人群聚集逻辑
一、只靠逻辑实现
http://www.xjishu.com/zhuanli/55/201810734133.html
图1是本发明提供的一种人群聚集检测方法的流程图。如图1所示，本发明实施例的一种人群聚集检测方法包括以下步骤：
s101：获取检测视频流：
获取被监控场所的监控视频流，将视频流中连续的每一帧图像作为分析处理图像。
s102：识别目标并计算目标坐标：
根据步骤s101获取的连续图像，通过先进的机器学习算法对图像进行处理，识别图像中的目标(人)并计算得到目标坐标，为相应的目标坐标点数据集，其中n为目标个数。
s103：根据所述目标和目标坐标计算目标局部密度：
根据步骤s102得到的数据集d，首先计算d中目标点两两之间的距离dij＝dist(pi，pj)，dist表示坐标点pi和pj之间的某种距离；然后计算每一个目标坐标点的密度其中函数dc＝κmr，r为单目标所占像素数量，κ∈(0，1)，m是设定的人群聚集圈内人群数量阈值。
s104：目标跟踪并获得目标移动方向：
根据步骤s102得到的目标、目标坐标，由跟踪算法(如kalmanfilter、kcf等跟踪算法)对每一帧图像进行多目标跟踪并计算获得各目标移动速度vi，然后计算第i个目标方向hi＝pk(x，y)-pi(x，y)，其中pi(x，y)是第i个目标坐标，pk(x)＝pi(x)+αvi，pk(y)＝pi(y)+avi。
s105：自动地构建人群聚集圈：
接下来对步骤s103得到的目标局部密度进行分析计算来自动地构建人群聚集圈。图2是人群聚集圈和位置计算的流程示意图。如图2所示，本发明中采用的人群聚集圈和位置计算包括以下步骤：
s201：计算度量值φi：
目标坐标点的密度ρi，计算φi用于描述点i到其他较高密度点之间的最小距离，那些有着比较大的密度ρi和很大的φi的点被认为是人群聚集的中心。
s202：计算目标点到中心点的距离：
根据度量值φi，计算每个目标点到各人群聚集中心点的距离
s203：获得各人群聚集圈和位置：
根据得到人群聚集度如果则确定了一个人群聚集圈，以此类推得到所有人群聚集圈和聚集圈中心位置。
s106：根据所述各人群聚集圈和目标移动方向判断人群聚集圈态势：
接下来对步骤s104得到的目标移动方向和步骤s105得到各人群聚集圈判断人群聚集圈态势。图3是具体实施例的人群聚集圈态势判断的流程示意图。如图3所示，本发明中判断人群聚集圈态势包括以下步骤：
s301：获得人群聚集圈方向hi：
设置人群聚集额定方向阈值为|ht|，根据步骤s4得到的各目标移动速度、方向和步骤s105人群聚集圈获得人群聚集圈方向hi，hi为各目标方向hi相加得到的向量。
s302：将空间划分为四个区域：
计算hi角度值θ并将空间划分为以下四个区域：
如果°0≤θ＜90°，则hi方向指向i区域；
如果°90≤θ＜180°，则hi方向指向ii区域；
如果°180≤θ＜270°，则hi方向指向iii区域；
如果°270≤θ＜360°，则hi方向指向iv区域。
s303：人群聚集圈态势判断：
根据方向hi和密度来判断人群聚集圈态势，分为以下十一种情况：
如果不变，|hi|＜ε，此人群聚集圈态势为静止；
如果变小，|hi|＜ε，此人群聚集圈态势为消散；
如果变大，|hi|＜ε，此人群聚集圈态势为内聚；
如果不变，ε＜|hi|＜|ht|，hi方向指向i区域，此人群聚集圈态势为慢速向i区域移动；
如果不变，ε＜|hi|＜|ht|，hi方向指向ii区域，此人群聚集圈态势为慢速向ii区域移动；
如果不变，ε＜|hi|＜|ht|，hi方向指向iii区域，此人群聚集圈态势为慢速向iii区域移动；
如果不变，ε＜|hi|＜|ht|，hi方向指向iv区域，此人群聚集圈态势为慢速向iv区域移动；
如果不变，|ht|＜|hi|，hi方向指向i区域，此人群聚集圈态势为快速向i区域移动；
如果不变，|ht|＜|hi|，hi方向指向ii区域，此人群聚集圈态势为快速向ii区域移动；
如果不变，|ht|＜|hi|，hi方向指向iii区域，此人群聚集圈态势为快速向iii区域移动；
如果不变，|ht|＜|hi|，hi方向指向iv区域，此人群聚集圈态势为快速向iv区域移动。
其中，ε是一个极小值。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
二、C++实现DBSCAN密度聚类算法
参考：http://www.zyiz.net/tech/detail-270770.html
代码：
/*
DBSCAN Algorithm
@author:TheQuiteSunshine
*/
#include neighborCoreIdx中
int visited = 0; //是否被遍历访问过
point()
{
}
point(float a, float b)
{
x = a;
y = b;
//cluster = c;
}
};
float stringToFloat(string i)
{
stringstream sf;
float score = 0;
sf << i;
sf >> score;
return score;
}
//读取文本文件，从中解析出数据。
vector<point> openFile(const char *dataset)
{
fstream file;
file.open(dataset, ios::in);
if (!file)
{
cout << "Open File Failed!" << endl;
vector<point> a;
return a;
}
vector<point> data;
int i = 1;
while (!file.eof())
{
string temp;
