用于朝觐视频帧中人群密度分类的机器学习模型

管理朝觐和副朝觐的大规模年度集会带来了重大挑战，特别是沙特政府旨在增加朝觐者人数的情况下。目前，约有200万朝觐者参加朝觐，2600万参加副朝觐，这使得人群控制成为主要关注点，特别是在环游克尔白等关键区域。在阿拉法特等关键地点管理密集人群还会带来额外风险，踩踏、火灾和流行病爆发的潜在威胁对公共安全构成了严重挑战。本研究提出了一种机器学习模型，将朝觐期间录制的视频帧中的人群密度分为三个等级：中度人群、过度拥挤和非常密集的人群，并在检测到非常密集的人群时闪烁红灯以实时提醒组织者。目前处理朝觐监控视频的研究工作仅侧重于使用CNN检测异常行为，而本研究更侧重于可能导致灾难的高风险人群。危险的人群状况需要稳健的方法，因为错误分类可能会引发不必要的警报和政府干预，而未能分类则可能导致灾难。所提出的模型集成了局部二值模式（LBP）纹理分析，增强了用于区分不同人群密度等级的特征提取，并结合了边缘密度和基于面积的特征。该模型在KAU-Smart Crowd 'HAJJv2'数据集上进行了测试，该数据集包含朝觐期间来自各个关键地点的18个视频，包括“赛跑”、“投石”、“阿拉法特”和“环游”。该模型达到了87%的准确率，错误率（误分类率）为2.14%，证明了其有效检测和分类各种人群状况的能力。这有助于加强朝觐等大型活动期间的人群管理和安全。