本發(fā)明涉及圖像處理領(lǐng)域，特別涉及一種人群聚集檢測的方法與裝置。

背景技術(shù)：
近年來，中國視頻監(jiān)控市場受到“平安城市”項目、北京奧運安防項目、上海世博會、廣州亞運會以及各地、各行業(yè)安防項目需求加速增長等因素的強勁刺激和拉動，取得了快速的發(fā)展，整體市場規(guī)模迅速擴大。伴隨著市場的快速發(fā)展，各種監(jiān)控攝像機和存儲設(shè)備越來越普及，從而可以快捷地獲取大量的圖像和視頻數(shù)據(jù)?？焖俣悄艿胤治鲞@些數(shù)據(jù)，成為公共管理部門和工業(yè)界的迫切需求。IVS(IntelligentVideoSurveillance，智能視頻監(jiān)控技術(shù))為這些數(shù)據(jù)的智能分析提供了至關(guān)重要的技術(shù)途徑。其中，人群聚集檢測(PeopleGroupDetection)是IVS的一個重要的監(jiān)控分析功能。人群聚集檢測的過程就是在給定的一個監(jiān)控區(qū)域內(nèi)，通過攝像頭獲取場景視頻數(shù)據(jù)作為輸入，檢測是否存在人群聚集并停留在某一范圍內(nèi)；如果存在，則定位出其位置。該項技術(shù)在智能視頻監(jiān)控領(lǐng)域中具有廣闊的市場應(yīng)用范圍，例如城市廣場安全、商業(yè)區(qū)域人流控制、地鐵站臺安全等。目前的人群聚集檢測技術(shù)具體如下：首先在給定的一個監(jiān)控區(qū)域內(nèi)通過運動物體提取技術(shù)、物體檢測或跟蹤的技術(shù)等來獲取單個人的位置，然后基于單個人的位置統(tǒng)計人的個數(shù)，最后根據(jù)統(tǒng)計出的人數(shù)是否達到指定的值，判斷出是否存在人群聚集的現(xiàn)象。但是，上述方法中人群聚集檢測的結(jié)果完全依賴于人的位置的檢測，使得該方法的應(yīng)用非常受限，尤為突出的是，當人體圖像的尺寸過小或者場景過于復(fù)雜時，該方法難以自動而且準確地檢測和定位出人的位置，從而會導(dǎo)致人群聚集檢測不能自動進行，最終無法滿足實際應(yīng)用的需求。

技術(shù)實現(xiàn)要素：
為了解決現(xiàn)有技術(shù)的問題，本發(fā)明實施例提供了一種人群聚集檢測的方法與裝置。所述技術(shù)方案如下：一方面，本發(fā)明實施例提供了一種人群聚集檢測的方法，包括：獲取視頻數(shù)據(jù)中的角點和前景區(qū)域；根據(jù)所述角點和前景區(qū)域，進行計算得到聚類；根據(jù)所述聚類構(gòu)建人群聚集的區(qū)域。在一種實施方式中，根據(jù)所述角點和前景區(qū)域，進行計算得到聚類，包括：對所述角點和所述前景區(qū)域內(nèi)的像素點取交集，得到一個角點集合；采用聚類算法對所述角點集合執(zhí)行聚類操作得到聚類。在另一種實施方式中，根據(jù)所述聚類構(gòu)建人群聚集的區(qū)域，包括：對得到的每一個聚類，以聚類中心為中心構(gòu)建一個人群聚集的區(qū)域，且所述區(qū)域為包括所述聚類內(nèi)的角點的區(qū)域。在又一種實施方式中，針對每一個聚類所構(gòu)建的人群聚集的區(qū)域具體為包括所述聚類內(nèi)的所有角點的最小區(qū)域，所述角點是圖像中具有局部結(jié)構(gòu)特性的像素點。再一種實施方式中，根據(jù)所述聚類構(gòu)建人群聚集的區(qū)域之后，還包括：計算所述人群聚集的區(qū)域的大小，根據(jù)所述人群聚集的區(qū)域的大小對所述人群聚集的區(qū)域進行過濾；或者，計算所述人群聚集的區(qū)域的角點密度，根據(jù)所述角點密度對所述人群聚集的區(qū)域進行過濾。其中，優(yōu)選地，根據(jù)所述人群聚集的區(qū)域的大小對所述人群聚集的區(qū)域進行過濾，包括：對于構(gòu)建的每一個人群聚集的區(qū)域，如果所述區(qū)域的大小小于預(yù)設(shè)的第一閾值，則將所述區(qū)域過濾掉。其中，優(yōu)選地，根據(jù)所述角點密度對所述人群聚集的區(qū)域進行過濾，包括：對于構(gòu)建的每一個人群聚集的區(qū)域，如果所述區(qū)域的角點密度小于預(yù)設(shè)的第二閾值，則將所述區(qū)域過濾掉。另外，更進一步地，根據(jù)所述角點密度對所述人群聚集的區(qū)域進行過濾之前，還包括：獲取人工標注的樣本數(shù)據(jù)中人群聚集的正樣本區(qū)域和負樣本區(qū)域；計算所述正樣本區(qū)域的角點密度和所述負樣本區(qū)域的角點密度；統(tǒng)計所述正樣本區(qū)域的角點密度的第一分布圖，以及所述負樣本區(qū)域的角點密度的第二分布圖；獲取所述第一分布圖和所述第二分布圖的交點對應(yīng)的角點密度值；將所述獲取的角點密度值作為所述第二閾值。在另一種實施方式中，根據(jù)所述聚類構(gòu)建人群聚集的區(qū)域之后，還包括：計算所述人群聚集的區(qū)域內(nèi)指定像素點的光流強度；根據(jù)所述指定像素點的光流強度，計算所述人群聚集的區(qū)域的光流強度密度；根據(jù)所述光流強度密度對所述人群聚集的區(qū)域進行過濾。在又一種實施方式中，根據(jù)所述光流強度密度對所述人群聚集的區(qū)域進行過濾，包括：對于構(gòu)建的每一個人群聚集的區(qū)域，如果所述區(qū)域的光流強度密度大于預(yù)設(shè)的第三閾值，則將所述區(qū)域過濾掉。再一種實施方式中，根據(jù)所述光流強度密度對所述人群聚集的區(qū)域進行過濾之前，還包括：獲取人工標注的樣本數(shù)據(jù)中人群聚集的正樣本區(qū)域和負樣本區(qū)域；計算所述正樣本區(qū)域的光流強度密度和所述負樣本區(qū)域的光流強度密度；統(tǒng)計所述正樣本區(qū)域的光流強度密度的第三分布圖，以及所述負樣本區(qū)域的光流強度密度的第四分布圖；獲取所述第三分布圖和所述第四分布圖的交點對應(yīng)的光流強度密度值；將所述獲取的光流強度密度值作為所述第三閾值。