Opencv+Yolov3算法实现社交距离安全检测讲解和实战（Social Distance Detector）

在我们进行交流谈话时，人与人之间总要保持一定的距离，尤其是在疫情的情况下，人与人之间更要保持一定的安全距离，今天给大家来介绍一个检测社交距离的项目，实现社交距离检测器。

社交距离（Social Distance）

社会隔离是一种控制传染病传播的方法，保持一定的社交距离，可以让我们减少亲密接触，从而减少传染病的传播，在疫情期间，我们用人与人之间的实际距离，比如人与人之间相隔2米来衡量，作为一个阈值，超过2米远，则是安全距离，反之违反了安全距离，在计算机中如何做到这样的检测呢？如何构建这样社交距离检测器呢？

构建社交距离检测器

我们首先使用Opencv和常见的目标检测算法，如：yolov3检测我们要检测的视频流中的所有人，然后再计算所有检测到的人之间的相互“ 距离 ”，和我们现实生活中用“米”这样的单位衡量距离不一样的是，在计算机中，简单的方法是我们用检测到的两个人的质心，也就是检测到的目标框的中心之间相隔的像素值作为计算机中的“距离”来衡量视频中的人之间的距离是否超过安全距离。

构建步骤：

• 使用目标检测算法检测视频流中的所有人，得到位置信息和质心位置
• 计算所有检测到的人质心之间的相互距离
• 设置安全距离，计算每个人之间的距离对，检测两个人之间的距离是否小于N个像素，小于则处于安全距离，反之则不处于。

项目架构：

pyimagesearch目录：

social_distancing_config.py：配置文件，定义初始化最小概率来过滤弱检测和非极大抑制阈值，定义最小安全社交社会距离，单位：像素。detection.py: 使用目标检测算法yolov3对视频流中的目标进行检测，得到目标的位置(左上右下)以及质心位置。

yolo-coco目录：coco.names: 定义目标检测算法要检测的类别，这里使用目标检测算法yolov3-coco训练的初始化权重，所以分类数为80yolov3.cfg: yolov3网络结构的定义文件，利用yolov3模型检测，得到目标位置信息。yolov3.weights ：yolov3模型的初始化权重

social_distance_detector.py: 对视频文件或者网络摄像头视频流，借助detection.py得到的检测结果，计算成对人之间的距离并进行阈值判断是否处于安全社交距离之内，最终将结果进行展示绘制 ，输入视频street.mp4,输出outputstreet.mp4。

整体实现流程图

代码讲解

detect_people.py

使用yolov3目标检测器来检测视频流中的行人，得到视频中每一个人的位置信息，并进行处理，最终返回的results列表，包含5个信息：目标人的置信度、目标人位置、目标的质心位置。

social_distance_detector.py
根据检测算法的结果进行处理，绘制展现最终输出结果。

环境搭建

• Windows 10
• Anaconda + Pycharm
• Python ==3.6
• Opencv-Python==4.1.2.30
• imutils + scipy +numpy

结果展示

在控制台输入命令:

python social_distance_detector.py --input street.mp4 --output outputstreet.avi

视频中的数字即代表违反社交安全距离的人数。

 

Yolov3算法实现社交距离安全检测项目讲解和实战

 

总结

为了获得最准确的结果，你应该通过内部/外部参数校准摄像机，以便可以将像素映射到可测量的单位；一种更简单的替代方法（但准确度低）是应用三角相似度校准（链接）。这些方法都可以将像素映射到可测量的单位。

如果你不想用相机校准来实现社交距离检测器，那你必须严格依赖像素距离，但像素距离不一定那么准确。在这里我们社交距离检测器使用像素距离。

更多有关python、深度学习和计算机编程和电脑知识的精彩内容，可以关注微信公众号：码农的后花园