file >> temp;
int split = temp.find(',', 0);
point p(stringToFloat(temp.substr(0, split)), stringToFloat(temp.substr(split + 1, temp.length() - 1)));
data.push_back(p);
}
file.close();
cout << "successful!" << endl;
return data;
}
//计算平面内两点之间的距离
float squareDistance(point a, point b)
{
return sqrt((a.x - b.x) * (a.x - b.x) + (a.y - b.y) * (a.y - b.y));
}
/** @brief DBSCAN聚类算法
@param dataset：输入样本数据 [in][out]参数
@param Eps：领域半径
@param MinPts：聚类中心的下标
@return ：返回每个样本的类别，类别从1开始，0表示未分类或者分类失败
*/
void DBSCAN(vector<point> &dataset, float Eps, int MinPts)
{
int count = 0;
int len = dataset.size();
//calculate pts
cout << "计算各点的邻域数量" << endl;
for (int i = 0; i < len; i++)
{
//特别注意 !!! 这里如果j从i开始，表明某点的邻域范围内样本数量包含自己，若j从i+1开始则不包含自己。
for (int j = i; j < len; j++)
{
if (squareDistance(dataset[i], dataset[j]) < Eps)
{
dataset[i].pts++;
dataset[j].pts++;
}
}
}
//core point ，若某个点在其领域Eps范围内的点个数>=MinPts，称该点为core point核心点
cout << "寻找核心点" << endl;
//核心点集合索引（索引为样本点原本的索引，从0开始）
vector<int> corePtInxVec;
for (int i = 0; i < len; i++)
{
if (dataset[i].pts >= MinPts)
{
dataset[i].pointType = CORE;
dataset[i].cluster = (++count);
corePtInxVec.push_back(i);
printf("样本(%.1f, %.1f)的邻域点数量为:%d,被确立为核心点, cluster：%d\n", dataset[i].x, dataset[i].y, dataset[i].pts, dataset[i].cluster);
}
}
//合并core point
cout << "合并核心点" << endl;
for (int i = 0; i < corePtInxVec.size(); i++)
{
for (int j = i + 1; j < corePtInxVec.size(); j++)
{
//对所有的corepoint，将其eps范围内的core point下标添加到vector corepts中
if (squareDistance(dataset[corePtInxVec[i]], dataset[corePtInxVec[j]]) < Eps)
{
dataset[corePtInxVec[i]].neighborCoreIdx.push_back(corePtInxVec[j]);
dataset[corePtInxVec[j]].neighborCoreIdx.push_back(corePtInxVec[i]);
printf("核心点%.1f, %.1f)与核心点%.1f, %.1f)处在半径范围内，相互连接，可以合并\n",
dataset[corePtInxVec[i]].x, dataset[corePtInxVec[i]].y, dataset[corePtInxVec[j]].x, dataset[corePtInxVec[j]].y);
}
}
}
//对于所有的corepoint，采用深度优先的方式遍历每个core point的所有corepts，使得相互连接的core point具有相同的cluster编号
for (int i = 0; i < corePtInxVec.size(); i++)
{
for (int j = 0; j < dataset[corePtInxVec[i]].neighborCoreIdx.size(); j++)
{
int idx = dataset[corePtInxVec[i]].neighborCoreIdx[j];
dataset[idx].cluster = dataset[corePtInxVec[i]].cluster;
}
}
//不属于核心点但在某个核心点的邻域内的点叫做边界点
cout << "边界点，把边界点加入到靠近的核心点" << endl;
//border point,joint border point to core point
for (int i = 0; i < len; i++)
{
if (dataset[i].pointType == CORE) //忽略核心点
continue;
for (int j = 0; j < corePtInxVec.size(); j++)
{
int idx = corePtInxVec[j]; //核心点索引