另一方面，本發(fā)明實施例還提供了一種人群聚集檢測的裝置，包括：獲取模塊，用于獲取視頻數(shù)據(jù)中的角點和前景區(qū)域；聚類模塊，用于根據(jù)所述獲取模塊得到的所述角點和前景區(qū)域，進行計算得到聚類；構(gòu)建模塊，用于根據(jù)所述聚類模塊得到的所述聚類構(gòu)建人群聚集的區(qū)域。在一種實施方式中，所述聚類模塊包括：處理單元，用于對所述角點和所述前景區(qū)域內(nèi)的像素點取交集，得到一個角點集合；聚類單元，用于采用聚類算法對所述處理單元得到的所述角點集合執(zhí)行聚類操作得到聚類。在另一種實施方式中，所述構(gòu)建模塊具體用于：對得到的每一個聚類，以聚類中心為中心構(gòu)建一個人群聚集的區(qū)域，且所述區(qū)域為包括所述聚類內(nèi)的角點的區(qū)域。再一種實施方式中，所述構(gòu)建模塊針對每一個聚類構(gòu)建的人群聚集的區(qū)域具體為包括所述聚類內(nèi)的所有角點的最小區(qū)域，所述角點是圖像中具有局部結(jié)構(gòu)特性的像素點。在又一種實施方式中，所述裝置還包括：尺寸過濾模塊，用于在所述構(gòu)建模塊構(gòu)建人群聚集的區(qū)域之后，計算所述人群聚集的區(qū)域的大小，根據(jù)所述人群聚集的區(qū)域的大小對所述人群聚集的區(qū)域進行過濾；或者，角點密度過濾模塊，用于在所述構(gòu)建模塊構(gòu)建人群聚集的區(qū)域之后，計算所述人群聚集的區(qū)域的角點密度，根據(jù)所述角點密度對所述人群聚集的區(qū)域進行過濾。再一種實施方式中，所述尺寸過濾模塊具體用于：在所述構(gòu)建模塊構(gòu)建人群聚集的區(qū)域之后，計算所述人群聚集的區(qū)域的大小，對于構(gòu)建的每一個人群聚集的區(qū)域，如果所述區(qū)域的大小小于預(yù)設(shè)的第一閾值，則將所述區(qū)域過濾掉。在另一種實施方式中，所述角點密度過濾模塊具體用于：在所述構(gòu)建模塊構(gòu)建人群聚集的區(qū)域之后，計算所述人群聚集的區(qū)域的角點密度，對于構(gòu)建的每一個人群聚集的區(qū)域，如果所述區(qū)域的角點密度小于預(yù)設(shè)的第二閾值，則將所述區(qū)域過濾掉。在又一種實施方式中，所述裝置還包括：第一生成模塊，用于獲取人工標注的樣本數(shù)據(jù)中人群聚集的正樣本區(qū)域和負樣本區(qū)域，計算所述正樣本區(qū)域的角點密度和所述負樣本區(qū)域的角點密度，統(tǒng)計所述正樣本區(qū)域的角點密度的第一分布圖，以及所述負樣本區(qū)域的角點密度的第二分布圖，獲取所述第一分布圖和所述第二分布圖的交點對應(yīng)的角點密度值，將所述獲取的角點密度值作為所述第二閾值。再一種實施方式中，所述裝置還包括：光流強度密度過濾模塊，用于在所述構(gòu)建模塊構(gòu)建人群聚集的區(qū)域之后，計算所述人群聚集的區(qū)域內(nèi)指定像素點的光流強度，根據(jù)所述指定像素點的光流強度，計算所述人群聚集的區(qū)域的光流強度密度，根據(jù)所述光流強度密度對所述人群聚集的區(qū)域進行過濾。在另一種實施方式中，所述光流強度密度過濾模塊包括：過濾單元，用于在根據(jù)所述光流強度密度對所述人群聚集的區(qū)域進行過濾時，對于構(gòu)建的每一個人群聚集的區(qū)域，如果所述區(qū)域的光流強度密度大于預(yù)設(shè)的第三閾值，則將所述區(qū)域過濾掉。在又一種實施方式中，所述裝置還包括：第二生成模塊，用于獲取人工標注的樣本數(shù)據(jù)中人群聚集的正樣本區(qū)域和負樣本區(qū)域，計算所述正樣本區(qū)域的光流強度密度和所述負樣本區(qū)域的光流強度密度，統(tǒng)計所述正樣本區(qū)域的光流強度密度的第三分布圖，以及所述負樣本區(qū)域的光流強度密度的第四分布圖，獲取所述第三分布圖和所述第四分布圖的交點對應(yīng)的光流強度密度值，將所述獲取的光流強度密度值作為所述第三閾值。本發(fā)明實施例提供的技術(shù)方案帶來的有益效果是：通過獲取視頻數(shù)據(jù)中的角點信息和前景區(qū)域，根據(jù)所述角點信息和前景區(qū)域采用聚類算法得到聚類，并根據(jù)所述聚類構(gòu)建人群聚集的區(qū)域，實現(xiàn)了人群聚集的自動檢測，不依賴于人的位置檢測，解決了現(xiàn)有技術(shù)其應(yīng)用非常受限的問題，而且也不受人體圖像尺寸大小的影響，可以應(yīng)用于任何場景甚至是復(fù)雜的場景，如實時視頻監(jiān)控、多媒體數(shù)據(jù)的實時內(nèi)容分析、商業(yè)智能分析等場景，極大地提高了應(yīng)用范圍，能夠更好地滿足用戶的需求。另外，通過計算人群聚集區(qū)域的大小或角點密度并進行過濾，以及通過計算人群聚集區(qū)域的光流強度密度并進行過濾，可以過濾掉構(gòu)建的人群聚集區(qū)域中的誤檢區(qū)域，進一步提高了人群聚集檢測的精度和魯棒性。附圖說明為了更清楚地說明本發(fā)明實施例中的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1是本發(fā)明實施例提供的一種人群聚集檢測的方法流程圖；圖2是本發(fā)明實施例提供的另一種人群聚集檢測的方法流程圖；圖3是本發(fā)明實施例提供的再一種人群聚集檢測的方法流程圖；圖4是本發(fā)明實施例提供的角點密度分布示意圖；圖5是本發(fā)明實施例提供的基于區(qū)域大小和角點密度進行過濾前后的對比示意圖；圖6是本發(fā)明實施例提供的又一種人群聚集檢測的方法流程圖；圖7是本發(fā)明實施例提供的光流強度密度分布示意圖；圖8是本發(fā)明實施例提供的基于光流強度密度進行過濾前后的對比示意圖；圖9是本發(fā)明實施例提供的一種人群聚集檢測的裝置結(jié)構(gòu)圖；圖10是本發(fā)明實施例提供的另一種人群聚集檢測的裝置結(jié)構(gòu)圖。具體實施方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明實施方式作進一步地詳細描述。參見圖1，本發(fā)明實施例提供了一種人群聚集檢測的方法，包括：101：獲取視頻數(shù)據(jù)中的角點和前景區(qū)域。