一种基于前景目标分割的旅客尾随监测方法

摘要

本发明公开了一种基于前景目标分割的旅客尾随监测方法，其包括有如下步骤：步骤S1，监测系统进行图像采集；步骤S2，模式选择；步骤S3，尾随监测：监测系统针对所采集的图像，利用深度神经网络模型进行行人图像的像素级分割，之后多帧综合判断分割图像中是否存在大于一人的情况，若存在，则向主控电脑发出“尾随报警”信号；步骤S4，闯入监测：监测系统将当前图像和背景图像做比较，并将监测区域分成多个子区域，若子区域内有物体出现，则向主控电脑发出“闯入报警”信号；步骤S5，结束监测。本发明大大提高了监测准确率，减少了工作人员的工作强度，同时成本低廉、易于实现。

说明书

技术领域

本发明涉及行人监测方法，尤其涉及一种基于前景目标分割的旅客尾随监测方法。

背景技术

行人监测系统在车站等人群密集处较为常见，现有的自助通道设有两道门来隔离旅客，要求每次只能一个旅客通过通道，在该旅客完成查验并离开通道后，才也许下一个旅客进入通道，也不允许大人带小孩进入通道，但在实际使用中存在有人以多种方式(包括直立行走、蹲行、爬行或弯腰前行等)随同正常旅客进入通道，也存在大人带小孩进入通道的情况。应对这些问题，现有的行人监测方法包括如下几种：

第一种是光幕监测物体，光幕的一边等间距安装有多个红外发射管，另一边相应的有相同数量同样排列的红外接收管，每一个红外发射管都对应有一个相应的红外接收管，且安装在同一条直线上。当同一条直线上的红外发射管、红外接收管之间没有障碍物时，红外发射管发出的调制信号(光信号)能顺利到达红外接收管。红外接收管接收到调制信号后，相应的内部电路输出低电平，而在有障碍物的情况下，红外发射管发出的调制信号(光信号)不能顺利到达红外接收管，这时该红外接收管接收不到调制信号，相应的内部电路输出为高电平。当光幕中没有物体通过时，所有红外发射管发出的调制信号(光信号)都能顺利到达另一侧的相应红外接收管，从而使内部电路全部输出低电平。这样，通过对内部电路状态进行分析就可以监测到物体存在与否的信息。光幕传感器技术的缺陷在于，对于通道是否有人进入能准确监测出来，两个人并排进入或者两个瘦小的人紧跟进入，无法区分是一人还是两人，会引起漏报或者误报，如有灰尘阻碍红外射线的发射和接受，会造成误报警。对于旅客携带的大件行李也可能误判为人。

第二种是深度图像分析，将深度图分层切分，对每一层进行连通域的分析，判断是否有两人特征出现；下层，有两个独立连通域，通过帧间差监测是否有运动轨迹，则可初步判断为两个人，再通过多层联合分析，比如有三个层满足以上条件，则向主控电脑发出“尾随报警”信号。如果没有监测信号，则进入闯入监测。深度图像分析技术的缺陷在于，前人背登山包和两人前后拥抱进入，在深度图上层切分图中都类似圆形，难以区分，会引起误报或者漏报；后人蹲行爬行和前人拖着大件行李难以区分，也会引起误报或者漏报。

第三种是目标监测算法，使用常规目标监测算法将通道中的行人监测出来，通过监测到的行人数量确定是否有尾随情况出现，监测出单人，正常通过，监测出两个及以上单人则报警。目标监测算法的缺陷在于，由于视场角的问题，双人成像极易发生重叠，此时目标监测算法输出的矩形框结果具有极大的偏差性，难免出现误检漏检。

发明内容

本发明要解决的技术问题在于，针对现有技术的不足，提供一种基于前景目标分割的旅客尾随监测方法，用以实现在有多人进入通道时发出精准报警，并达到监测时间短、监测范围广、可准确监测到尾随者并及时报警等效果。

