就提升了所述分类特征图通过分类器进行分类的训练速度和分类结果的准确性。这样，能够精准地对于人员密集场所内的人群分布密度情况进行实时监
控，以在检测到人群分布过密时产生预警，进而确保人员的生命安全。
46.基于此，本技术提供了一种人员密集场所防火疏散警示系统，其包括：人员统计模块，用于统计进入人员密集场所的人员数量；疏散进度和结果统计模块，用于将疏散情况推送给管理人员；查询模块，用于接收查询指令并返回查询结果；以及，人员密度监控与预警模块，用于对所述人员密集场所内的人群分布密度进行监控。
47.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
48.示例性系统图1为根据本技术实施例的人员密集场所防火疏散警示系统的框图。如图1所示，根据本技术实施例的人员密集场所防火疏散警示系统100，包括：人员统计模块110，用于统计进入人员密集场所的人员数量；疏散进度和结果统计模块120，用于将疏散情况推送给管理人员；查询模块130，用于接收查询指令并返回查询结果；以及，人员密度监控与预警模块140，用于对所述人员密集场所内的人群分布密度进行监控。
49.如上述背景技术所言，在人员密集场所中，由于人员过于集中，导致疏散困难，容易在火灾发生时造成重大伤亡。并且，由于现有的防火疏散系统采用静态的固定方式，其无法对于人群分布密度情况进行实时监控，也就无法对消防安全隐患提供实时的预警。因此，期望一种优化的人员密集场所防火疏散警示系统。
50.具体地，在本技术的技术方案中，提出了一种人员密集场所防火疏散警示系统，其包括：人员统计模块，用于统计进入人员密集场所的人员数量；疏散进度和结果统计模块，用于将疏散情况推送给管理人员；查询模块，用于接收查询指令并返回查询结果；以及，人员密度监控与预警模块，用于对所述人员密集场所内的人群分布密度进行监控。
51.在上述人员密集场所防火疏散警示系统100中，所述人员统计模块110，用于统计进入人员密集场所的人员数量。应可以理解，统计进入人员密集场所的人员数量可以用于表征进入场所的人员绝对量，可以作为判断场所是否人员密集的一个依据。并且，所述人员密集场所防火疏散警示系统作为一个统一的整体，在运行过程中，所述人员数量能与疏散进度和结果统计模块对接，疏散时能掌握人员的疏散进度和数量。
52.在上述人员密集场所防火疏散警示系统100中，所述疏散进度和结果统计模块120，用于将疏散情况推送给管理人员。也就是，该系统能够对疏散进度和结果进行实时统计，并能将疏散情况推送给指定人员，即管理人员。
53.在上述人员密集场所防火疏散警示系统100中，所述查询模块130，用于接收查询指令并返回查询结果。也就是，该系统可以基于查询指令以完成相应的查询功能，例如，当前时间点的进入人员密集场所的人员数量、当前时间点的疏散进度和结果等。
54.在上述人员密集场所防火疏散警示系统100中，所述人员密度监控与预警模块140，用于对所述人员密集场所内的人群分布密度进行监控。这里，在对于所述人员密集场所内的人群分布密度进行监控的过程中，期望以部署于所述人员密集场所内的多个摄像头采集的多个人员分布监控图像作为输入数据来对于人群分布密度进行监控判断。但是，考虑到由于所述人员分布监控图像内存在着较多的信息量，难以对于人群分布密度进行实时准确地检测。并且，在实际进行人群密度监控时，所述各个摄像头所采集的监控图像关于人群密度分布信息检测的贡献度不同，怎样利用这些所述贡献度来提高对于人群密度检测的
准确度是关键所在。
55.近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为人员密度的智能监控提供了新的解决思路和方案。
56.具体地，在本技术的技术方案中，期望采用基于机器视觉的人工智能监控技术，以对于所述多个人员分布监控图像进行空间分布特征提取，并采用预分类思想来进一步以所述各个监控图像的贡献度来加强所述各个监控图像的融合特征表达，并以此融合特征来进行人员密集场所内的人群分布密度的检测判断，以此检测出公共娱乐场所在营业时，人员分布密集度是否超过规定标准，如果超过预定标准，则产生人员过密警示。这样，能够精准地对于人员密集场所内的人群分布密度情况进行实时监控，以在检测到人群分布过密时产生预警，进而确保人员的生命安全。
57.图2为根据本技术实施例的人员密集场所防火疏散警示系统中人员密度监控与预警模块的框图。如图2所示，所述人员密度监控与预警模块140，包括：图像监控单元141，用于获取由部署于所述人员密集场所内的多个摄像头采集的多个人员分布监控图像；人群密度图像特征提取单元142，用于将所述多个人员分布监控图像分别通过使用空间注意力机制的卷积神经网络模型以得到多个人员分布监控特征图；预分类单元143，用于将所述多个人员分布监控特征图分别通过权值生成器以得到多个类概率权重值；类概率调制单元144，用于以所述多个类概率权重值作为权重对所述人员分布监控特征图进行加权以得到多个校正后人员分布监控特征图；融合单元145，用于融合多个校正后人员分布监控特征图以得到分类特征图；调制单元146，用于对所述分类特征图的高维数据流形进行调制以得到校正后分类特征图；以及，监控结果生成单元147，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示人员密集场所内的人群分布密度是否超过预定安全标准。