102：根據(jù)該角點和前景區(qū)域，進行計算得到聚類。103：根據(jù)該聚類構(gòu)建人群聚集的區(qū)域。本實施例提供的上述方法，通過獲取視頻數(shù)據(jù)中的角點和前景區(qū)域，根據(jù)所述角點和前景區(qū)域計算得到聚類，并根據(jù)所述聚類構(gòu)建人群聚集的區(qū)域，實現(xiàn)了人群聚集的自動檢測，不依賴于人的位置檢測，解決了現(xiàn)有技術(shù)其應(yīng)用非常受限的問題，而且也不受人體圖像尺寸大小的影響，可以應(yīng)用于任何場景，包括復(fù)雜的場景，極大地提高了應(yīng)用范圍，能夠更好地滿足用戶的需求。本發(fā)明實施例涉及人群聚集的檢測。其中，所述人群聚集包含多個人，至少是兩個或兩個以上的人，人群聚集所包含的人，通常不屬于場景中的背景景物，而且處于靜止或者不顯著的運動狀態(tài)中。因此，本發(fā)明實施例基于前景區(qū)域來檢測人群聚集。參見圖2，本發(fā)明實施例還提供了一種人群聚集檢測的方法，包括：201：獲取視頻數(shù)據(jù)中的角點和前景區(qū)域。本發(fā)明實施例涉及的角點(Corner)，也稱之為興趣點(InterestPoint)，或者關(guān)鍵點(KeyPoint)，它是圖像中具有局部結(jié)構(gòu)特性的像素點，例如邊緣點、兩條線的交叉點等。角點的性質(zhì)是在對圖像進行變換的情況下，其中的角點能夠保持不變的一致性，所述變換是指對圖像進行尺度變換、旋轉(zhuǎn)變換、平移變換、縮放變換、光照變化等。例如，在一個視頻數(shù)據(jù)中，靜止不動的汽車，馬路上行走的人，路旁的草坪等都是角點，如果有人群聚集，則也會存在顯著的角點。因此，可以利用角點信息來刻畫人群區(qū)域的特征?！敖屈c”、“興趣點”和“關(guān)鍵點”在文獻中的使用是相互間可替換的，本發(fā)明中對此不加區(qū)分，為描述方便，統(tǒng)一稱為角點。角點是圖像處理領(lǐng)域常用的圖像特征(ImageFeature)，可以基于多種類型的信息進行提取，包括但不限于：邊緣類型(Edge)、拐點類型(Corner)或團塊/粒子類型(Blob)等。通常，實際情況中的場景內(nèi)容隨著時間產(chǎn)生變化，本發(fā)明實施例涉及的前景是指在實際場景中出現(xiàn)的動態(tài)物體，例如室內(nèi)走動的人員、街道上行駛的車輛。與之相對，背景則是場景中相對靜止的內(nèi)容，有時被前景物體遮擋。通常，人群聚集是由來自不同方向的人們，運動到一個特定地點并且停留后所形成的。因此，人群聚集區(qū)域通常屬于場景中的前景物體，從而可以用前景來表示人群。所述視頻數(shù)據(jù)是指通過攝像設(shè)備采集到的視頻圖像，當然，該攝像設(shè)備也可以采集到聲音，但是，與本發(fā)明無關(guān)，因此，本發(fā)明中提到的視頻數(shù)據(jù)主要是指視頻圖像。通常，視頻圖像都是實時采集的，因此，本發(fā)明實施例中的獲取角點，以及提取前景區(qū)域也都是實時進行的。其中，角點的檢測方法有很多，例如，可以采用FAST算法對視頻數(shù)據(jù)執(zhí)行角點檢測，當然也可以采用其它的角點檢測算法進行檢測，例如：Harrisoperator(Harri角點提取方法)，SUSANcornerdetector(SUSAN角點檢測方法)，LoG(LaplacianofGaussian)特征檢測算法等，本發(fā)明對此不限定。通常，角點檢測的結(jié)果可以用一個角點集合來表示：CornerSet＝{p1(x，y)，p2(x，y)...，pn(x，y)}；(1)該表達式中，n為角點的個數(shù)，p為角點，(x，y)為角點p在視頻圖像上的坐標，x為橫坐標，y為縱坐標。提取前景區(qū)域的方法也有多種，如運動檢測算法等，本發(fā)明對提取前景區(qū)域的具體算法也不做限定。通常，對輸入圖像提取前景區(qū)域，其結(jié)果可以表示如下：其中，q(x，y)為輸入圖像中的像素點，當其灰度值為255時，表示該點屬于該輸入圖像中的前景像素，當其灰度值為0時，表示該點不屬于該輸入圖像中的前景像素。具體地，經(jīng)過前景提取的輸入圖像上，可以看到，黑色的部分為背景，白色突出的部分為前景。本實施例中，獲取角點和前景區(qū)域沒有固定的順序，可以分先后進行，也可以同時進行，本發(fā)明對此不限定。202：對獲取的角點和前景區(qū)域內(nèi)的像素點取交集，得到一個角點集合。其中，所述取交集的結(jié)果就是得到既屬于角點，又屬于前景區(qū)域的像素點，從而得到一個角點集合。具體地，本步驟可以具體包括以下步驟：構(gòu)建一個新的角點集合S，初始時對于步驟201中已獲取的每一個角點p(x，y)∈CornerSet，判斷其是否屬于前景區(qū)域內(nèi)的像素點，如果屬于前景區(qū)域內(nèi)的像素點，則S＝S∪p(x，y)；將已獲取的所有角點都遍歷完成后，即獲得了一個新的角點集合S，其中包括的角點均為屬于前景區(qū)域的角點。203：采用聚類算法對所述得到的角點集合執(zhí)行聚類操作得到聚類。聚類算法是數(shù)學(xué)上的一種算法名稱，該算法以相似性為基礎(chǔ)，可以概括出每一類的特點，或者把注意力放在某一個特定的類上以作進一步的分析。所謂類，通俗地說，就是指相似元素的集合。聚類分析又稱群分析，它是研究分類問題的一種統(tǒng)計分析方法。所述聚類算法有多種，包括但不限于：K-均值、Meanshift等算法，本發(fā)明實施例可以采用任一種聚類算法，此處不做具體限定。本步驟中通過聚類算法得到的聚類可以為一個，也可以為多個。例如，在一個視頻場景中得到的聚類只有一個，是一個正在行走的人；在另一個視頻場景中得到兩個聚類，其中一個聚類是十個人的人群聚集，另一個聚類是兩個正在騎車的人。204：對已得到的每一個聚類，以該聚類中心為中心構(gòu)建一個人群聚集的區(qū)域，且該區(qū)域為包括該聚類內(nèi)的角點的區(qū)域。