为解决上述技术问题，本发明采用如下技术方案。

一种基于前景目标分割的旅客尾随监测方法，该方法基于监测系统和主控电脑实现，所述方法包括有如下步骤：步骤S1，所述监测系统进行图像采集；步骤S2，模式选择：所述监测系统根据主控电脑发送的控制指令进行模式选择，若进入尾随监测模式，则执行步骤S3，若进入闯入监测模式，则执行步骤S4；步骤S3，尾随监测：所述监测系统针对所采集的图像，利用深度神经网络模型进行行人图像的像素级分割，之后多帧综合判断分割图像中是否存在大于一人的情况，若存在，则向所述主控电脑发出“尾随报警”信号；步骤S4，闯入监测：所述监测系统将当前图像和背景图像做比较，并将监测区域分成多个子区域，若子区域内有物体出现，则向主控电脑发出“闯入报警”信号；步骤S5，结束监测：所述监测系统若收到主控电脑发送的“结束监测”指令，则停止监测，若未收到“结束监测”指令，则持续预设时间后自动结束监测。

优选地，所述步骤S1中，所述监测系统采集的图像为彩色视频图像。

优选地，所述步骤S1之后还包括等待监测步骤：所述监测系统根据背景图像的变化来确定是否有物体进入，并等待主控电脑发出控制指令。

优选地，所述步骤S2中，当有人刷卡进入监测区域时，所述主控电脑向所述监测系统发送控制指令。

优选地，所述步骤S3中，所述深度神经网络模型由所述监测系统通过提前离线训练得出。

优选地，所述步骤S4中，所述监测系统将监测区域分成5个子区域。

优选地，所述步骤S5中，若未收到“结束监测”指令，则所述监测系统持续5秒后自动结束监测。

优选地，所述步骤S5中，若所述监测系统未生成“尾随报警”信号和“闯入报警”信号，则显示“正常通过”。

优选地，还包括步骤S6，复位：当行人离开监测区域后关闭出口，所述监测系统接收主控电脑发出的“清除报警”指令，并更新背景图像。

优选地，所述监测区域为行人通道。

本发明公开的基于前景目标分割的旅客尾随监测方法，其相比现有技术而言的有益效果在于，所述监测系统通过尾随监测和闯入监测，能准确有效地发现多人进入通道的情况并给出报警，同时保存防尾随视频，相比现有技术而言，有效减少了误报和漏报，大大提高了监测准确率，减少了工作人员的工作强度，同时成本低廉、易于实现。

附图说明

图1为本发明基于前景目标分割的旅客尾随监测方法流程图。

具体实施方式

下面结合附图和实施例对本发明作更加详细的描述。

本发明公开了一种基于前景目标分割的旅客尾随监测方法，请参照图1，该方法基于监测系统和主控电脑实现，所述方法包括有如下步骤：

步骤S1，所述监测系统进行图像采集；

步骤S2，模式选择：所述监测系统根据主控电脑发送的控制指令进行模式选择，若进入尾随监测模式，则执行步骤S3，若进入闯入监测模式，则执行步骤S4；

步骤S3，尾随监测：所述监测系统针对所采集的图像，利用深度神经网络模型进行行人图像的像素级分割，之后多帧综合判断分割图像中是否存在大于一人的情况，若存在，则向所述主控电脑发出“尾随报警”信号；

步骤S4，闯入监测：所述监测系统将当前图像和背景图像做比较，并将监测区域分成多个子区域，若子区域内有物体出现，则向主控电脑发出“闯入报警”信号；

步骤S5，结束监测：所述监测系统若收到主控电脑发送的“结束监测”指令，则停止监测，若未收到“结束监测”指令，则持续预设时间后自动结束监测。

上述方法中，所述监测系统通过尾随监测和闯入监测，能准确有效地发现多人进入通道的情况并给出报警，同时保存防尾随视频，相比现有技术而言，有效减少了误报和漏报，大大提高了监测准确率，减少了工作人员的工作强度，同时成本低廉、易于实现。

