摘要： 隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展,城市人口日漸增多,對(duì)出行便利性的要求不斷提高,地鐵已然成為城市發(fā)展與進(jìn)步的象征。但隨著地鐵的里程數(shù)急劇增加以及大多數(shù)地鐵處于地下,地鐵的照明系統(tǒng)耗電量巨大,因此地鐵車站的照明節(jié)能研究迫在眉睫。根據(jù)地鐵車站的耗電特點(diǎn),提出了一種基于人群密度的方法,通過實(shí)時(shí)估算當(dāng)前地鐵車站的人群密度來動(dòng)態(tài)調(diào)整車站內(nèi)照明系統(tǒng)的功耗,以此來實(shí)現(xiàn)照明節(jié)能。

摘要： 提出了一種改進(jìn)的基于卡爾曼濾波技術(shù)的人群密度檢測算法,該算法通過減背景法識(shí)別人群,使用改進(jìn)的基于卡爾曼濾波技術(shù)進(jìn)行背景更新,通過閾值統(tǒng)計(jì)的方法增強(qiáng)識(shí)別出的前景人群的效果,最后在此基礎(chǔ)上基于像素統(tǒng)計(jì)信息進(jìn)行人群密度計(jì)算。實(shí)驗(yàn)結(jié)果表明,該算法實(shí)現(xiàn)簡單,可以有效的解決卡爾曼濾波技術(shù)更新背景時(shí)的空洞現(xiàn)象,比較準(zhǔn)確地計(jì)算出人群密度。

摘要： 會(huì)展三新展上杭博所提供的盒飯被贊為"盒飯屆的愛馬仕",從健康、溫度、顏值、環(huán)保等環(huán)節(jié)入手,改變傳統(tǒng)盒飯的刻板形象是杭博盒飯"出圈"的重要原因。餐飲已經(jīng)成為越來越多綜合型會(huì)展場館青睞的配套業(yè)務(wù),也成為服務(wù)競爭中關(guān)鍵的一環(huán)。但無論是自營餐飲還是在外包餐飲,在研究餐飲服務(wù)如何出彩之前,首要保證的是食品安全問題。尤其在疫情防控進(jìn)入常態(tài)化的當(dāng)下,會(huì)展場館這一高人群密度的空間必須嚴(yán)上加嚴(yán)緊抓食品安全管理。

摘要： 本文基于行為心理學(xué)的視角,采用照片對(duì)比法和數(shù)據(jù)二維化處理,對(duì)成都市寬窄巷子歷史文化空間的工作日和非工作日人群行為進(jìn)行了測度。研究發(fā)現(xiàn),成都市寬窄巷子中的人群行為變化在行為心理的影響下,與人群密度成倒"U"形的曲線關(guān)系。當(dāng)人群密度達(dá)到1.2人/m^(2)時(shí),達(dá)到人們心理最佳的人際交往距離。這時(shí),人群在空間中自由活動(dòng)的選擇性最高,體驗(yàn)感也是最佳的,且人群行為的轉(zhuǎn)化率也是最高的。據(jù)此,基于空間的運(yùn)行效率和人群在空間中的舒適度體驗(yàn)提出優(yōu)化策略,從人群的行為需求和心理需求兩方面,對(duì)寬窄巷子的空間優(yōu)化提出具體的策略。

摘要： 傳統(tǒng)的旅游服務(wù)平臺(tái)面對(duì)數(shù)據(jù)爆炸的情況,很難提供高質(zhì)量的網(wǎng)頁服務(wù)內(nèi)容,平臺(tái)智能性需要更深入提高.因此,提出基于大數(shù)據(jù)的黔東南州民族文化旅游服務(wù)平臺(tái)研究.設(shè)計(jì)平臺(tái)通信機(jī)制,實(shí)現(xiàn)平臺(tái)內(nèi)各個(gè)模塊協(xié)同工作,使用網(wǎng)頁內(nèi)容分析技術(shù),根據(jù)互聯(lián)網(wǎng)上采集旅游相關(guān)數(shù)據(jù),建立旅游大數(shù)據(jù)感知模型,及時(shí)感知旅游數(shù)據(jù),結(jié)合景區(qū)內(nèi)游客狀態(tài),向游客推薦精準(zhǔn)的服務(wù)內(nèi)容,實(shí)現(xiàn)服務(wù)平臺(tái)的技術(shù)研究.實(shí)驗(yàn)表明,根據(jù)大數(shù)據(jù)的黔東南州民族文化旅游服務(wù)平臺(tái)的設(shè)計(jì)能夠?yàn)橛慰吞峁┖懈嘀匾獌?nèi)容的網(wǎng)頁服務(wù),平臺(tái)的智能性得到了提升.