在本發(fā)明的另一實施例中，優(yōu)選地，本步驟可以具體包括：對已得到的每一個聚類，以該聚類中心為中心構(gòu)建一個人群聚集的區(qū)域，且該區(qū)域為包括該聚類內(nèi)的所有角點的最小區(qū)域，所述角點是圖像中具有局部結(jié)構(gòu)特性的像素點。例如，對已得到的每一個聚類，以該聚類中心為圓心構(gòu)建一個圓形的人群聚集的區(qū)域，且該區(qū)域的半徑為包括該聚類內(nèi)的所有角點的最小圓半徑。本實施例以構(gòu)建圓形的人群聚集區(qū)域為例，當然在本發(fā)明的另一實施例中，也可以構(gòu)建其它形狀的人群聚集區(qū)域，比如，正方形、長方形、橢圓形等等，本發(fā)明對此不限定。當根據(jù)聚類構(gòu)建人群聚集的區(qū)域時，只要能夠包括該聚類中所包含的所有角點，可以構(gòu)建出任意大小的人群聚集的區(qū)域，如不同半徑大小的圓形，優(yōu)選地，在本發(fā)明實施例中，選取包括所述聚類內(nèi)所有角點的最小圓形來構(gòu)建人群聚集的區(qū)域，從而可以更精確地表示人群聚集的區(qū)域。本實施例中，進一步地，還可以給已構(gòu)建的人群聚集的區(qū)域分配相應(yīng)的ID值，以便于對構(gòu)建的人群聚集的區(qū)域進行存儲。其中，分配ID的方法有多種，如可以根據(jù)構(gòu)建時間的先后，按順序依次分配。例如，在t1時刻至t2時刻之間，構(gòu)建了三個人群聚集的區(qū)域，則依次分配ID1、ID2和ID3。當然，在本發(fā)明的另一實施例中也可采用其它方法來分配ID值，例如，針對同一人群聚集在不同的時刻或不同地點出現(xiàn)的情況，可以通過圖像信息相似度匹配的方法對其進行標示，并且分配相同的ID等。本發(fā)明對此不限定。另外，更進一步地，還可以把分配的ID值、以及分配的時間等信息聯(lián)合起來進行記錄，便于后續(xù)進行分析和統(tǒng)計，本發(fā)明對此也不做具體限定。本實施例提供的上述方法，通過獲取視頻數(shù)據(jù)中的角點和前景區(qū)域，根據(jù)所述角點和前景區(qū)域計算得到聚類，并根據(jù)所述聚類構(gòu)建人群聚集的區(qū)域，實現(xiàn)了人群聚集的自動檢測，不依賴于人的位置檢測，解決了現(xiàn)有技術(shù)的應(yīng)用非常受限的問題，而且也不受人體圖像尺寸大小的影響，可以應(yīng)用于任何場景，包括復(fù)雜的場景，極大地提高了應(yīng)用范圍，能夠更好地滿足用戶的需求。其中，以圓形構(gòu)建人群聚集的區(qū)域形象直觀，方便用戶查看，以包括聚類內(nèi)所有角點的最小圓形來構(gòu)建人群聚集的區(qū)域，可以更精確地表示人群聚集的區(qū)域。基于上述實施例構(gòu)建出人群聚集的區(qū)域之后，由于可能存在一些誤檢，因此，可以對構(gòu)建出的人群聚集的區(qū)域進行過濾。參見圖3，本發(fā)明實施例還提供了一種人群聚集檢測的方法，在構(gòu)建出人群聚集的區(qū)域之后根據(jù)區(qū)域大小和/或角點密度進行過濾，以提高檢測的精度，該方法包括：301：獲取視頻數(shù)據(jù)中的角點和前景區(qū)域。302：根據(jù)該角點和前景區(qū)域，進行計算得到聚類。303：根據(jù)該聚類構(gòu)建人群聚集的區(qū)域。步驟301至303的具體實現(xiàn)過程與上述實施例中的描述相同，此處不贅述。下面是對已構(gòu)建的人群聚集的區(qū)域進行過濾的步驟，包括步驟304和/或步驟305。304：計算已構(gòu)建的人群聚集的區(qū)域的大小，根據(jù)該人群聚集的區(qū)域的大小對該人群聚集的區(qū)域進行過濾。具體地，對于構(gòu)建的每一個人群聚集的區(qū)域，如果計算出的該區(qū)域的大小小于預(yù)設(shè)的第一閾值，則將該區(qū)域過濾掉。其中，所述預(yù)設(shè)的第一閾值為預(yù)先根據(jù)人群聚集的區(qū)域的形狀設(shè)置的一個邊界值，通常其取值比較小，這樣，當構(gòu)建出的人群聚集的區(qū)域的大小小于該閾值時，意味著該人群聚集的區(qū)域比較小，這種情況下，該區(qū)域可能就是一個誤檢，例如是一輛靜止的汽車內(nèi)的一個人，或者是一塊草坪等等。通過這種基于人群聚集的區(qū)域大小進行過濾，可以把較小的區(qū)域過濾掉，保留下大于等于該第一閾值的區(qū)域，從而可以過濾掉誤檢的區(qū)域，進一步地提高檢測的精度。優(yōu)選地，當以圓形構(gòu)建人群聚集的區(qū)域時，所述第一閾值可以為預(yù)設(shè)的一個半徑閾值，進行過濾時，可以計算出每一個圓形的人群聚集的區(qū)域的半徑，并與該半徑閾值進行比較，如果小于該半徑閾值，則將該區(qū)域過濾掉，如果大于等于該半徑閾值，則保留該區(qū)域。305：計算所述人群聚集的區(qū)域的角點密度，根據(jù)該角點密度對該人群聚集的區(qū)域進行過濾。所述計算所述人群聚集的區(qū)域的角點密度，可以采用多種方式，本發(fā)明對此不限定，如可以采用下公式來計算：其中，所述角點的數(shù)目是指該人群聚集的區(qū)域內(nèi)的所有角點的總數(shù)，r是人群聚集的區(qū)域的半徑，πr2表示該人群聚集的區(qū)域的面積。在實際應(yīng)用中，步驟304根據(jù)人群聚集的區(qū)域的大小進行過濾，和步驟305根據(jù)人群聚集的區(qū)域的角點密度進行過濾，這兩個步驟可以任選其中之一來執(zhí)行，當然，優(yōu)選地，既執(zhí)行步驟304又執(zhí)行步驟305，可以進一步提高檢測的精度。當這兩個步驟都執(zhí)行時，沒有固定的先后順序，也可以先執(zhí)行步驟305，然后再執(zhí)行步驟304。無論先執(zhí)行哪個步驟，后一個步驟均是在前一個過濾之后的結(jié)果上再進行過濾，此處不做過多說明。例如，當步驟305在步驟303之后執(zhí)行時，本步驟中的所述人群聚集的區(qū)域是指步驟303中已構(gòu)建的人群聚集的區(qū)域，當步驟305是在步驟304之后執(zhí)行時，所述人群聚集的區(qū)域是指步驟304過濾之后保留的人群聚集的區(qū)域。