58.图3为根据本技术实施例的人员密集场所防火疏散警示系统中人员密度监控与预警模块的架构图。如图3所示，首先，获取由部署于所述人员密集场所内的多个摄像头采集的多个人员分布监控图像。接着，将所述多个人员分布监控图像分别通过使用空间注意力机制的卷积神经网络模型以得到多个人员分布监控特征图。然后，将所述多个人员分布监控特征图分别通过权值生成器以得到多个类概率权重值。继而，以所述多个类概率权重值作为权重对所述人员分布监控特征图进行加权以得到多个校正后人员分布监控特征图。再将融合多个校正后人员分布监控特征图以得到分类特征图，并对所述分类特征图的高维数据流形进行调制以得到校正后分类特征图。最后，将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示人员密集场所内的人群分布密度是否超过预定安全标准。
59.具体地，所述图像监控单元141，用于获取由部署于所述人员密集场所内的多个摄像头采集的多个人员分布监控图像。也就是，将所述多个摄像头采集的所述多个人员分布监控图像作为输入数据来对于人群分布密度进行监控判断。
60.具体地，所述人群密度图像特征提取单元142，用于将所述多个人员分布监控图像分别通过使用空间注意力机制的卷积神经网络模型以得到多个人员分布监控特征图。也就
是，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述监控图像的特征提取，特别地，考虑到在进行人员密集场所内的人群分布密度监控过程中，应更关注于空间位置上关于所述人员的分布情况，也就是说，在进行所述人员分布监控图像的特征挖掘时应聚焦于所述人员的分布特征信息。因此，在本技术的技术方案中，将所述多个人员分布监控图像分别通过使用空间注意力机制的卷积神经网络模型中进行特征挖掘，以提取出所述多个人员分布监控图像中的各个人员分布监控图像的关于人群分布在空间上的特征分布信息，从而得到多个人员分布监控特征图。
61.在本技术实施例中，在所述人群密度图像特征提取单元142的运行过程中，首先，使用所述卷积神经网络模型的卷积编码部分对所述人员分布监控图像进行深度卷积编码以得到初始卷积特征图。接着，将所述初始卷积特征图输入所述卷积神经网络模型的空间注意力部分以得到空间注意力图。然后，将所述空间注意力图通过softmax激活函数以得到空间注意力特征图。继而，计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到人员分布监控特征图。
62.具体地，所述预分类单元143，用于将所述多个人员分布监控特征图分别通过权值生成器以得到多个类概率权重值。考虑到在对于所述人员密集场所内的人群分布密度进行监控时，所述各个位置的摄像头采集的各个人员分布监控图像中关于人员的空间分布特征信息对于人员密集场所内的人群分布密度的贡献度不同。因此，在本技术的技术方案中，采用权重生成器以实现预分类思想来进行量化表征。具体地，将所述多个人员分布监控特征图分别通过权值生成器以得到多个类概率权重值，特别地，这里，所述权值生成器包括多个全连接层和与所述多个全连接层中最后一个全连接层连接的解码层。
63.具体地，所述类概率调制单元144，用于以所述多个类概率权重值作为权重对所述人员分布监控特征图进行加权以得到多个校正后人员分布监控特征图。这样，利用所述各个人员分布监控图像中关于人员的空间分布特征的贡献度来调整所述各个人员分布监控图像的人员分布特征整体，以此来提高对于人群分布密度的检测精准度。
64.具体地，所述融合单元145，用于融合多个校正后人员分布监控特征图以得到分类特征图。也就是，融合具有所述多个人员分布监控图像的人员分布特征信息的多个校正后人员分布监控特征图，从而得到所述人员密集场所内的人群分布密度的整体特征信息，并以此作为分类特征图。
65.在本技术实施例中，所述融合单元145，进一步用于：以如下公式融合多个校正后人员分布监控特征图以得到分类特征图；其中，所述公式为：其中，表示所述多个校正后人员分布监控特征图，表示级联函数，表示所述分类特征图。
66.具体地，所述调制单元146，用于对所述分类特征图的高维数据流形进行调制以得到校正后分类特征图。特别地，在本技术的技术方案中，通过将所述多个校正后人员分布监控特征图进行级联得到所述分类特征图，可以通过所述多个人员分布监控图像各自的图像语义特征在类概率校正下的样本维度集合来充分且基于类概率有区分地利用所述多个摄像头采集的图像特征信息。
67.但是，这就使得所述分类特征图的特征分布需要包含表达多个不同样本的校正后人员分布监控特征图的特征分布，且由于以所述类概率权重值进行了加权，会进一步强化某些校正后人员分布监控特征图的特征分布而弱化另一些校正后人员分布监控特征图的特征分布，从而使得所述分类特征图的跨样本特征分布的关联性降低。由此，导致在所述分类特征图在分类器中展开为特征向量之后，与所述分类器的权重矩阵之间的拟合负担重，从而影响所述分类器的训练速度和分类结果的准确性。因此，本技术的申请人对所述分类特征图进行类表征平展化。
