利用基于深度学习的人群分析系统进行大流量人群监控决策

　　文/廖飞、吴晓明 东方网力科技股份有限公司

　　由于大规模人群聚集而发生的危害性事件屡有发生，人群聚集风险愈发突出，已成为政府和社会关注的城市公共安全重要问题之一。目前相关部门已针对大规模人群聚集制定了严格的预案措施，但如何事前发现聚集趋势，在哪种临界状态启动预案，启动什么等级的预案，还是需要人工去判断。这在实际操作中，对城市管理工作提出了诸多挑战。

　　东方网力基于深度学习的人群智能分析系统，突破传统，引入安全指数概念，能够实现超过300人的大场景人群异常状态监控，大大提高了场景内人数统计的精确性，为相关部门的决策提供强有力的技术支撑。

　　传统人群系统VS深度学习人群分析

　　智能分析系统应用到实战，有三个先决条件，即准确性、适用性和抗干扰能力。传统的人群分析系统在三个条件中都具有明显的局限性：

　　1、规模上的局限性：无法针对大规模，极端密集情况下的人群进行分析;

　　2、精度上的局限性：基于像素统计和纹理的人群特征获取，在描述精度和复杂度方面精度不够;

　　3、场景复杂度上的局限性：如何克服射影畸形、干扰背景、光照条件变化等仍不够理想。

　　传统的视频分析技术，是通过各种模型找到“人”。事实上，模型找出的只是已经被定义好的一组特征，比如“头肩模型”，根据头部形状，头肩轮廓，还有头发颜色等组合特征，去分析画面中的目标。通过计算目标与既定特征组合的相似程度来判断该目标是不是“人”，进而对找到的“人”进行行为分析，数量统计等。

　　基于这样的技术原理实现的智能分析系统，受场景制约比较显著。一般要求在背景简单，光照稳定，特定摄像机安装方式的视频中。一旦有影响模型特征提取的干扰情况，“人”的误检漏检就会表现明显。

　　而东方网力基于深度学习的人群分析技术，不再采用人为定义特征组合的方式去判断目标是否为“人”。而是通过大量数据样本分析，让计算机自行学习人和其他目标的区别，运算出能显著标识“人”的一层层特征信息。由于样本覆盖率较大，在机器学习的过程中，该技术能有效突破光照突变，背景复杂，人体部分遮挡，应用场景单一等传统技术的难点。

图1 深度学习与传统技术对比

　　基于深度学习的人群分析系统可支持超过300人的大场景监控，对感兴趣区域人数统计精确度达到95%以上。