摘要： 為保護(hù)學(xué)生人身安全,降低學(xué)生因聚集發(fā)生事故的概率,筆者設(shè)計(jì)一種基于卷積神經(jīng)網(wǎng)絡(luò)和密度分布特征的校園人群安全監(jiān)控系統(tǒng).該系統(tǒng)首先將場景中的人群依據(jù)密度進(jìn)行劃分,對(duì)于學(xué)生稀疏的情況,利用Faster RCNN對(duì)目標(biāo)區(qū)域進(jìn)行判別和分類;針對(duì)遮擋密集人群,在人群聚集處使用CSRNet進(jìn)行擁擠人群密度計(jì)算;針對(duì)口罩識(shí)別,采用Yolov3進(jìn)行口罩佩戴識(shí)別.該系統(tǒng)結(jié)合多種算法和方法將人數(shù)監(jiān)測和口罩佩戴功能相結(jié)合,及時(shí)反饋預(yù)警,以提升校園安全管理水平.

摘要： 人群同步率與行走步頻對(duì)人行橋的結(jié)構(gòu)振動(dòng)響應(yīng)影響較大,但既有隨機(jī)人群荷載模型僅由單人荷載模型組合而成,并未考慮人群密度對(duì)結(jié)構(gòu)振動(dòng)的影響,建立可描述人群行走特征的隨機(jī)人群荷載模型尤為重要.以某鋼桁架人行橋?yàn)檠芯繉?duì)象,采用現(xiàn)場振動(dòng)測試試驗(yàn)與數(shù)值模擬的方法,研究人群密度對(duì)人行橋振動(dòng)響應(yīng)的影響規(guī)律,在既有隨機(jī)人群荷載模型的基礎(chǔ)上,提出一種考慮人群同步率與行走步頻隨人群密度變化而改變的隨機(jī)人群荷載模型,并采用其他學(xué)者的相關(guān)試驗(yàn)數(shù)據(jù)對(duì)本文建立隨機(jī)人群荷載模型的正確性進(jìn)行了驗(yàn)證.研究結(jié)果表明:人群同步率和行走步頻都會(huì)隨人群密度的變化而改變;當(dāng)人群密度小于1人/m2時(shí),人行橋振動(dòng)響應(yīng)與人群密度呈正相關(guān),當(dāng)人群密度超過1人/m2,人行橋振動(dòng)響應(yīng)隨人群密度呈負(fù)相關(guān);基于人群密度的荷載模型所得到計(jì)算值與試驗(yàn)值的相對(duì)誤差為5.0％～12.2％,這證明本文建立的隨機(jī)人群荷載模型能夠較好模擬人群行走所產(chǎn)生的荷載效應(yīng).

摘要： 本文設(shè)計(jì)并實(shí)現(xiàn)了基于Echarts的交通時(shí)空管控系統(tǒng).結(jié)合當(dāng)前嚴(yán)峻的交通狀況,研究設(shè)計(jì)交通時(shí)空管控系統(tǒng)對(duì)交通狀況進(jìn)行智能監(jiān)控,以提高市民出行效率,避開人群密集區(qū)域提升市民出行體驗(yàn),也可以使得政府獲得更加精確的交通信息與市民出行的動(dòng)態(tài)信息,更好地部署基礎(chǔ)交通建設(shè),來優(yōu)化人們的生活品質(zhì).采用了Echarts作為前端開發(fā)的框架,因?yàn)槠鋵?duì)數(shù)據(jù)的可視化不僅限于數(shù)據(jù)的顯示,更重要的是可以通過后臺(tái)數(shù)據(jù)驅(qū)動(dòng),時(shí)事動(dòng)態(tài)顯示數(shù)據(jù)的流動(dòng),并且統(tǒng)計(jì)數(shù)據(jù)的變化趨勢.通過Echarts視圖展示數(shù)據(jù)信息,更有利于市民與政府更好地讀取所需的交通信息.

