校园智能人群密度实时视频分析及预警软件设计

孙铁柱

摘要：家长和社会各界都对学生的安全和成长给予了极大关注。在当今校园中，如教学楼走廊、图书馆及食堂等空间相对狭小，无论是人群基数、人流量还是人群密度都非常大。智能人群密度实时视频分析及预警系统主要用于防止人员过于密集时产生的群体性拥挤、踩踏等重大安全隐患，其进一步的优化研究迫在眉睫。通过多个高斯概率密度函数的加权平均来平滑地近似任意形状的密度分布函数，能够处理多模态情况而且自适应的模型。

关键词：安全 实时视频分析 预警系统 自适应的模型

一、校园人群密度视频分析的意义

学生是受关爱的群体，家长和社会各界都对他们的健康成长和人身安全给予了极大关注。然而目前，无论是中小学还是高校，都在不断的扩招，导致学生人数急剧增长。在校园中如教学楼走廊、图书馆及食堂等空间相对狭小，无论是人群基数、人流量还是人群密度都非常大，且在上、下课或用餐等特定时刻人群过于集中的特殊环境中，如果没有科学完善的保障和管理措施，极有可能造成更多的严重灾难。

智能人群密度实时视频分析及预警系统主要用于防止人员过于密集时产生的群体性拥挤、踩踏等重大安全隐患，与目前智能监控系统的其他功能相比，该功能保护的人数更多，所针对的灾难的伤害程度更为巨大。因此，人群密度的实时视频分析及预警对于保障人民生命安全意义极其重大。

二、人群密度分析的主要方法

传统的人群密度监控是通常是采用人工的方式，通常具有较强的主观色彩，这种情形下容易出现发现不及时或者警报发出错误的情形，且采用人工的方式不能实现全天候监控、实时报警等相关问题，已经不能满足要求。现今信息技术的快速发展，智能人群聚集密度的监测相关设计研究借助于数字图像处理方法，实现对特定人群的自动监测并实时报警等。如果把人群看作一个物理整体，那么可以用两个物理量来表征这个整体所处的状态：密度和人数。

目前智能人群密度估计主要有以下方法：

（1）基于像素點统计的人群密度估计。该类方法主要通过背景减，边缘检测等技术，得到能表征人群密度的特征，在特征空间中统计属于人群的像素个数进行分类。比较有代表性的是Siu-Yeung Cho，T.Coianiz，A N.Mamna等的工作。这类方法简单直观，但仅适用于人群密度较低场合，不能适应个体重叠现象，密度较高时误差较大。

（2）基于纹理分析的人群密度估计。该类方法把人群图像当作纹理来处理，认为高密度人群具有较细的纹理模式，而低密度人群的纹理模式较粗。因此通过纹理分析来提取人群图像的纹理信息作为分类的特征.比较有代表性的有A.N.Mamna，Xinyu Wu等的工作。这类方法在不同人群密度情况均有较好表现，在人群密度估计方法中占主导地位。

（3）基于个体特征的人群密度估计。Sheng-Fuu Lin的工作，它为真正实现人数估计提供了新的研究思路，但计算复杂度高，且通用性较差。

三、系统总体设计方案

系统首先由模拟摄像机采集视频序列，然后将视频信号通过视频线传到视频服务器的编码器，编码器将采集到的模拟视频信号转成数字信号，再通过网络交换机和双绞线将信号传输给终端控制平台，即PC机，最后在终端控制平台上运行软件系统。系统总体结构如图3.1所示。校园中人数众多，特别在上、下课时间人流量和人流密度都非常大，拥堵现象十分严重，此时非常容易产生人与人之间的碰撞，或人与车之间的刮蹭，甚至发生踩踏事故，因此需要保安人员及时发现并对人流进行疏导。我们线性拟合了前景像素面积和人数的线性关系，通过这一关系判断出场景中某一区域人数或前景密度是否超过经试验得到的阈值，若超过，我们就认定此区域内人员过于密集，有可能发生安全隐患。此时系统会立即自动启动语音提示功能提醒场景中的人员注意安全，并同时通过提示音和警示灯等方式提醒安保人员对该区域予以关注，并及时进行人员疏散，防止踩踏等意外事件发生。有关调查表明，由于在极度拥挤的情况下，人们心理上往往会很焦虑，甚至会产生紧张、恐惧的情绪，人群中这种情绪的积累会导致意外事故发生率的提高。为了避免焦虑、恐慌等情绪在拥挤人群中的积累，我们还会在非上课时间，通过广播舒缓的轻音乐的方式来缓解人们的紧张情绪，以此作为一种辅助功能，尽最大可能的避免踩踏等恶性安全事故的发生。软件系统运用GMM（混合高斯背景建模）算法对图像序列进行前景提取，在HSV色彩空间下完成了阴影消除，通过连通域的检测计算出前景面积，再将前景面积和人数之间的关系用最小二乘法进行线性拟合，得到它们准确的对应关系。当发现异常时，系统将以警报音和警示灯的形式及时主动地向安保人员报警。

四、结束语

目前，常用的运动目标识别方法有：背景差法、帧差法和光流法和背景建模法等。背景差法通过当前帧与背景相减得到前景图像，可以得到比较完整的运动目标信息，计算速度快，但实现实时监控较难。帧差法能较好地克服场景光线变化，但当表面的大部分灰度相近时，会产生“孔洞”不能完全提取出目标的所有信息。本系统的检测模块采用的是背景建模法中的GMM（混合高斯背景建模），它通过多个高斯概率密度函数的加权平均来平滑地近似任意形状的密度分布函数，能够处理多模态情况而且自适应的模型。