68.在本技术实施例中，所述调制单元146，进一步用于：以如下公式对所述分类特征图进行表征平展化以得到所述校正后分类特征图；其中，所述公式为：其中是所述分类特征图的预定特征值，是所述分类特征图的所述预定特征值以外的其它特征值，是所述分类特征图的所有特征值的均值，且是所述分类特征图的尺度，即宽度乘以高度乘以通道数，表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值，是所述校正后分类特征图的第个位置的特征值。
69.这里，所述分类特征图的类表征平展化将用于高维特征空间内的特征分布的类表征的有限多面体流形进行平展，同时保持流形的各平面之间的固有距离，并基于空间直观地避免交叉，其实质上是将该有限多面体流形分解为基于直角面相交和同顶点相交的立方体晶格，从而获得类平面的平展的“切片”连续性，以增强所述关联特征图对于分类器的权重矩阵的拟合性能。这样，就提升了所述分类特征图通过分类器进行分类的训练速度和分类结果的准确性。
70.具体地，所述监控结果生成单元147，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示人员密集场所内的人群分布密度是否超过预定安全标准。也就是，在本技术的技术方案中，所述分类器的标签包括所述人员密集场所内的人群分布密度超过预定安全标准，以及，所述人员密集场所内的人群分布密度没有超过预定安全标准，其中，所述分类器通过软最大值函数来确定所述分类特征图属于哪个分类标签。应可以理解，在本技术的技术方案中，在得到所述分类结果后，可基于所述分类结果来判断是否产生人员密度的预警提示，具体地，当检测到所述人员密集场所内的人群分布密度超过预定安全标准时，产生人员过密的预警提示，以此来达到防火疏散警示的目的。这样，能够精准地对于人员密集场所内的人群分布密度情况进行实时监控，以在检测到人群分布过密时产生预警，进而确保人员的生命安全。
71.具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的softmax层。其中，在所述分类器的分类处理中，首先通过展开子单元将所述校正后分类特征图的各个校正后分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；接着，通过全连接编码子单元使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；继而，通过分类结果生成子单元将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
72.综上，基于本技术实施例的人员密集场所防火疏散警示系统100被阐明，其通过人员统计模块统计进入人员密集场所的人员数量；通过疏散进度和结果统计模块将疏散情况
推送给管理人员；通过查询模块接收查询指令并返回查询结果；以及，通过人员密度监控与预警模块对所述人员密集场所内的人群分布密度进行监控。特别地，本技术结合人工智能监控技术，并采用预分类思想来以各个监控图像的贡献度来加强各个监控图像的融合特征表达，并以此融合特征来进行人员密集场所内的人群分布密度的检测判断。这样，能够精准地对于人员密集场所内的人群分布密度情况进行实时监控，以在检测到人群分布过密时产生预警。
73.如上所述，根据本技术实施例的人员密集场所防火疏散警示系统100可以实现在各种终端设备中，例如用于人员密集场所防火疏散警示的服务器等。在一个示例中，根据本技术实施例的人员密集场所防火疏散警示系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该人员密集场所防火疏散警示系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该人员密集场所防火疏散警示系统100同样可以是该终端设备的众多硬件模块之一。
74.替换地，在另一示例中，该人员密集场所防火疏散警示系统100与该终端设备也可以是分立的设备，并且该人员密集场所防火疏散警示系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
75.示例性方法图4为根据本技术实施例的人员密集场所防火疏散警示方法的流程图。如图4所示，根据本技术实施例的人员密集场所防火疏散警示方法，包括：s110，获取由部署于所述人员密集场所内的多个摄像头采集的多个人员分布监控图像；s120，将所述多个人员分布监控图像分别通过使用空间注意力机制的卷积神经网络模型以得到多个人员分布监控特征图；s130，将所述多个人员分布监控特征图分别通过权值生成器以得到多个类概率权重值；s140，以所述多个类概率权重值作为权重对所述人员分布监控特征图进行加权以得到多个校正后人员分布监控特征图；s150，将融合多个校正后人员分布监控特征图以得到分类特征图；s160，对所述分类特征图的高维数据流形进行调制以得到校正后分类特征图；s170，将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示人员密集场所内的人群分布密度是否超过预定安全标准；以及，s180，基于所述分类结果，确定是否生成预警提示。
76.在一个示例中，在上述人员密集场所防火疏散警示方法中，所将所述多个人员分布监控图像分别通过使用空间注意力机制的卷积神经网络模型以得到多个人员分布监控特征图，包括：使用所述卷积神经网络模型的卷积编码部分对所述人员分布监控图像进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过softmax激活函数以得到空间注意力特征图；以及，计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到人员分布监控特征图。
