一种大规模人群视频分析 方法，所述方法包括下述步骤：
[0093] S100、计算参数人群数量、人群区域、人群运动方向与速度：
[0094] 计算监控视频图像数据中某帖图像所覆盖视野范围内的人群数量；
[0095] 计算监控视频图像数据中某帖图像所覆盖视野范围内的前景和背景分割后、前景 中的人群区域；
[0096] 计算监控视频图像数据中某帖图像所覆盖视野范围内的人群运动方向与速度；
[0097] S200、分析判断人群事件类别:基于得到的人群数量、人群区域、人群运动方向与 速度进行处理分析，并判断人群事件所属类别；
[0098] 所述人群事件是指在监控区域内，达到一定规模的人群出现某种群体特征性行 为。
[0099] 在运个实施例中，通过所述方法能够为监控人员完成智能趋势预测、特征事件等 任务提供数据支持，为突发事件预防、可疑线索追查等提供有效帮助。所述图像数据可W直 接是一帖完整的视频截图，也可W是已处理成方便相应模块进行进一步处理的图像数据， 还可W是为方便传输进行压缩处理后的图像数据，然后在接收该图像数据之后进行相应的 解压缩处理，等等。所述步骤S200的分析主要是基于得到的人群数量、人群区域、人群运动 方向与速度来分析确定监控区域的人群所处的人群事件是什么类型的人群事件，进而基于 该人群事件的分析结论来进行事件类型判断。在进行事件类型判断时，优选通过制定的判 断规则来判断该人群事件是否存在异常。所述人群事件的类型可能因不同系统对人群事件 的分类不同而不同。
[0100] 在一个实施例中，提供了计算人群数量的优选计算模型，即：所述人群数量在获得 人群密度的基础上进一步计算得到，所述人群密度通过采用深度卷积神经网络(DCNN，Deep Convolutional化ural化twork)模型来进行估计。
[0101] 所述深度卷积神经网络模型的学习目标为映射F:X^D，其中X表示训练集中图像 的像素特征，D表示人群密度图像。该模型具有如下特点：在学习人群特征上具有良好的有 效性和鲁棒性，不需要额外的标识工作，并且与图像前景分割是独立的，因此能够获得更合 理的计算结果。在人群密度计算时使用该模型，可W为后续的分析提供可靠的数据支持，进 而在发生异常的人群事件时，能为监控者的决策提供帮助。
[0102] 在一个实施例中，提供了一种进行人群前景分割优选分割模型，通过该模型能够 获得人群区域，即：所述人群区域通过采用完全卷积神经网络(FCNN，Fully Convolutional 化ural化twork)模型计算得到。
[0103] 完全卷积神经网络相对传统的卷积神经网络，能够适用于图片尺度变化的情况， 使用更加灵活方便。
[0104] 在一个实施例中，提供了优选计算人群运动方向与速度的方法，即：
[0105] 所述人群运动方向与速度通过采用化T算法化anade-Lucas-Tomasi)计算得到。
[0106] 虽然采用光流法进行运动物体检测的问题主要在于大多数光流法计算耗时，实时 性和实用性都较差，但是光流法的优点在于光流不仅携带了运动物体的运动信息，而且还 携带了有关景物Ξ维结构的丰富信息，它能够在不知道场景的任何信息的情况下，检测出 运动对象。
[0107] 进一步地，在一个实施例中提供了具体的人群密度计算方法，即：所述人群密度通 过人群密度图像来反映，所述人群密度图像的表达式为：
[010 引
[0109]其中：
[0110] Di(p)为密度图像D中第i个人周围的点p;
[0111] Z为归一化参数；
[0112] Pi为第i个标记的人；
[0113] Nh是作为头部模型的正规化的2D高斯核函数；
[0114] 扣为头部的位置；
[011引化为Nh的方差；
[0116] 化是作为身体模型的二元正态分布；
[0117] Pb为人身体的位置；
[011引 Σ为化的协方差矩阵。
[0119] 上述映射能够保证在一个密度映射中所有密度值在整体上是等于原图中人群数 量。
[0120] 在一个实施例中，对产生人群事件的群体特征性行为进行了划分，进一步明确使 用本公开方法进行人群监测的人群行为，即：
[0121] 所述群体特征性行为包括人群密集、人群聚集、人群滞留、人群跑动和人群逆行；
[0122] 所述人群密集指对过去的T1秒监控区域内的人数平均值超过设置的参数阔值；
[0123] 所述人群聚集指监控区域内停留下来聚集在一起的人群区域内的人数超过设置 阔值；
[0124] 所述人群滞留指对监控图像中的人群特征点进行跟踪，所述人群特征点的运动距 离在时间T2内低于设置的阔值；
[0125] 所述人群跑动指监控区域内运动速度大于速度阔值V的人的数量超过数量阔值 N1;
[0126] 所述人群逆行指监控区域内的禁行区域内沿逆行方向运动的人的数量超过阔值 N2；
[0127] 其中，T1、T2、V、N1和N2为预设值或能够修改的自定义值。
[0128] 根据上述群体特征性行为的划分，本公开要监测的人群事件包括人群密集、人群 聚集、人群滞留、人群跑动和人群逆行，进而为了标识人群事件，可W为每个人群事件增加 事件ID。
[0129] 进一步地，通过该实施例，也暗含了在本公开方法中如何判断人群事件异常。
