人群分析系统立项报告.docx

PAGE 16 人群分析系统立项报告  背景 随着我国经济的发展和人口的增长，大城市交通状况日趋恶化，各大城市将城市轨道交通作为城市基础设施建设领域的投资重点，但轨道交通在飞速发展的同时，由于人流密集、人员复杂、空间相对封闭等因素，成为了盗窃、恐怖袭击等违法犯罪行为的高发场所。如何保障乘客的安全出行成为了轨道交通运营和安全管理部门工作的重中之重。 同时在现代城市中完善的生活和强大的交通运输能力，在公共场所形成大规模的聚集状况，随之而来的人群聚集风险也愈发突出，已成为政府和社会关注的城市公共安全首要问题。而且随着轨道交通最近几年的快速发展，在各大城市中，轨道交通承担的人员运输量也越来越大，例如在北京、上海等发达城市的上下班高峰时段，轨道交通主要线路都处于人员密度非常大、拥挤度非常高的情况，公共安全隐患也越来越高。 目前人群密度过高主要体现在两个方面：一是人群过度密集可能直接引发拥挤踩踏事件，二是人群过度密集造成公共场所火灾、爆炸、中毒等风险的二次放大，导致更大的人员伤亡和社会影响。 我司的人群分析系统主要功能是：分析即时人群密度，累计人群驻留时间，分析个体运动轨迹，群体运动方向。通过以上分析可以为相关管理人员提供实时的数据，为预防和解决问题的发生提供技术手段支持。 技术背景 为什么采用视频分析 为什么要采用视频来进行人群分析？主要有以下原因： 直观 获取方便 视频监控资源多，可复用性高 技术可实现（参见下面介绍的深度学习技术） 性能已基本接近实用 什么是深度学习技术 深度学习深度学习的概念由Hinton等人于2006年提出。基于深信度网（DBN）提出非监督逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。是机器学习研究中的一个新的领域，其概念源于人工神经网络的研究。深度学习提出的动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。 深度学习的概念由Hinton等人于2006年提出。基于深信度网（DBN）提出非监督逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。 包含多隐层的神经网络就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。 通俗地讲，深度学习没有像传统机器学习那样自己框定边界，而是直接把海量数据投放到算法中，让数据自己说话，系统会自动从数据中学习。在训练的时候从来不会告诉机器说：‘这是一个人。’系统其实是在通过大量的学习后是自己发明或者领悟了“人”的概念。 目前深度学习技术在声音、图像、文本等机器学习研究领域已经取得巨大的突破。在针对视频的人群分析技术领域，我司将深度学习技术用于其中，也已经取得了突破性的进展。借助于深度学习本身的特性，新的技术还可以对某个场景进行自学习，从而朝着真正的场景理解前景。 总体设计 系统总体架构 本系统由数据接入层、深度学习层、核心算法层、应用算法层、展现层组成： 图 SEQ 图 \* ARABIC 1 系统总体架构图 数据接入层：系统可接入外部的实时视频流或不含私有协议的视频文件。 深度学习层：包含两部分：离线学习部分和在线分析部分。其中离线学习主要是通过深度学习框架对大量数据进行学习，同时也支持增量学习。学习得到的模型库将用于在线分析。在线分析会将最底层的分析结果输送给核心算法层。这里的模型库包括人体模型、人群模型、单个场景相关的参数模型、事件模型、群体运动模型等。 核心算法层：包含用于人群分析技术的所有核心算法模块，包括人群检测、人群分割、目标跟踪、群体行为分析、数据挖掘与预测等。这些核心算法模块是实现各种应用的基础。 应用算法层：针对人群分析应用，例如统计人群流量，跟踪人群运动轨迹，计算人流运动速度与方向，计算即时人群密度，统计人群驻留的累计时间，分析人群活动的异常状态等，将核心算法分析结果转换为用户需要的、用户能理解的结果。 展现层：直接面向用户的数据展现，包括报警查看、状态展示、热力图、轨迹分析、趋势预测等。 系统流程说明 本系统支持实时视频流接入或视频文件的的接入，工作流程如下： 图 SEQ 图 \* ARABIC 2 实时视频处理基本流程 在外部数据接入后，通过部署在视频分析服务器中我司系统，主要是进行外部数据的处理，分离出场景数据、在复杂的图像画面中，识别出“人”和“人群”；再根据实际业务需求进行统计人群流量、跟踪人群运动轨迹、计算即时人群密