摘要： 宿舍是學(xué)生群體事件易發(fā)的高危區(qū)域,為了解決宿舍區(qū)域內(nèi)學(xué)生群體事件監(jiān)測手段匱乏及預(yù)警滯后的難題,從學(xué)生密集程度異常可能引發(fā)群體事件和保護(hù)學(xué)生隱私的角度出發(fā),基于毫米波傳感器的人數(shù)統(tǒng)計(jì)功能,設(shè)計(jì)了宿舍人群密度監(jiān)測系統(tǒng).系統(tǒng)通過IWR1642毫米波傳感器監(jiān)測宿舍區(qū)域內(nèi)的人數(shù),當(dāng)人群密度達(dá)到預(yù)警閥值后開啟攝像頭,并通過Wi-Fi模塊將人數(shù)信息和圖像信息傳輸至云平臺(tái).宿管人員可通過手機(jī)登錄云端查看數(shù)據(jù),并接收云端發(fā)送的報(bào)警提示信息.系統(tǒng)中攝像頭的有條件開啟可有效保護(hù)學(xué)生隱私,宿管在掌握區(qū)域內(nèi)學(xué)生數(shù)量及實(shí)時(shí)圖像后可及時(shí)采取措施制止群體事件的發(fā)生.本系統(tǒng)軟硬件結(jié)構(gòu)清晰,具有較好的應(yīng)用價(jià)值.

摘要： 隨著中國經(jīng)濟(jì)社會(huì)的快速發(fā)展,面臨著多種應(yīng)急突發(fā)事件:自然災(zāi)害、事故災(zāi)難、公共衛(wèi)生、社會(huì)安全等,嚴(yán)重影響了中國經(jīng)濟(jì)的健康發(fā)展,對(duì)百姓的生命、財(cái)產(chǎn)安全也造成了嚴(yán)重威脅.建立預(yù)警和應(yīng)急機(jī)制是保障人民生命財(cái)產(chǎn)的重要內(nèi)容,預(yù)警和應(yīng)急機(jī)制能夠把應(yīng)急信息在最短時(shí)間內(nèi)發(fā)布出去.對(duì)視頻圖像中的人群密度的檢測是實(shí)現(xiàn)應(yīng)急預(yù)警能力的先導(dǎo),也是保障人民生命財(cái)產(chǎn)的一個(gè)重要部分,預(yù)先知道人的數(shù)量能夠更好地應(yīng)對(duì)突發(fā)事件.本文針對(duì)人群密度檢測中經(jīng)常出現(xiàn)的問題,采用計(jì)算機(jī)視覺的相關(guān)技術(shù),對(duì)人群密度的相關(guān)算法進(jìn)行研究,得到基于計(jì)算機(jī)視覺人群密度檢測的設(shè)計(jì)方案.

摘要： 目前,聲景觀的評(píng)價(jià)方法已被廣泛用于室內(nèi)空間中,然而餐廳的聲景觀還沒有得到系統(tǒng)的研究.因此,本研究在對(duì)哈爾濱幾家典型餐廳問卷調(diào)查與聲學(xué)測量的基礎(chǔ)上,分析了在集中式,單獨(dú)式和分散式就餐模式下,人群密度對(duì)餐廳聲景觀評(píng)價(jià)的影響.研究發(fā)現(xiàn),當(dāng)人群密度由0.06人/m2增至0.25人/m2時(shí),集中式、單獨(dú)式、分散式餐廳的LAeq分別增加了5.6dB (A)、4.9dB (A)和3.5dB (A).在集中式就餐模式下,當(dāng)人群密度在0.10～0.15人/m2時(shí),使用者的聲舒適度評(píng)價(jià)較高;而在獨(dú)立式模式下,聲舒適度值較高的人群密度范圍是0.15 ～ 0.20人/m2.