本步驟中，根據(jù)該角點密度對該人群聚集的區(qū)域進行過濾，可以具體包括如下步驟：對于每一個人群聚集的區(qū)域，如果該區(qū)域的角點密度小于預(yù)設(shè)的第二閾值，則將該區(qū)域過濾掉。其中，所述預(yù)設(shè)的第二閾值為預(yù)先設(shè)置的角點密度的邊界值，當人群聚集的區(qū)域的角點密度小于該第二閾值時，認為該區(qū)域的角點密度較低，則該區(qū)域可能是個誤檢，因此，過濾掉該區(qū)域；當人群聚集的區(qū)域的角點密度大于等于該第二閾值時，認為該區(qū)域的角點密度較高或者比較合適，則該區(qū)域被視為是正確的人群聚集區(qū)域，因此，保留該區(qū)域。通過這種基于人群聚集的角點密度進行過濾的手段，可以把角點密度較小的區(qū)域過濾掉，保留下角點密度大于等于該第二閾值的區(qū)域，從而可以過濾掉誤檢的區(qū)域，進一步地提高檢測的精度。本實施例中，所述第二閾值可以根據(jù)經(jīng)驗設(shè)置為固定的值，如設(shè)置為0.6等，本發(fā)明對此不限定。當然，也可以采用自動設(shè)置第二閾值的方法，以保證第二閾值設(shè)置得更合理，更精確地反映角點密度的實際情況。具體地，上述方法中，根據(jù)該角點密度對人群聚集的區(qū)域進行過濾之前，還包括自動獲取第二閾值的步驟，具體如下：獲取人工標注的樣本數(shù)據(jù)中人群聚集的正樣本區(qū)域和負樣本區(qū)域；計算該正樣本區(qū)域的角點密度和該負樣本區(qū)域的角點密度；統(tǒng)計該正樣本區(qū)域的角點密度的第一分布圖，以及該負樣本區(qū)域的角點密度的第二分布圖；獲取該第一分布圖和該第二分布圖的交點對應(yīng)的角點密度值；將該獲取的角點密度值作為該第二閾值。其中，所述樣本數(shù)據(jù)為預(yù)先采集的視頻數(shù)據(jù)，優(yōu)選地，為采集的與待檢測的視頻數(shù)據(jù)的場景相關(guān)的視頻數(shù)據(jù)，或者為同一場景下的視頻數(shù)據(jù)。所述正樣本區(qū)域是指人工標注為正例的區(qū)域，即人群聚集的區(qū)域；所述負樣本區(qū)域是指人工標注為負例的區(qū)域，即無人群聚集的區(qū)域。所述獲取的正樣本區(qū)域可以為一個或者多個，當正樣本區(qū)域為多個時，則該多個正樣本區(qū)域組成了正樣本集合，這種情況下，基于正樣本集合中各個正樣本區(qū)域的角點密度值進行統(tǒng)計可以得到第一分布圖。所述獲取的負樣本區(qū)域可以為一個或者多個，當負樣本區(qū)域為多個時，則該多個負樣本區(qū)域組成了負樣本集合，這種情況下，基于負樣本集合中各個負樣本區(qū)域的角點密度值進行統(tǒng)計可以得到第二分布圖。所述角點密度的分布圖反映了角點密度的分布情況。其中，分布圖的橫坐標代表角點密度取值，縱坐標代表每個角點密度值所對應(yīng)的樣本區(qū)域在所有樣本區(qū)域中所占的比例。例如，有100個正樣本區(qū)域，其中，有20個區(qū)域的角點密度值均為T，則該角點密度值T對應(yīng)的分布為20％。參見圖4，為自動設(shè)置第二閾值時采用的角點密度分布示意圖。其中，有兩條曲線，分別為正樣本區(qū)域的角點密度的分布圖和負樣本區(qū)域的角點密度的分布圖。兩條曲線的交點對應(yīng)的角點密度值為T1，該角點密度值T1對應(yīng)的比例為a％，表明在正樣本和負樣本中角點密度值為T1的樣本區(qū)域均占樣本區(qū)域總數(shù)的a％，將該角點密度值T1作為所述第二閾值，以備根據(jù)角點密度對人群聚集的區(qū)域進行過濾，從而可以進一步提高檢測的精度。本實施例提供的上述方法，通過獲取視頻數(shù)據(jù)中的角點和前景區(qū)域，根據(jù)所述角點和前景區(qū)域計算得到聚類，并根據(jù)所述聚類構(gòu)建人群聚集的區(qū)域，實現(xiàn)了人群聚集的自動檢測，不依賴于人的位置檢測，解決了現(xiàn)有技術(shù)非常受限的問題，而且也不受人體圖像尺寸大小的影響，可以應(yīng)用于任何場景，包括復(fù)雜的場景，極大地提高了應(yīng)用范圍，能夠更好地滿足用戶的需求。另外，通過計算人群聚集區(qū)域的大小和/或角點密度并進行過濾，可以過濾掉構(gòu)建的人群聚集區(qū)域中的誤檢區(qū)域，進一步提高了人群聚集檢測的精度和魯棒性。例如，參見圖5，為對構(gòu)建的人群聚集的區(qū)域進行過濾的示意圖。其中，圖(a)顯示為按照本實施例提供的方法構(gòu)建出的三個人群聚集的區(qū)域，在根據(jù)人群聚集區(qū)域的大小和角點密度進行過濾后得到圖(b)顯示的人群聚集的區(qū)域，可以看出，能夠把誤檢的一個區(qū)域過濾掉，提高了人群聚集區(qū)域檢測的精度。由于處于運動狀態(tài)中的行人或者物體，通常也會出現(xiàn)很多角點，但是卻不屬于人群聚集，從而可能會導(dǎo)致出現(xiàn)誤檢，因此，參見圖6，本發(fā)明實施例還提供了一種人群聚集檢測的方法，與上述實施例的不同之處在于，在構(gòu)建出人群聚集的區(qū)域之后根據(jù)光流強度密度進行過濾，以便過濾掉運動狀態(tài)的行人或者物體的誤檢，以提高檢測的精度，該方法包括：601：獲取視頻數(shù)據(jù)中的角點和前景區(qū)域。602：根據(jù)該角點和前景區(qū)域，進行計算得到聚類。603：根據(jù)該聚類構(gòu)建人群聚集的區(qū)域。步驟601至603的具體實現(xiàn)過程與上述實施例中的描述相同，此處不贅述。604：計算所述人群聚集的區(qū)域內(nèi)指定像素點的光流強度。本發(fā)明實施例涉及的光流(Opticalfloworopticflow)是關(guān)于視域中的物體運動檢測中的概念，是指空間運動物體在觀測成像面上的像素運動的瞬時速度，它可以反映物體的運動狀態(tài)。光流的研究是利用圖像序列中的像素強度數(shù)據(jù)的時域變化和相關(guān)性來確定各自像素位置的“運動”，通常，不明顯運動的物體，其光流信息比較微小，處于劇烈運動狀態(tài)的物體，其光流信息比較豐富。