if (squareDistance(dataset[i], dataset[idx]) < Eps)
{
dataset[i].pointType = BORDER;
dataset[i].cluster = dataset[idx].cluster;
printf("样本(%.1f, %.1f)被确立为边界点, cluster：%d\n", dataset[i].x, dataset[i].y, dataset[i].cluster);
break;
}
}
}
cout << "输出结果：" << endl;
for (int i = 0; i < len; i++)
{
if (dataset[i].pointType == CORE)
{
printf("CORE: x:%.2f, y:%.2f cluster:%d\n", dataset[i].x, dataset[i].y, dataset[i].cluster);
}
else if (dataset[i].pointType == BORDER)
{
printf("BORDER: x:%.2f, y:%.2f cluster:%d\n", dataset[i].x, dataset[i].y, dataset[i].cluster);
}
else
{
printf("NOISE: x:%.2f, y:%.2f cluster:%d\n", dataset[i].x, dataset[i].y, dataset[i].cluster);
}
}
// for(int i=0;i < corePoint.size(); i++)
// {
// clustering<
// }
}
/*
*@生成随机颜色
*/
cv::Scalar random_color()
{
static cv::RNG _rng(10086);
unsigned icolor = (unsigned)_rng;
return cv::Scalar(icolor & 0xFF, (icolor >> 8) & 0xFF, (icolor >> 16) & 0xFF);
}
int main(int argc, char **argv)
{
//加载数据
vector<point> dataset = openFile("dataset.txt");
float radius = 2.0; //邻域半径R
int MinPts = 2; //邻域半径R内样本点的数量大于等于minpoints的点叫做核心点
//DBSCAN算法进行聚类
DBSCAN(dataset, radius, MinPts);
//设置了6种不同的颜色
const int colorCnts = 6;
cv::Scalar colors[] = {cv::Scalar(255, 100, 80), cv::Scalar(0, 255, 0), cv::Scalar(0, 0, 255),
cv::Scalar(0, 255, 255), cv::Scalar(255, 0, 255), cv::Scalar(255, 255, 0)};
//画出原始数据分布图
cv::Point offset(10, 10); //所有样本均加上这个偏移、防止离原点太近影响视觉显示效果
cv::Mat originalMat = cv::Mat::zeros(cv::Size(300, 300), CV_8UC3);
for (size_t i = 0; i < dataset.size(); i++)
{
cv::Point pt = offset + cv::Point(dataset[i].x * 10, dataset[i].y * 10);
cv::circle(originalMat, pt, 2, cv::Scalar(0, 0, 255), 2);
}
cv::imshow("original data", originalMat);
//画出结果示意图,不同的cluster样本点用不同的颜色表示。
map<int, cv::Scalar> clusterMap;
map<int, cv::Scalar>::iterator it;
cv::Mat resultMat = cv::Mat::zeros(cv::Size(300, 300), CV_8UC3);
cv::Scalar color;
for (size_t i = 0; i < dataset.size(); i++)
{
it = clusterMap.find(dataset[i].cluster);
if (it == clusterMap.end()) //首次出现，为该cluster随机分配一组颜色。
{
color = random_color();
clusterMap.insert(std::make_pair(dataset[i].cluster, color));
}
else
color = it->second;
cv::Point pt = offset + cv::Point(dataset[i].x * 10, dataset[i].y * 10);
cv::circle(resultMat, pt, 2, color, 2);
}
cv::imshow("cluster data", resultMat);
cv::waitKey(0);
getchar();
return 0;
}
附程序所使用的dataset.txt文件：
0,0
3,8
2,2
1,1
5,3
4,8
6,3
5,4
6,4
7,5
12,4
12,5
12,6
13,4
17,8
18,9