CN104992223A - 基于深度学习的密集人数估计方法 - Google Patents

基于深度学习的密集人数估计方法 Download PDF

Info

Publication number
CN104992223A
CN104992223A CN201510336483.7A CN201510336483A CN104992223A CN 104992223 A CN104992223 A CN 104992223A CN 201510336483 A CN201510336483 A CN 201510336483A CN 104992223 A CN104992223 A CN 104992223A
Authority
CN
China
Prior art keywords
block
image
degree
layer
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201510336483.7A
Other languages
English (en)
Other versions
CN104992223B (zh
Inventor
李腾
胡耀聪
王妍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Institute Of Intelligent Software Industry
Guangzhou Zhongke Kaize Technology Co Ltd
Original Assignee
Anhui University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui University filed Critical Anhui University
Priority to CN201510336483.7A priority Critical patent/CN104992223B/zh
Publication of CN104992223A publication Critical patent/CN104992223A/zh
Application granted granted Critical
Publication of CN104992223B publication Critical patent/CN104992223B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)

Abstract

本发明涉及一种基于深度学习的密集人数估计方法，包括以下步骤：选择一幅密集场景的图像作为测试图像，然后对测试图像进行分块操作，分块的比例要保证与原图像的宽高比近似相同；将分得的图像块进行归一化操作，归一化成32×32的像素块，作为我们的测试样本，并附上对应的真实人数标签；将像素块批量送入已经训练好的深度网络中，对于每个像素块，网络都会反馈一个预测结果；将每个像素块的预测结果求和，所得到的结果就是我们需要估计的测试图像中的总人数。本发明的有益效果是：将深度学习的方法引入到了人数统计这一具体问题之中；构造的包含两路信号的回归模型，从一定程度上降低了出现过拟合的可能性。