當人群聚集后，停留在一個特定地點，不處于劇烈的運動狀態(tài)，其光流信息比較微小。因此，利用光流信息可以在視頻數(shù)據(jù)中，區(qū)分出人群聚集區(qū)域和劇烈運動的物體區(qū)域。光流信息包括光流方向和光流強度，與本發(fā)明相關(guān)的主要是光流強度，關(guān)于光流方向則不做具體說明。計算光流強度的方法有多種，本發(fā)明實施例中可以采用任意方法來計算光流強度，例如：Lucas-Kanade方法(LK方法)、Horn-Schunk方法(HS方法)、組合LK和HS的光流計算方法等，此處不做具體限定。其中，所述指定像素點是預(yù)先指定的所述人群聚集區(qū)域內(nèi)的像素點，具體地，可以為該區(qū)域內(nèi)的部分像素點，或者也可以為全部像素點，本發(fā)明對此不限定。優(yōu)選地，可以指定該區(qū)域內(nèi)的全部像素點，從而計算該區(qū)域內(nèi)全部像素點的光流強度。605：根據(jù)該人群聚集的區(qū)域內(nèi)指定像素點的光流強度，計算該人群聚集的區(qū)域的光流強度密度。具體地，一個人群聚集的區(qū)域的光流強度密度可以按照如下公式來計算：其中，分子上為該人群聚集的區(qū)域Area內(nèi)的指定像素點的光流強度之和，r是該人群聚集的區(qū)域Area的半徑，πr2表示該人群聚集的區(qū)域的面積。606：根據(jù)該光流強度密度對該人群聚集的區(qū)域進行過濾。其中，根據(jù)該光流強度密度對該人群聚集的區(qū)域進行過濾，可以具體包括：對于每一個人群聚集的區(qū)域，如果該區(qū)域的光流強度密度大于預(yù)設(shè)的第三閾值，則將該區(qū)域過濾掉。其中，所述預(yù)設(shè)的第三閾值為預(yù)先設(shè)置的光流強度密度的邊界值，當人群聚集的區(qū)域的光流強度密度大于該第三閾值時，認為該區(qū)域的光流強度密度較高，則該區(qū)域可能是個誤檢，如處于劇烈運動狀態(tài)的行人或者物體，因此，過濾掉該區(qū)域；當人群聚集的區(qū)域的光流強度密度小于等于該第三閾值時，認為該區(qū)域的光流強度密度較低或者比較合適，如處于靜止狀態(tài)的人群，則該區(qū)域被視為是正確的人群聚集區(qū)域，因此，保留該區(qū)域。通過這種基于人群聚集的光流強度密度進行過濾的手段，可以把光流強度密度較大的區(qū)域過濾掉，保留下光流強度密度小于等于該第三閾值的區(qū)域，從而可以過濾掉涉及運動狀態(tài)誤檢的區(qū)域，進一步地提高檢測的精度。本實施例中，所述第三閾值可以根據(jù)經(jīng)驗設(shè)置為固定的值，如設(shè)置為0.6等，本發(fā)明對此不限定。當然，也可以采用自動設(shè)置第三閾值的方法，以保證第三閾值設(shè)置得更合理，更精確地反映光流強度密度的實際情況。具體地，上述方法中，根據(jù)該光流強度密度對人群聚集的區(qū)域進行過濾之前，還包括自動獲取第三閾值的步驟，具體如下：獲取人工標注的樣本數(shù)據(jù)中人群聚集的正樣本區(qū)域和負樣本區(qū)域；計算該正樣本區(qū)域的光流強度密度和該負樣本區(qū)域的光流強度密度；統(tǒng)計該正樣本區(qū)域的光流強度密度的第三分布圖，以及該負樣本區(qū)域的光流強度密度的第四分布圖；獲取該第三分布圖和該第四分布圖的交點對應(yīng)的光流強度密度值；將該獲取的光流強度密度值作為該第三閾值。其中，所述樣本數(shù)據(jù)為預(yù)先采集的視頻數(shù)據(jù)，優(yōu)選地，為采集的與待檢測的視頻數(shù)據(jù)的場景相關(guān)的視頻數(shù)據(jù)，或者為同一場景下的視頻數(shù)據(jù)。所述正樣本區(qū)域是指人工標注為正例的區(qū)域，即人群聚集的區(qū)域；所述負樣本區(qū)域是指人工標注為負例的區(qū)域，即無人群聚集的區(qū)域。所述獲取的正樣本區(qū)域可以為一個或者多個，當正樣本區(qū)域為多個時，則該多個正樣本區(qū)域組成了正樣本集合，這種情況下，基于正樣本集合中各個正樣本區(qū)域的光流強度密度值進行統(tǒng)計可以得到第三分布圖。所述獲取的負樣本區(qū)域可以為一個或者多個，當負樣本區(qū)域為多個時，則該多個負樣本區(qū)域組成了負樣本集合，這種情況下，基于負樣本集合中各個負樣本區(qū)域的光流強度密度值進行統(tǒng)計可以得到第四分布圖。所述光流強度密度的分布圖反映了光流強度密度的分布情況。其中，分布圖的橫坐標代表光流強度密度取值，縱坐標代表每個光流強度密度值所對應(yīng)的樣本區(qū)域在所有樣本區(qū)域中所占的比例。例如，有100個正樣本區(qū)域，其中，有15個區(qū)域的光流強度密度值均為T，則該光流強度密度值T對應(yīng)的分布為15％。參見圖7，為自動設(shè)置第三閾值時采用的光流強度密度分布示意圖。其中，有兩條曲線，分別為正樣本區(qū)域的光流強度密度的分布圖和負樣本區(qū)域的光流強度密度的分布圖。兩條曲線的交點對應(yīng)的光流強度密度值為T2，該光流強度密度值T2對應(yīng)的比例為b％，表明在正樣本和負樣本中光流強度密度值為T2的樣本區(qū)域均占樣本區(qū)域總數(shù)的b％，將該光流強度密度值T2作為所述第三閾值，以備根據(jù)光流強度密度對人群聚集的區(qū)域進行過濾，從而可以進一步提高檢測的精度。在實際應(yīng)用中，本實施例中根據(jù)光流強度密度對人群聚集的區(qū)域進行過濾的步驟，還可以和上述實施例中根據(jù)人群聚集的區(qū)域的大小和/或角點密度進行過濾，結(jié)合起來應(yīng)用，也就是說，在對人群聚集的區(qū)域進行過濾時，可以選取區(qū)域大小過濾、角點密度過濾或光流強度密度過濾中的至少一種方式來進行過濾。優(yōu)選地，分別采用這三種方式進行過濾，從而可以更進一步提高檢測的精度。當選取其中兩種或三種方式進行過濾時，各自的過濾步驟是相互獨立的，互不影響，而且過濾的步驟也沒有固定的先后順序，本發(fā)明對此不限定。