摘要： 傳統(tǒng)的人群密度計(jì)算方法主要采用圖像或視頻監(jiān)控進(jìn)行識(shí)別估算,不能從整個(gè)城市范圍進(jìn)行精確的計(jì)算.利用移動(dòng)電話在基站后臺(tái)留下的軌跡數(shù)據(jù),對(duì)移動(dòng)基站手機(jī)接入量與人群分布的關(guān)系給出形式化的定義;建立了手機(jī)分布密度與人群密度之間的關(guān)系模型:使用馬爾科夫鏈對(duì)基站覆蓋區(qū)域的人群分布密度構(gòu)建動(dòng)態(tài)預(yù)測模型.最后利用某市主城區(qū)中國移動(dòng)的基站數(shù)據(jù)和手機(jī)軌跡數(shù)據(jù)進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果顯示,人群密度的預(yù)測精度為89.4％,為下一步開展提高人群密度的計(jì)算精度和提高人群密度預(yù)測的準(zhǔn)確性的研究工作奠定了基礎(chǔ).

摘要： 人群密度估計(jì)和人數(shù)統(tǒng)計(jì)是人群分析領(lǐng)域的研究熱點(diǎn)和難點(diǎn).針對(duì)人群分析,整理和分析了近年來關(guān)于人群密度估計(jì)和人數(shù)統(tǒng)計(jì)的算法文獻(xiàn),將人群密度估計(jì)和人數(shù)統(tǒng)計(jì)算法分為基于目標(biāo)檢測的算法、基于像素統(tǒng)計(jì)的算法、基于紋理分析的算法,系統(tǒng)介紹了文獻(xiàn)中典型的人群密度估計(jì)和人數(shù)統(tǒng)計(jì)算法,并對(duì)不同的算法優(yōu)缺點(diǎn)進(jìn)行了歸納和總結(jié)，指出基于像素統(tǒng)計(jì)的優(yōu)點(diǎn)是計(jì)算小，適用于低密度人群;基于紋理統(tǒng)計(jì)的優(yōu)點(diǎn)是可以有效解決高密度人群的重疊，但是計(jì)算量也隨之增大。在將來的研究中需要發(fā)現(xiàn)區(qū)分性、魯棒性、推廣性更好的特征來表征人群密度信息，減少分形維數(shù)特征提取的時(shí)間，同時(shí)提高算法的精度。人群密度監(jiān)控依然是智能監(jiān)控中的嶄新領(lǐng)域，需要研究者不斷發(fā)現(xiàn)、解決問題。

摘要： 為滿足智能視頻監(jiān)控系統(tǒng)的需求,本文提出一種基于人群密度和光流特征的群聚異常行為分析的算法.首先,采用高斯混合模型對(duì)場景中背景進(jìn)行建模.然后,通過前景面積和聯(lián)合二維熵對(duì)人群密度進(jìn)行估計(jì),選取光流法得到方向直方圖的熵和能量對(duì)群聚事件的運(yùn)動(dòng)特征進(jìn)行分析.最后,提出一種判斷群聚異常行為的參數(shù)指標(biāo),在不同場景下,通過設(shè)定不同的閾值區(qū)分群聚行為和其他行為,判斷群聚事件是否發(fā)生.選取BEHAVE和PEST2009標(biāo)準(zhǔn)數(shù)據(jù)集,對(duì)本文算法進(jìn)行測試,實(shí)驗(yàn)結(jié)果驗(yàn)證了本文算法的準(zhǔn)確性和有效性.

摘要： 為使灰度共生矩陣提取的特征值能較好地表達(dá)圖像紋理信息,對(duì)校園拍攝視頻的圖片序列進(jìn)行了大量實(shí)驗(yàn).首先測試了灰度共生矩陣的各構(gòu)造參數(shù)對(duì)關(guān)鍵特征值的影響,給出了特征值隨參數(shù)變化的規(guī)律,確定了構(gòu)造參數(shù)的合理取值;然后測試了不同人群密度圖片對(duì)特征值的影響.實(shí)驗(yàn)結(jié)果對(duì)于更好地構(gòu)造灰度共生矩陣、實(shí)現(xiàn)基于紋理的人群密度估計(jì)有著重要的參考意義.