Description

基于深度学习的密集人数估计方法
技术领域
本发明属于图像处理与计算机视觉领域，涉及一种基于深度学习的密集人数估计方法。
背景技术
密集场合中的人数估计有着许多潜在实际应用价值，包括监测(例如，检测异常大的拥挤人群，或者控制在一个地区内的人的数量)，安全管理(记录进入或离开某个区域的人数)，城市规划(例如，分析某个区域的人流量)等。因此，人数统计在计算机视觉及其相关领域是一个重要的研究课题。
密集场景中的人数估计主要存在两个难点：
(1)场景中物体的相互遮挡，场景的透视失真，光照条件引起的视觉模糊和复杂人群活动等因素。
(2)当人群趋于拥挤时，人数信息很难用传统的特征(如HOG，Haar小波，灰度共生矩阵)来表示，使得基于特征提取并定位检测的方法很难适用于人数超过一百的场景中。
与本发明相关的现有技术一：基于人头及人脸检测的人数统计算法。
现有技术一的技术方案：此方法包含人脸检测和人头检测，用Haar-like特征模板来检测图像中的人脸，用BP人工神经网络来进行人头检测，两种检测方法结合。最后检测到的人的个数就是估计出来的人数。
现有技术一的缺点：(1)该方法只能用于检测几十人的场景，当场景中的人数超过一百时，就很难有效进行的检测，如图1所示；(2)基于检测的方法需要使用滑动窗口，这是一个很耗时的过程。
与本发明相关的现有技术二：基于灰度共生矩阵与分形维数的人群密度估计方法。
现有技术二的技术方案：采用于纹理分析的方法提取人群密度特征，利用灰度共生矩阵提取统计特征值如熵、对比度以及能量等，采用差分盒维数法计算图像的分形维数。最后通过非线性分类方法实现对人数密度的估计。
现有技术二的缺点：只能对场景中的人数密度等级进行估计，而不能给出具体的人数估计值。
发明内容
本发明要解决的技术问题是：基于上述问题，本发明提供一种基于深度学习的密集人数估计方法。
本发明解决其技术问题所采用的一个技术方案是：一种基于深度学习的密集人数估计方法，包括以下步骤：
(1)选择一幅密集场景的图像作为测试图像，然后对测试图像进行分块操作，分块的比例要保证与原图像的宽高比近似相同；
(2)将分得的图像块进行归一化操作，归一化成32×32的像素块，作为我们的测试样本，并附上对应的真实人数标签；
(3)将像素块批量送入已经训练好的深度网络中，对于每个像素块，网络都会反馈一个预测结果；
(4)将每个像素块的预测结果求和，所得到的结果就是我们需要估计的测试图像中的总人数。
进一步地，步骤(3)中在像素块批量送入已经训练好的深度网络之前需要采用水平镜像和水平竖直偏移的方法对训练样本进行数据增强。
进一步地，步骤(3)中深度网络训练需要训练一个多层卷积神经网络，多层卷积神经网络包含四层，其中前三层为卷积层，最后一层为全连接层，跟随在每个卷积层后面的还包括了池化层和ReLU层，池化层采用最大值池化方法，ReLU是一种线性纠正函数，最后一层全连接层包含有100个神经元，这100个神经元与第二层以及第三层的输出进行全连接，这100个神经元的输出就是我们最终所提取的100维特征向量。
进一步地，步骤(3)中网络反馈每个图像块预测结果是通过构造一个包含两路信号的回归模型用来估计出每个输入图像块中的具体人数，这两路信号分别是人群密度信号和人群计数信号，人群密度信号是将得到的100维特征根据图像块中的密度等级进行分类，人群计数信号是将得到的100维特征向量和单个神经元进行全连接，再经过一个线性变换，得出一个数值，这个数值就是所估计出的人数。
本发明的有益效果是：当我们将给定的密集图像送入到预先训练好的深度网络时，网络可以返回估计出的具体人数，估计结果在人数从几十到两千的场景中，都具有一定的准确性；其速度也明显优于传统的基于检测的方法；将深度学习的方法引入到了人数统计这一具体问题之中；构造的包含两路信号的回归模型，从一定程度上降低了出现过拟合的可能性。
附图说明
下面结合附图对本发明进一步说明。
图1是本发明的背景技术中用来解释现有技术一的方法缺陷的图组；
图2是本发明的具体实施方式中图像块进行分块操作示意图；
图3是本发明的具体实施方式中多层卷积神经网络的框架示意图；
图4是本发明的具体实施方式中人群密度信号softmax连接示意图；
图5是本发明的具体实施方式中人数计数信号的连接示意图；
图6是本发明的整体流程图；
图7是具有代表性的人数估计结果图。
具体实施方式
现在结合具体实施例对本发明作进一步说明，以下实施例旨在说明本发明而不是对本发明的进一步限定。
一、数据采集
数据来源于谷歌图像搜索引擎，从中选择了107张密集场景的图像作为数据集，该数据集中所包含的人数从58-2201，接着对图像中的人群进行手工标注(每个人用一个点来表示)，最后我们对图像进行切块，并把每个块归一化到32×32的小像素块，附上相应的标签，标签包含图像块中的具体人数以及对应的密度等级(密度等级根据图像块中的人数来划定)，如图2所示。
接着采用了水平镜像和水平、竖直偏移的方法对图像进行数据增强，产生了486576个训练样本，是原始样本的8倍。这种数据增强可以使训练出的网络对形变有更好的鲁棒性，并抑制了过拟合的产生。
二、深度网络的训练
(1)卷积神经网络学习特征
首先需要训练一个多层卷积神经网络，用于提取密集人群特征。整个网络的框架如图3所示。该网络包含四层，其中前三层为卷积层，最后一层为全连接层。跟随在每个卷积层后面的还包括了池化层和ReLU层。其中，池化层都采用最大值池化方法，而ReLU则是一种线性纠正函数。当训练数据比较大时，ReLU作为激活函数比传统的sigmoid的函数具有更好的适应能力。最后一层全连接层包含有100个神经元，这100个神经元与第二层以及第三层的输出进行全连接，而这一百个神经元的输出就是我们最终所提取的100维特征向量。这样的一种全连接方式，会让我们学习到人群特征中的一些多尺度的信息，比如纹理特征，以及一些细节轮廓。这些信息在第三个卷积层中是学不到的。
卷积层1：用16个5×5×3的核去卷积32×32×3的输入图像块，再经过2×2的最大值池化和ReLU得到14×14×16的特征。
卷积层2：用32个3×3×16的核去卷积卷积层1输出的14×14×16特征，再经过2×2的最大值池化和ReLU得到6×6×32的特征。
卷积层3：用64个2×2×32的核去卷积卷积层2输出的6×6×32特征，再经过2×2的最大值池化和ReLU得到2×2×64的特征。
全连接层4：卷积层2的输出与卷积层3的输出与全连接层的100个神经元相连，得到的100个神经元的输出，就是我们所需要提取的100维特征向量。
(2)构造回归模型估计具体人数
当卷积网络提取出这100维特征向量后，我们又构造一个包含两路信号的回归模型用来估计出每个输入图像块中的具体人数。这两路信号分别是人群密度信号和人群计数信号。
A.人群密度信号
将得到的100维特征根据图像块中的密度等级进行分类。如图4所示，这样的一种全连接方式构成了一个n维的softmax分类器。Softmax层的每个节点输出代表n个类别的概率分布，而这个softmax层分类而产生的交叉熵损失，就作为我们的人群密度信号。
人群密度信号对网络起着直接正则化的作用，并且可以显著的增加不同密度等级的类间方差。
B.人群计数信号
将得到的100维特征向量和单个神经元进行全连接，再经过一个线性变换，得出一个数值，这个数值就是所估计出的人数。特征向量的连接方式如图5所示。
单神经元所输出的估计值与真实块中的人数之间的距离损失，就作为我们的人群计数信号。在这里我们采用MESA距离。MESA距离被定义为一次迭代中估计值与真实值的最大偏差。该距离适用于密度估计和计数问题。
C.两路信号结合的原因
人群密度信号和人群计数信号，这两路信号缺一不可。
训练图像块中的人数分布范围非常大，从0人到79人，分布比例不均衡，训练样本也并不足够大。当我们去掉人数密度信号只保留人数计数信号时，单独的人数计数信号没有足够的学习能力去学习如此大范围的分布，会出现过拟合现象；当我们去掉人数计数信号而只保留人数密度信号时，最后估计出的只能是密度等级，而无法得到我们所需要的每个图像块中具体人数的估计。
(3)网络参数的学习
整个的深度学习模型有三个参数需要学习。卷积网络参数θnet，涉及每个卷积层所用到的卷积核，以及全连接层的参数。分类参数θcls，涉及softmax层对密度等级分类过程中需要的参数。回归参数θreg，表示对人数进行估计时所用到的参数。
在训练阶段，θnet用于学习100维特征，θcls和θreg分别用于传播人数密度信号和人数计数信号。在测试阶段，θnet用于提取图像块中的特征，而θreg用于估计图像块中的人数。整个网络的参数都使用梯度下降法来进行更新。
三、人数估计结果
图6是本发明的整体流程图，图7中给出了一些具有代表性的人数估计结果。
由于图(a)的亮度过高，而且对比度较低，所以我们的估计结果偏差很大，很显然我们的网络没有学习到这种类型图像的特征，在后期的工作中我们将予以改进。作为对比，在颜色分布较为均匀的图(b)中，我们的估计值与真实值非常接近。图(c)和图(d)分别是数据集中人数最多和最少的图片，这两种场景中的估计结果与真实值的偏差都在可以接受的范围内，从中我们也可以看出我们训练出的网络可以估计出不同密度等级下的人数。