本實施例提供的上述方法，通過獲取視頻數(shù)據(jù)中的角點和前景區(qū)域，根據(jù)所述角點和前景區(qū)域計算得到聚類，并根據(jù)所述聚類構(gòu)建人群聚集的區(qū)域，實現(xiàn)了人群聚集的自動檢測，不依賴于人的位置檢測，解決了現(xiàn)有技術(shù)非常受限的問題，而且也不受人體圖像尺寸大小的影響，可以應(yīng)用于任何場景，包括復(fù)雜的場景，極大地提高了應(yīng)用范圍，能夠更好地滿足用戶的需求。另外，通過計算人群聚集區(qū)域的光流強度密度并進行過濾，可以過濾掉構(gòu)建的人群聚集區(qū)域中涉及的運動狀態(tài)的誤檢區(qū)域，進一步提高了人群聚集檢測的精度和魯棒性。例如，參見圖8，為對構(gòu)建的人群聚集的區(qū)域進行過濾的示意圖。其中，圖(a)顯示為按照本實施例提供的方法構(gòu)建出的兩個人群聚集的區(qū)域，對人群聚集區(qū)域進行光流強度密度的計算，得到大于第三閾值的一個誤檢區(qū)域如圖(b)所示，將該誤檢區(qū)域過濾掉后得到圖(c)顯示的人群聚集的區(qū)域，可以看出，基于光流強度密度進行過濾后，進一步地提高了人群聚集區(qū)域檢測的精度。參見圖9，本發(fā)明實施例還提供了一種人群聚集檢測的裝置，包括：獲取模塊901，用于獲取視頻數(shù)據(jù)中的角點和前景區(qū)域；聚類模塊902，用于根據(jù)獲取模塊901得到的該角點和前景區(qū)域，進行計算得到聚類；構(gòu)建模塊903，用于根據(jù)聚類模塊902得到的該聚類構(gòu)建人群聚集的區(qū)域。本實施例中，獲取模塊901獲取角點和前景區(qū)域沒有固定的順序，可以分先后進行，也可以同時進行，本發(fā)明對此不限定。所述視頻數(shù)據(jù)是指通過攝像設(shè)備采集到的視頻圖像，當然，該攝像設(shè)備也可以采集到聲音，但是，與本發(fā)明無關(guān)，因此，本發(fā)明中提到的視頻數(shù)據(jù)主要是指視頻圖像。通常，視頻圖像都是實時采集的，因此，本發(fā)明實施例中獲取模塊901獲取角點，以及提取前景區(qū)域也都是實時進行的。參見圖10，在一種實施方式下，聚類模塊902可以包括：處理單元902a，用于對獲取的角點和前景區(qū)域內(nèi)的像素點取交集，得到一個角點集合；聚類單元902b，用于采用聚類算法對處理單元902a得到的角點集合執(zhí)行聚類操作得到聚類。在另一種實施方式下，構(gòu)建模塊903具體用于：對得到的每一個聚類，以聚類中心為中心構(gòu)建一個人群聚集的區(qū)域，且該區(qū)域為包括該聚類內(nèi)的角點的區(qū)域。在本發(fā)明的又一種實施方式下，優(yōu)選地，構(gòu)建模塊903可以具體用于：對得到的每一個聚類，以聚類中心為中心構(gòu)建一個人群聚集的區(qū)域，且該區(qū)域為包括該聚類內(nèi)的所有角點的最小區(qū)域，所述角點是圖像中具有局部結(jié)構(gòu)特性的像素點。當根據(jù)聚類構(gòu)建人群聚集的區(qū)域時，只要能夠包括該聚類中所包含的所有角點，可以構(gòu)建出任意大小的人群聚集的區(qū)域，如不同半徑大小的圓形，例如，構(gòu)建模塊903具體用于：對得到的每一個聚類，以聚類中心為圓心構(gòu)建一個圓形的人群聚集的區(qū)域，且該區(qū)域的半徑為包括該聚類內(nèi)的所有角點的最小圓半徑，從而可以更精確地表示人群聚集的區(qū)域。本實施例以構(gòu)建圓形的人群聚集區(qū)域為例，當然在本發(fā)明的其它實施例中，也可以構(gòu)建其它形狀的人群聚集區(qū)域，比如，正方形、長方形、橢圓形等等，本發(fā)明對此不限定。進一步地，本實施例提供的所述裝置，還可以包括：尺寸過濾模塊904，用于在構(gòu)建模塊903構(gòu)建人群聚集的區(qū)域之后，計算該人群聚集的區(qū)域的大小，根據(jù)該人群聚集的區(qū)域的大小對該人群聚集的區(qū)域進行過濾；或者，角點密度過濾模塊905，用于在構(gòu)建模塊903構(gòu)建人群聚集的區(qū)域之后，計算該人群聚集的區(qū)域的角點密度，根據(jù)該角點密度對該人群聚集的區(qū)域進行過濾。在實際應(yīng)用中，尺寸過濾模塊904根據(jù)人群聚集的區(qū)域的大小進行過濾，和角點密度過濾模塊905根據(jù)人群聚集的區(qū)域的角點密度進行過濾，可以任選其中之一來執(zhí)行，當然，優(yōu)選地，這兩種過濾均執(zhí)行，從而可以進一步提高檢測的精度。當這兩種過濾均執(zhí)行時，沒有固定的先后順序，本發(fā)明對此不限定。其中，尺寸過濾模塊904可以具體用于：在構(gòu)建模塊903構(gòu)建人群聚集的區(qū)域之后，計算該人群聚集的區(qū)域的大小，對于構(gòu)建的每一個人群聚集的區(qū)域，如果該區(qū)域的大小小于預(yù)設(shè)的第一閾值，則將該區(qū)域過濾掉。其中，角點密度過濾模塊905可以具體用于：在構(gòu)建模塊903構(gòu)建人群聚集的區(qū)域之后，計算該人群聚集的區(qū)域的角點密度，對于構(gòu)建的每一個人群聚集的區(qū)域，如果該區(qū)域的角點密度小于預(yù)設(shè)的第二閾值，則將該區(qū)域過濾掉。其中，所述預(yù)設(shè)的第二閾值為預(yù)先設(shè)置的角點密度的邊界值，當人群聚集的區(qū)域的角點密度小于該第二閾值時，認為該區(qū)域的角點密度較低，則該區(qū)域可能是個誤檢，因此，過濾掉該區(qū)域。通過這種基于人群聚集的角點密度進行過濾的手段，可以把角點密度較小的誤檢區(qū)域過濾掉，從而提高檢測的精度。本實施例中，所述第二閾值可以根據(jù)經(jīng)驗設(shè)置為固定的值，如設(shè)置為0.6等，本發(fā)明對此不限定。當然，也可以采用自動設(shè)置第二閾值的方法，以保證第二閾值設(shè)置得更合理，更精確地反映角點密度的實際情況。具體地，所述裝置進一步還可以包括：第一生成模塊，用于獲取人工標注的樣本數(shù)據(jù)中人群聚集的正樣本區(qū)域和負樣本區(qū)域，計算該正樣本區(qū)域的角點密度和該負樣本區(qū)域的角點密度，統(tǒng)計該正樣本區(qū)域的角點密度的第一分布圖，以及該負樣本區(qū)域的角點密度的第二分布圖，獲取該第一分布圖和該第二分布圖的交點對應(yīng)的角點密度值，將該獲取的角點密度值作為該第二閾值。