摘要： 隨著2022年北京--張家口冬奧會(huì)的臨近,京津冀一體化的發(fā)展,京張高鐵八達(dá)嶺長城站的客流量屆時(shí)將顯著增加.本文按照冬奧會(huì)期間和日常早晚高峰不同時(shí)段的四種工況,對(duì)兩側(cè)站臺(tái)加寬或加長的四種站臺(tái)設(shè)計(jì)方案,建立了16種站臺(tái)行人仿真模型,應(yīng)用LEGION軟件進(jìn)行數(shù)值仿真對(duì)比分析.綜合考慮站臺(tái)層人群密度、擁擠狀態(tài)等參數(shù)的變化規(guī)律,提出了站臺(tái)優(yōu)選方案.本文的研究方法和分析結(jié)論可為火車站、地鐵站和交通樞紐設(shè)計(jì)提供參考.

摘要： 鐵路客流量大,對(duì)人群數(shù)量進(jìn)行統(tǒng)計(jì)及對(duì)人群密度進(jìn)行估計(jì)成了監(jiān)控人群活動(dòng)的關(guān)鍵技術(shù)問題.準(zhǔn)確對(duì)客流進(jìn)行統(tǒng)計(jì)分析具有重要的現(xiàn)實(shí)意義,鑒于此本文針對(duì)鐵路客運(yùn)及其特殊的應(yīng)用環(huán)境進(jìn)行分析,對(duì)基于視頻圖像分析的鐵路客流統(tǒng)計(jì)技術(shù)進(jìn)行了研究.

摘要： 商業(yè)步行街作為一種城市公共空間,是市民和游客休閑娛樂和從事社會(huì)活動(dòng)的重要場所,因此商業(yè)步行街的聲環(huán)境顯得尤為重要.如何利用聲景觀改善商業(yè)步行街的聲環(huán)境是亟待解決的一個(gè)科學(xué)問題.本文以哈爾濱市中央大街步行街為例,通過問卷調(diào)查和客觀測量相結(jié)合,主要研究了聲源類型和人群密度對(duì)商業(yè)步行街聲景觀的影響.研究表明使用者的聲舒適度與聲源類型有關(guān),自然聲和音樂聲的聲舒適度較高為4.2-4.8,交通噪聲和施工聲雖然主觀響度不高,但是聲舒適度較低,僅為2.8.在不同典型區(qū)域,人群密度對(duì)聲舒適度的影響也不同.在毗鄰車型路的購物區(qū)域,隨著人群密度的增加,聲舒適度隨之增加.而在購物區(qū)域,隨著人群密度從0增加到0.25人/平方米,聲舒適度增加,而當(dāng)人群密度大于0.25人/平方米時(shí),聲舒適度降低.以上研究表明通過聲源和人群密度可以有效地改善商業(yè)步行街的聲景觀,為建立商業(yè)步行街聲景觀預(yù)測模型奠定了基礎(chǔ).

摘要： 首先對(duì)"5.12"汶川地震的錄像進(jìn)行分析,并對(duì)2009年春運(yùn)期間北京火車站內(nèi)的人員疏散速度進(jìn)行實(shí)地測量,獲得了"5.12"汶川地震中的預(yù)疏散時(shí)間及進(jìn)站通道、站臺(tái)、出站通道等不同區(qū)域內(nèi)的人員疏散速度,研究了密度、年齡、性別對(duì)疏散速度的影響,為完善我國人員疏散基礎(chǔ)信息、進(jìn)一步研究人員疏散規(guī)律提供了一定的參考.