[0130] 对于人群密集事件，通过对过去T秒内区域内人数平均值进行统计来，若超过设置 的参数阔值，则判断区域内人群密集;其中T为预设值或能够修改的自定义值。在一个实施 例中，所述T为10秒。
[0131] 对于人群聚集事件，通过对图像中停留下来聚集在一起的人群区域内的人数进行 统计，如果超过设置阔值，则判断区域内发生异常聚集。
[0132] 对于人群滞留事件，通过对图像中的人群特征点进行跟踪;一段时间内运动距离 越短的说明停留时间越久，当停留时间超过设置的阔值时，则说明区域内有人群滞留。
[0133] 对于人群跑动事件，通过计算场景下跟踪特征点的运动速度，统计运动速度大于 阔值T1的特征点的个数，当特征点个数大于阔值T2时，表明场景下发生了异常跑动；其中 T1、Τ2为预设值或能够修改的自定义值。
[0134] 对于人群逆行事件，通过禁行区域内沿逆行方向运动的特征点的个数进行统计， 如果超过阔值N个，则判断区域发生逆行;其中N为预设值或能够修改的自定义值，比如N为 10。
[0135] 更优地，所述方法进一步规定了在一段事件内连续监测到的人群事件是否为同一 人群事件的判断原则，即:所述群体特征性行为中的某种行为在连续多次出现时，若相邻两 次的时间间隔大于设定时间，则相邻两次出现的该种行为被认为是两次事件，否则相邻两 次出现的该种行为被认为是一次事件。比如，在人群密集事件中，若相邻的两次人群密集事 件如果间隔大于60秒，则判定为两次事件。在人群聚集事件中，若相覆盖区域内的两次人群 密集事件如果间隔大于60秒，则判定为两次事件。在人群滞留事件中，若相同滞留区域内发 生的滞留事件如果相隔10秒内，则判定为同一个滞留事件。在人群跑动事件中，若相邻的两 次人群跑动事件如果间隔大于60秒，则判定为两次事件。在人群逆行事件中，若相同逆行区 域相邻的两次人群逆行事件如果间隔大于60秒，则判定为两次事件。
[0136] 在一个实施例中，为了能实时反映当前时间点中，某一路视频所对应场景内人群 的情况，在步骤S200之后，所述方法还包括：
[0137] S300、实时显示人群的密集程度:通过图示的方式来反映当前时间点的某一路视 频所对应场景内人群的情况。
[0138] 其中，所述图示的方式所依据的图可W是基于监控视频中的图像。
[0139] 优选的，所述实时显示人群的密集程度中所使用的图包括人群停留染色图和人群 分布热力图；所述人群停留染色图按照停留时间长短，对场景中的人群进行Jet染色;所述 人群分布热力图按照人群疏密，W热力图的形式展现场景中人群的实时分布情况。
[0140] 进一步地，所述Jet染色为根据场景中人物停留的时间长短对目标进行染色，最大 值表现为红色，最小值表现为蓝色。其中：蓝色为移动中的人物，黄色为有短暂停留行为的 人物，随着人物停留时间越来越长，其颜色也会越来越趋近红色。
[0141] 运也就是说，蓝色为移动中的人物，黄色为有短暂停留行为的人物，随着停留时间 越来越长，其颜色也会越来越趋近红色。通过运一方式，监控人员可W-目了然地看出场景 内各个区域的人群停留时间长短，及时发现异常停留的人群。
[0142] 进一步地，所述人群分布热力图的颜色越红的区域表明此处的人群密度越高;颜 色随着人群密度的降低由红色向蓝色渐变。
[0143] 在一个实施例中，为了方便定位场景下人群聚犹的区域，在步骤S200之后，所述方 法还包括：
[0144] S400、定位场景下人群聚犹的区域:通过图示的方式来定位场景下人群聚犹的区 域。
[0145] 其中，所述图示的方式所依据的图可W是基于监控视频中的图像。通过趋势发现 模块能帮助监控人员了解某一通道详细的事件发生情况，发现潜在规律并帮助决策。在选 定某一通道后，系统即按照时间、空间两个维度对运一通道上的事件发生情况进行分析展 示。监控人员可通过翻页方式切换视频通道选择窗口。
[0146] 优选的，所述定位场景下人群聚犹的区域中所使用的图包括人群数量折线图和人 群平均分布热力图；所述人群数量折线图表示在一段时间内人群的人数，包括峰值人数和 平均人数;监管人员还可根据需要选择1小时内、1天内、7天内等时间粒度进行查看。所述人 群平均分布热力图W选定时间段为维度，对人群的平均分布情况进行图示，根据不同的颜 色区域，可w很容易定位到场景下容易发生人群聚扰的区域。
[0147] 进一步地，所述人群平均分布热力图的红色区域表明此处为人群聚犹区域;颜色 随着一段时间内人数的降低由红色向蓝色渐变。
[0148] 在一个实施例中，为了对各种人群异常事件进行统计查看，W便发现规律，所述步 骤S200之后，所述方法还包括：
[0149] S500、统计事件:基于某一人群异常事件最近W周发生频度在周期性时间上的投影 进行统计，W查看事件发生在周期性时间上的规律;其中W为预设值或能够修改的自定义 值。比如W为4。
[0150] 优选的，所述步骤S500在统计之前，还包括步骤：
[0151] S50001、查询事件:对各监控视频内已发生的事件进行查询。通过查询，能够对各 监控视频内已发生的事件进行追溯和定位，比如通过选择视频通道、事件类型、发生的时间 段，即可查询出已发生的事件。运里的查询，除了应用于统计，在将方法实现成系统时，也可 W用于向外提供检索功能，