其中，所述第一生成模塊獲取的樣本數(shù)據(jù)為預(yù)先采集的視頻數(shù)據(jù)，優(yōu)選地，為采集的與待檢測的視頻數(shù)據(jù)的場景相關(guān)的視頻數(shù)據(jù)，或者為同一場景下的視頻數(shù)據(jù)。所述正樣本區(qū)域是指人工標注為正例的區(qū)域，即人群聚集的區(qū)域；所述負樣本區(qū)域是指人工標注為負例的區(qū)域，即無人群聚集的區(qū)域。所述獲取的正樣本區(qū)域可以為一個或者多個，當正樣本區(qū)域為多個時，則該多個正樣本區(qū)域組成了正樣本集合，這種情況下，基于正樣本集合中各個正樣本區(qū)域的角點密度值進行統(tǒng)計可以得到第一分布圖。所述獲取的負樣本區(qū)域可以為一個或者多個，當負樣本區(qū)域為多個時，則該多個負樣本區(qū)域組成了負樣本集合，這種情況下，基于負樣本集合中各個負樣本區(qū)域的角點密度值進行統(tǒng)計可以得到第二分布圖。本實施例中，又一種實施方式下，所述裝置還可以包括：光流強度密度過濾模塊906，用于在構(gòu)建模塊903構(gòu)建人群聚集的區(qū)域之后，計算該人群聚集的區(qū)域內(nèi)指定像素點的光流強度，根據(jù)該指定像素點的光流強度，計算該人群聚集的區(qū)域的光流強度密度，根據(jù)該光流強度密度對該人群聚集的區(qū)域進行過濾。所述指定像素點可以為該人群聚集區(qū)域內(nèi)的部分像素點，或者也可以為該人群聚集區(qū)域內(nèi)的全部像素點，本發(fā)明對此不限定。其中，光流強度密度過濾模塊906可以包括：過濾單元，用于在根據(jù)該光流強度密度對該人群聚集的區(qū)域進行過濾時，對于構(gòu)建的每一個人群聚集的區(qū)域，如果該區(qū)域的光流強度密度大于預(yù)設(shè)的第三閾值，則將該區(qū)域過濾掉。其中，所述預(yù)設(shè)的第三閾值為預(yù)先設(shè)置的光流強度密度的邊界值，當人群聚集的區(qū)域的光流強度密度大于該第三閾值時，認為該區(qū)域的光流強度密度較高，則該區(qū)域可能是個誤檢，如處于劇烈運動狀態(tài)的行人或者物體，因此，過濾掉該區(qū)域。通過這種基于人群聚集的光流強度密度進行過濾的手段，可以把光流強度密度較大的區(qū)域過濾掉，從而可以過濾掉涉及運動狀態(tài)誤檢的區(qū)域，進一步地提高檢測的精度。本實施例中，所述第三閾值可以根據(jù)經(jīng)驗設(shè)置為固定的值，如設(shè)置為0.6等，本發(fā)明對此不限定。當然，也可以采用自動設(shè)置第三閾值的方法，以保證第三閾值設(shè)置得更合理，更精確地反映光流強度密度的實際情況。具體地，所述裝置進一步還可以包括：第二生成模塊，用于獲取人工標注的樣本數(shù)據(jù)中人群聚集的正樣本區(qū)域和負樣本區(qū)域，計算該正樣本區(qū)域的光流強度密度和該負樣本區(qū)域的光流強度密度，統(tǒng)計該正樣本區(qū)域的光流強度密度的第三分布圖，以及該負樣本區(qū)域的光流強度密度的第四分布圖，獲取該第三分布圖和該第四分布圖的交點對應(yīng)的光流強度密度值，將該獲取的光流強度密度值作為該第三閾值。其中，所述第二生成模塊獲取的樣本數(shù)據(jù)為預(yù)先采集的視頻數(shù)據(jù)，優(yōu)選地，為采集的與待檢測的視頻數(shù)據(jù)的場景相關(guān)的視頻數(shù)據(jù)，或者為同一場景下的視頻數(shù)據(jù)。所述正樣本區(qū)域是指人工標注為正例的區(qū)域，即人群聚集的區(qū)域；所述負樣本區(qū)域是指人工標注為負例的區(qū)域，即無人群聚集的區(qū)域。所述獲取的正樣本區(qū)域可以為一個或者多個，當正樣本區(qū)域為多個時，則該多個正樣本區(qū)域組成了正樣本集合，這種情況下，基于正樣本集合中各個正樣本區(qū)域的光流強度密度值進行統(tǒng)計可以得到第三分布圖。所述獲取的負樣本區(qū)域可以為一個或者多個，當負樣本區(qū)域為多個時，則該多個負樣本區(qū)域組成了負樣本集合，這種情況下，基于負樣本集合中各個負樣本區(qū)域的光流強度密度值進行統(tǒng)計可以得到第四分布圖。本實施例提供的上述裝置，可以執(zhí)行上述方法實施例中的任一方法，具體過程詳見方法實施例中的描述，此處不贅述。所述裝置可以位于計算機等設(shè)備中，本發(fā)明對此不限定。本實施例提供的上述裝置，通過獲取視頻數(shù)據(jù)中的角點和前景區(qū)域，根據(jù)所述角點和前景區(qū)域計算得到聚類，并根據(jù)所述聚類構(gòu)建人群聚集的區(qū)域，實現(xiàn)了人群聚集的自動檢測，不依賴于人的位置檢測，解決了現(xiàn)有技術(shù)非常受限的問題，而且也不受人體圖像尺寸大小的影響，可以應(yīng)用于任何場景，包括復(fù)雜的場景，極大地提高了應(yīng)用范圍，能夠更好地滿足用戶的需求。其中，以圓形構(gòu)建人群聚集的區(qū)域形象直觀，方便用戶查看，以包括聚類內(nèi)所有角點的最小圓形來構(gòu)建人群聚集的區(qū)域，可以更精確地表示人群聚集的區(qū)域。另外，通過計算人群聚集區(qū)域的大小、角點密度、和/或光流強度密度并進行過濾，可以過濾掉構(gòu)建的人群聚集區(qū)域中的誤檢區(qū)域，進一步提高了人群聚集檢測的精度和魯棒性。本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施例的全部或部分步驟可以通過硬件來完成，也可以通過程序來指令相關(guān)的硬件完成，所述的程序可以存儲于一種計算機可讀存儲介質(zhì)中，上述提到的存儲介質(zhì)可以是只讀存儲器，磁盤或光盤等。以上所述僅為本發(fā)明的較佳實施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。