摘要： 本發(fā)明公開一種人群異常行為與人群密度識(shí)別方法，包括：計(jì)算待檢測的視頻第i幀和第i+1幀間每個(gè)像素點(diǎn)的位移矢量；提取運(yùn)動(dòng)區(qū)域前景并進(jìn)行二值化處理，獲得二值化后的運(yùn)動(dòng)區(qū)域前景圖像；計(jì)算二值化后的運(yùn)動(dòng)區(qū)域前景圖像的每個(gè)像素點(diǎn)的位移距離，剔除位移較小的像素點(diǎn)；對(duì)于剩余的像素點(diǎn)，求x方向和y方向的二階微分，得到空間特征點(diǎn)；計(jì)算以每個(gè)空間特征點(diǎn)為核心的一定規(guī)格鄰域的沿x軸方向和沿y軸方向的平均位移矢量；對(duì)于第i+1幀和第i+2幀視頻，重復(fù)前面的步驟;計(jì)算第i幀至第i+1幀間視頻的矢量和第i+1幀至第i+2幀間視頻的矢量的差，并進(jìn)行統(tǒng)計(jì)生成全局特征向量；將全局特征向量輸入支持向量機(jī)訓(xùn)練，分別對(duì)人群異常和人群密度進(jìn)行分類訓(xùn)練。

摘要： 本發(fā)明公開了一種基于密度圖的人群密度分析與檢測定位方法，將用于訓(xùn)練的數(shù)據(jù)集中的人群圖像進(jìn)行預(yù)處理，利用高斯濾波器轉(zhuǎn)化為二維的人群密度圖像，其次設(shè)計(jì)一種深度分離空洞卷積網(wǎng)絡(luò)模型學(xué)習(xí)輸入圖像與人群密度圖像之間的特征映射函數(shù)，實(shí)現(xiàn)端到端的預(yù)測模型，并對(duì)預(yù)測密度圖像素值積分求和實(shí)現(xiàn)人群計(jì)數(shù)，最后將預(yù)測得到的人群密度圖輸入至RetinaNet目標(biāo)檢測網(wǎng)絡(luò)實(shí)現(xiàn)人頭檢測與定位。本發(fā)明實(shí)現(xiàn)在人群高度密集場景下人頭與非人頭的分類，能夠解決高度密集場景下的人群密度分析無法提供具體定位以及人群檢測中的漏檢問題。

摘要： 本發(fā)明屬于人群分析技術(shù)領(lǐng)域，為基于CNN低層語義特征密度圖的人群密度估計(jì)方法，包括步驟：數(shù)據(jù)的預(yù)處理，根據(jù)原圖像的行人位置生成密度圖；對(duì)原圖像和密度圖進(jìn)行切片；對(duì)原圖像進(jìn)行MCNN多分支特征提取，對(duì)各分支特征進(jìn)行卷積、池化操作后，通過MCNN特征圖融合器對(duì)各分支特征進(jìn)行連接得到MCNN連接特征圖，并對(duì)其進(jìn)行卷積操作得到初始的MCNN密度圖；對(duì)原圖像進(jìn)行卷積得到具有低層語義特征圖；將低層語義特征圖與MCNN多分支特征提取后各分支生成的特征圖在通道數(shù)這一維度進(jìn)行連接，得到連接特征圖；用若干層卷積層對(duì)連接特征圖進(jìn)行解碼，生成最終的密度圖；對(duì)最終密度圖的每個(gè)像素相加求和，得到圖片中的人數(shù)。MAE、MSE較低，準(zhǔn)確率和穩(wěn)定性都較高。

摘要： 本發(fā)明涉及一種人群密度檢測模型訓(xùn)練方法和人群密度檢測方法，包括：獲取樣本圖像輸入人群密度檢測模型中的預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型，得到第一樣本特征圖、第二樣本特征圖以及各密集度的樣本概率值，將其輸入預(yù)設(shè)選擇網(wǎng)絡(luò)模型，確定出樣本目標(biāo)特征圖；將各密集度的樣本概率值輸入預(yù)設(shè)構(gòu)建網(wǎng)絡(luò)模型構(gòu)建樣本概率值特征圖；將樣本目標(biāo)特征圖和樣本概率值特征圖輸入預(yù)設(shè)特征融合網(wǎng)絡(luò)模型生成樣本人群密度圖；將樣本人群密度圖和樣本圖像組成特征圖、預(yù)先標(biāo)記的標(biāo)簽密度圖和樣本圖像組成的特征圖輸入預(yù)設(shè)的判別器網(wǎng)絡(luò)，得到人群密度檢測模型的損失，根據(jù)損失對(duì)人群密度檢測模型進(jìn)行訓(xùn)練。提高了得到的人群密度檢測模型的準(zhǔn)確度。