关于所采集的图像，所述步骤S1中，所述监测系统采集的图像为彩色视频图像。

本实施例中，所述步骤S1之后还包括等待监测步骤：所述监测系统根据背景图像的变化来确定是否有物体进入，并等待主控电脑发出控制指令。

进一步地，所述步骤S2中，当有人刷卡进入监测区域时，所述主控电脑向所述监测系统发送控制指令。

作为一种优选方式，所述步骤S3中，所述深度神经网络模型由所述监测系统通过提前离线训练得出。

本发明方法的步骤S4中，所述监测系统将监测区域分成5个子区域。

作为一种优选方式，所述步骤S5中，若未收到“结束监测”指令，则所述监测系统持续5秒后自动结束监测。

在正常通行的情况下，所述步骤S5中，若所述监测系统未生成“尾随报警”信号和“闯入报警”信号，则显示“正常通过”。

本实施例还包括步骤S6，复位：当行人离开监测区域后关闭出口，所述监测系统接收主控电脑发出的“清除报警”指令，并更新背景图像。

本实施例中，所述监测区域为行人通道。

本发明公开的基于前景目标分割的旅客尾随监测方法，如图1所示，其实际应用过程中的执行过程可参考如下实施例：

步骤1，彩色视频图像采集。

步骤2，等待监测：通过背景差确定是否有物体进入，并等待通道主控电脑发来的各种指令信号。

步骤3，启动监测模式：当有人刷卡进入通道时，主控电脑发来“开始监测”指令，进入尾随模式监测，若未收到“开始监测”指令，则进入闯入模式监测。

步骤4，尾随监测：对输入的图像用提前离线训练完成的深度神经网络模型，进行行人的像素级分割，然后多帧综合判断分割图像中是否存在大于一人的情况，如果发现有多人存在，则向主控电脑发出“尾随报警”信号。

步骤5，闯入监测：将当前图像和背景做比较，将通道区域分成5个小区域，若发现有物体在出口处，则向主控电脑发出“闯入报警”信号。

步骤6，结束监测：若收到主控电脑发来的“结束监测”指令，则停止监测，若没有，则5秒后自动结束监测。若未发现报警，则显示“正常通过”。

步骤7，复位：人出去后，关闭出口门，接收主控电脑发来的“清除报警”指令，更新背景。

本发明公开的基于前景目标分割的旅客尾随监测方法，基于深度学习的实例分割算法Mask RCNN可以实现对前景目标的精准像素级类别预测，Mask RCNN分成三个部分，第一个是主干网络用来进行特征提取，第二个是头结构用来做边界框识别(分类和回归)，第三个就是掩膜预测用来对每一个前景目标进行像素级分割。针对通道防尾随场景，考虑到处理对象只会是人，背包行李是背景类，采用实例分割算法可以针对防尾随通道的复杂场景进行像素级甄别，如双人紧抱在一起，前人正常站立后人蹲下，弯腰均可正常检出；特别是针对婴儿和小孩，采用像素级分割可以很精准的利用小孩和婴儿与行李的细节差异性区分开来，减少误检。针对嵌入式设备部署，将Mask RCNN主干网络替换成在专为移动端设计的Mobilenet网络结构，实现了对防尾随场景的实时防尾随监控。相比现有技术而言，本发明可以监测有人(一人或多人)以多种方式随同旅客进入通道的情况，包括大人带小孩进入通道的情况，并且能识别随同旅客进入通道的行李物品，不会将行李物品误判为人员。本发明在有多人进入通道的情况下提示精准报警，监测时间短，监测范围覆盖整个通道，尾随者一进门即可发现，报警及时。

以上所述只是本发明较佳的实施例，并不用于限制本发明，凡在本发明的技术范围内所做的修改、等同替换或者改进等，均应包含在本发明所保护的范围内。