77.在一个示例中，在上述人员密集场所防火疏散警示方法中，所述权值生成器包括多个全连接层和与所述多个全连接层中最后一个全连接层连接的解码层。
78.在一个示例中，在上述人员密集场所防火疏散警示方法中，所述融合多个校正后人员分布监控特征图以得到分类特征图，包括：以如下公式融合多个校正后人员分布监控特征图以得到分类特征图；其中，所述公式为：
其中，表示所述多个校正后人员分布监控特征图，表示级联函数，表示所述分类特征图。
79.在一个示例中，在上述人员密集场所防火疏散警示方法中，所述对所述分类特征图的高维数据流形进行调制以得到校正后分类特征图，包括：以如下公式对所述分类特征图进行表征平展化以得到所述校正后分类特征图；其中，所述公式为：其中是所述分类特征图的预定特征值，是所述分类特征图的所述预定特征值以外的其它特征值，是所述分类特征图的所有特征值的均值，且是所述分类特征图的尺度，表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值，是所述校正后分类特征图的第个位置的特征值。
80.在一个示例中，在上述人员密集场所防火疏散警示方法中，所述将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示人员密集场所内的人群分布密度是否超过预定安全标准，包括：将所述校正后分类特征图的各个校正后分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
81.综上，本技术实施例的人员密集场所防火疏散警示方法被阐明，其通过人员统计模块统计进入人员密集场所的人员数量；通过疏散进度和结果统计模块将疏散情况推送给管理人员；通过查询模块接收查询指令并返回查询结果；以及，通过人员密度监控与预警模块对所述人员密集场所内的人群分布密度进行监控。特别地，本技术结合人工智能监控技术，并采用预分类思想来以各个监控图像的贡献度来加强各个监控图像的融合特征表达，并以此融合特征来进行人员密集场所内的人群分布密度的检测判断。这样，能够精准地对于人员密集场所内的人群分布密度情况进行实时监控，以在检测到人群分布过密时产生预警。
82.示例性电子设备下面，参考图5来描述根据本技术实施例的电子设备。图5为根据本技术实施例的电子设备的框图。如图5所示，电子设备10包括一个或多个处理器11和存储器12。
83.处理器11可以是中央处理单元（cpu）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
84.存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（ram）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（rom）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的人员密集场所防火疏散警示方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如人员分布监控图像等各种内容。
85.在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
86.该输入装置13可以包括例如键盘、鼠标等等。
87.该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
88.当然，为了简化，图5中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
89.示例性计算机程序产品和计算机可读存储介质除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的人员密集场所防火疏散警示方法中的功能中的步骤。
90.所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
91.此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的人员密集场所防火疏散警示方法中的功能中的步骤。
92.所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
93.以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
94.本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
95.还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
96.提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
97.为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。