摘要： 本發(fā)明提出了基于知識(shí)圖譜與區(qū)域人群密度的人群擁堵預(yù)測方法及系統(tǒng)，通過對(duì)疏散場景進(jìn)行區(qū)域劃分，計(jì)算各個(gè)區(qū)域的人群密度來判定區(qū)域狀態(tài)和獲取區(qū)域人群聚集速度，同時(shí)構(gòu)造一個(gè)基于概率的區(qū)域選擇模型預(yù)測人群的移動(dòng)方向，最終構(gòu)建疏散場景的區(qū)域狀態(tài)知識(shí)圖譜，利用知識(shí)圖譜預(yù)測人群擁堵；將知識(shí)圖譜引入到人群疏散擁堵預(yù)測的領(lǐng)域，通過對(duì)疏散場景中各區(qū)域的擁擠狀態(tài)的計(jì)算和整理，構(gòu)建了區(qū)域狀態(tài)知識(shí)圖譜，完善了模型對(duì)于區(qū)域擁擠狀態(tài)預(yù)測的過程，深度提高了模型的表征能力和預(yù)測效果，對(duì)于提高人群擁堵預(yù)測效果和人群疏散效率具有深遠(yuǎn)的意義。

摘要： 本發(fā)明涉及計(jì)算機(jī)視覺技術(shù)領(lǐng)域，公開了一種人群密度估計(jì)的識(shí)別及人群行為分析算法，具備系統(tǒng)會(huì)自動(dòng)提醒各個(gè)點(diǎn)位異常情況，會(huì)預(yù)測客流高峰期提前做好部署方案，出現(xiàn)危險(xiǎn)狀況之后，系統(tǒng)自動(dòng)做出連鎖反應(yīng)，將人民的生命財(cái)產(chǎn)安全損失降至最低的優(yōu)點(diǎn)。本發(fā)明人群密度估計(jì)識(shí)別系統(tǒng)，利用當(dāng)前先進(jìn)的機(jī)器視覺、圖形圖像視頻分析技術(shù)、人體模式識(shí)別技術(shù)、人工智能機(jī)器學(xué)習(xí)技術(shù)，以秒級(jí)的速度偵測預(yù)設(shè)區(qū)域的移動(dòng)人流密度、節(jié)點(diǎn)客流數(shù)量、排隊(duì)長度統(tǒng)計(jì)，可以有效地排除光、影、熱的影響，每兩分鐘自我校準(zhǔn)，排除檢測區(qū)域內(nèi)的干擾物體，當(dāng)所監(jiān)控的客流數(shù)量達(dá)到設(shè)定的閾值時(shí)，進(jìn)行客流報(bào)警，并啟動(dòng)相應(yīng)的預(yù)警方案，防止產(chǎn)生安全事故。

摘要： 本發(fā)明公開了一種基于人群密度和行人速度的人群安全程度評(píng)估方法，其內(nèi)容包括：以獲取的視頻幀圖像的前景面積和周長構(gòu)成特征向量，采用神經(jīng)網(wǎng)絡(luò)模型回歸預(yù)測出人群密度；基于LK光流改進(jìn)的金字塔Lucas?Kanade光流算法處理連續(xù)圖像幀，求取行人速度，即不同行人個(gè)體運(yùn)動(dòng)的平均速度；構(gòu)建模糊推理系統(tǒng)，評(píng)估人群安全等級(jí)：選擇評(píng)價(jià)因素及確定其隸屬度函數(shù)；建立人群屬性與安全風(fēng)險(xiǎn)規(guī)則庫，根據(jù)規(guī)則庫對(duì)輸入進(jìn)行模糊推理；對(duì)推理結(jié)果進(jìn)行去模糊化，進(jìn)而評(píng)估出人群安全風(fēng)險(xiǎn)等級(jí)。本發(fā)明對(duì)人群密度、行人速度和輸出人群安全風(fēng)險(xiǎn)等級(jí)建立數(shù)學(xué)模型，采用模糊推理方法來確定人群屬性各要素對(duì)預(yù)警等級(jí)的影響，設(shè)計(jì)合理，操作簡單，提高了實(shí)際應(yīng)用性。

