КАК ВЫПОЛНЯЕТСЯ ДЕТЕКТИРОВАНИЕ СКОПЛЕНИЯ ЛЮДЕЙ В ГОРОДЕ С ПОМОЩЬЮ ВИДЕОКАМЕР

Модуль подсчета людей в скоплениях (детектор толпы) выступает важным инструментом обеспечения безопасности и порядка на улицах, площадях, вокзалах.

Администратор системы видеонаблюдения задает пороговое значение, при превышении которого данное количество людей в данной области кадра будет считаться скоплением, а система - выдавать предупреждение.

Все методы детектирования скопления людей и их подсчета можно условно разделить на две группы. В первую группу входят детекторы, которые анализируют характеристики толпы в целом и строят ее модель, после чего определяют количество людей в ней. Во второй группе детекторы работают с отдельными объектами в толпе и производят их подсчет.

Рис. 1. Группы методов детектирования скопления людей и их подсчета

1. Подсчет по площадям

Метод подходит для работы с толпами, люди в которых совершают движения и перемещения, и основан на результатах работы детектора движения. В кадре выделяются прямоугольные области движения, соответствующие скоплению людей, а также маски движения внутри этих областей. Маски соответствуют изменяющимся пикселям, которые и характеризуют очертания толпы. Выделив очертания толпы, метод определяет ее площадь.

Рис. 2. Подсчет людей по занимаемым площадям на получаемом изображении

Детектор определяет число людей путем деления площади движущейся области (толпы) на площадь изображения одного человека в данной области.

Поскольку толпа может занимать любое положение в кадре, а область наблюдения камеры может быть довольно широкой, детектор должен учитывать влияние перспективы на площадь, занимаемую в кадре одним человеком. Поэтому, прежде чем запустить подсчет, администратору системы необходимо задать размеры человека на ближнем и дальнем плане кадра.

Люди могут также перекрывать друг друга, что влияет на занимаемую площадь (одни попадают в кадр целиком - первый ряд скопления, другие - частично). Чтобы учесть это при расчете числа людей, метод анализирует рамку движения и определяет степень ее заполнения изменяющимися пикселями, а далее вычисляет коэффициент перекрытия.

Метод подсчета по площадям определяет количество людей в скоплении с точностью около 70%; результаты его работы напрямую зависят от качества работы детектора движения.

2. Подсчет по особым точкам

Особые точки - это места изображения, где цветовой градиент имеет локальные максимумы. Они будут найдены в углах тела, на пересечениях контуров, изломах одежды и т.п.

Рис. 3. Особые точки на теле человека, различаемые программным обеспечением

Метод работает с движущимися областями кадра и ищет в них особые точки, где изменение цветового градиента происходит сразу в двух направлениях. Cоотнеся количество особых точек в движущейся области с количеством особых точек, приходящихся на одного человека, модуль определяет искомое число людей в толпе.

Основная сложность заключается в определении количества особых точек одного человека, так как оно не является постоянным и также зависит от степени перекрытия человека другими людьми, от освещенности, положения камеры, ее настроек и т.п. Поэтому чаще всего данный метод используется совместно с другими методами подсчета, например с методом подсчета по площади. Во время такой совместной работы происходит "обучение" алгоритмов метода подсчета по особым точкам на последовательности нескольких кадров: анализируются результаты метода подсчета по площадям и количество особых точек в области движения, вычисляется среднее количество точек, приходящееся на одного человека.

Данный метод накладывает ряд ограничений: во-первых, ведется подсчет только в движущейся толпе; во-вторых, точность данного метода зависит от точности работы других методов подсчета, на чьих результатах происходит "обучение".

3. Детектирование толпы по текстуре

Данный метод предполагает, что камера охватывает большую зону наблюдения, а скопление людей плотное и находится в дальней части кадра. Если анализировать изображение такого скопления, оно представляет собой комбинацию составляющих, складывающихся в определенный узор. То есть изображение имеет особую структуру, которую и детектирует алгоритм метода, а далее, анализируя ее и определяя периодичность расположения элементов узора толпы, делает вывод о числе людей.

Это самый неточный из представленных методов, его погрешность составляет около 50%. Однако он может успешно применяться, например, для оценки количества участников массовых мероприятий, когда счет идет не на десятки, а на сотни и тысячи людей.

4. Детектирование изображений голов

Метод анализирует, сколько изображений голов содержится в интересующей области кадра, и делает вывод о числе людей. Для поиска изображения голов в кадре используется классификатор, который в общем случае можно адаптировать под распознавание любых объектов или их частей. Поиск и подсчет изображений голов выбран не случайно: несмотря на то что люди могут находиться в любой части кадра, хаотично располагаться внутри толпы, перекрывать друг друга, их головы почти всегда попадают в поле зрения камеры. К тому же голова имеет характерную форму, одинаковую для всех людей, поэтому ее изображение может выступить универсальным инструментом подсчета. Алгоритмы метода анализируют каждый кадр, при этом учитывается перспектива.

Рис. 4. Подсчет по изображениям голов людей в толпе

Сложность использования данного метода заключается в том, что он требует высокого разрешения картинки с камеры, а изображение головы должно быть не меньше и не больше определенных размеров. Слишком маленькие и слишком большие изображения подсчитываться не будут. Возможны и ложные срабатывания классификатора на предметы округлой формы в кадре (например, фонари и т.п.) и пропуск изображений голов на сложном фоне или в плотной толпе.

Как показывает статистика, в случаях неверных подсчетов метода по изображению голов занижение результата происходит чаще, чем завышение. В то же время метод подсчета по площади в случае ложных срабатываний чаще всего завышает результат. Эти занижения и завышения имеют примерно одинаковое значение для одних и тех же сцен, поэтому, чтобы скомпенсировать погрешности, эти методы применяют в комплексе. Детекторы ищут число людей в скоплении по площади и по количеству изображений голов, а результатом выступает среднее значение.

5. Подсчет по траекториям движения

Данный метод работает в связке с модулем трекинга. Алгоритмы анализируют характер движения объектов в заранее обозначенной оператором области кадра, составляют карту движения из траекторий и направлений перемещений объектов. При этом одни алгоритмы предполагают классификацию и учитывают траектории передвижения только людей, другие ведут работу с любыми движущимися объектами. Подсчет осуществляется по детектированным траекториям объектов в заданной области.

К преимуществам данного метода относится в первую очередь высокая точность подсчета: даже если люди в скоплении находятся близко друг к другу или сильно перекрываются, анализируются не их изображения, а их перемещения. Перемещения индивидуальны, что позволяет отделить практически каждого человека.

Точность, сложность, погрешность

Различные программные продукты реализуют различные методы для подсчета людей в скоплениях, предоставляющие разные по точности результаты и накладывающие различные требования и ограничения по размещению видеокамер, их настройкам и положению скоплений в кадре.

1. Наиболее точным, но и сложным в реализации является метод подсчета людей по их траекториям.

2. Наиболее высокую погрешность дает метод анализа текстур.

3. Три оставшихся метода - подсчет по площадям, изображениям голов и особым точкам - оказываются точны в среднем в 70% случаев и зачастую используются вместе для вычисления более точного результата, так как одни чаще завышают значение количества людей, другие занижают на примерно одинаковую величину.

Источник: Security-bridge.com

- https://www.security-bridge.com/biblioteka/stati_po_bezopasnosti/

effekt_tolpy_ili_detektirovanie_skopleniya_lyudej_v_gorode/

Опубликовано: 1.04.2014

---

Вернуться на главную страницу ...	Вернуться к началу статьи ...