摘要： 本發(fā)明公開一種人群異常行為與人群密度識(shí)別方法，包括：計(jì)算待檢測的視頻第i幀和第i+1幀間每個(gè)像素點(diǎn)的位移矢量；提取運(yùn)動(dòng)區(qū)域前景并進(jìn)行二值化處理，獲得二值化后的運(yùn)動(dòng)區(qū)域前景圖像；計(jì)算二值化后的運(yùn)動(dòng)區(qū)域前景圖像的每個(gè)像素點(diǎn)的位移距離，剔除位移較小的像素點(diǎn)；對(duì)于剩余的像素點(diǎn)，求x方向和y方向的二階微分，得到空間特征點(diǎn)；計(jì)算以每個(gè)空間特征點(diǎn)為核心的一定規(guī)格鄰域的沿x軸方向和沿y軸方向的平均位移矢量；對(duì)于第i+1幀和第i+2幀視頻，重復(fù)前面的步驟;計(jì)算第i幀至第i+1幀間視頻的矢量和第i+1幀至第i+2幀間視頻的矢量的差，并進(jìn)行統(tǒng)計(jì)生成全局特征向量；將全局特征向量輸入支持向量機(jī)訓(xùn)練，分別對(duì)人群異常和人群密度進(jìn)行分類訓(xùn)練。

摘要： 本發(fā)明公開了一種基于密度圖的人群密度分析與檢測定位方法，將用于訓(xùn)練的數(shù)據(jù)集中的人群圖像進(jìn)行預(yù)處理，利用高斯濾波器轉(zhuǎn)化為二維的人群密度圖像，其次設(shè)計(jì)一種深度分離空洞卷積網(wǎng)絡(luò)模型學(xué)習(xí)輸入圖像與人群密度圖像之間的特征映射函數(shù)，實(shí)現(xiàn)端到端的預(yù)測模型，并對(duì)預(yù)測密度圖像素值積分求和實(shí)現(xiàn)人群計(jì)數(shù)，最后將預(yù)測得到的人群密度圖輸入至RetinaNet目標(biāo)檢測網(wǎng)絡(luò)實(shí)現(xiàn)人頭檢測與定位。本發(fā)明實(shí)現(xiàn)在人群高度密集場景下人頭與非人頭的分類，能夠解決高度密集場景下的人群密度分析無法提供具體定位以及人群檢測中的漏檢問題。

摘要： 本發(fā)明屬于人群分析技術(shù)領(lǐng)域，為基于CNN低層語義特征密度圖的人群密度估計(jì)方法，包括步驟：數(shù)據(jù)的預(yù)處理，根據(jù)原圖像的行人位置生成密度圖；對(duì)原圖像和密度圖進(jìn)行切片；對(duì)原圖像進(jìn)行MCNN多分支特征提取，對(duì)各分支特征進(jìn)行卷積、池化操作后，通過MCNN特征圖融合器對(duì)各分支特征進(jìn)行連接得到MCNN連接特征圖，并對(duì)其進(jìn)行卷積操作得到初始的MCNN密度圖；對(duì)原圖像進(jìn)行卷積得到具有低層語義特征圖；將低層語義特征圖與MCNN多分支特征提取后各分支生成的特征圖在通道數(shù)這一維度進(jìn)行連接，得到連接特征圖；用若干層卷積層對(duì)連接特征圖進(jìn)行解碼，生成最終的密度圖；對(duì)最終密度圖的每個(gè)像素相加求和，得到圖片中的人數(shù)。MAE、MSE較低，準(zhǔn)確率和穩(wěn)定性都較高。