Claims (4)

1.一种基于深度学习的密集人数估计方法，其特征是：包括以下步骤：
(1)选择一幅密集场景的图像作为测试图像，然后对测试图像进行分块操作，分块的比例要保证与原图像的宽高比近似相同；
(2)将分得的图像块进行归一化操作，归一化成32×32的像素块，作为我们的测试样本，并附上对应的真实人数标签；
(3)将像素块批量送入已经训练好的深度网络中，对于每个像素块，网络都会反馈一个预测结果；
(4)将每个像素块的预测结果求和，所得到的结果就是我们需要估计的测试图像中的总人数。
2.根据权利要求1所述的基于深度学习的密集人数估计方法，其特征是：所述的步骤(3)中在像素块批量送入已经训练好的深度网络之前需要采用水平镜像和水平竖直偏移的方法对训练样本进行数据增强。
3.根据权利要求1所述的基于深度学习的密集人数估计方法，其特征是：所述的步骤(3)中深度网络训练需要训练一个多层卷积神经网络，多层卷积神经网络包含四层，其中前三层为卷积层，最后一层为全连接层，跟随在每个卷积层后面的还包括了池化层和ReLU层，池化层采用最大值池化方法，ReLU是一种线性纠正函数，最后一层全连接层包含有100个神经元，这100个神经元与第二层以及第三层的输出进行全连接，这100个神经元的输出就是我们最终所提取的100维特征向量。
4.根据权利要求1或3所述的基于深度学习的密集人数估计方法，其特征是：所述的步骤(3)中网络反馈每个图像块预测结果是通过构造一个包含两路信号的回归模型用来估计出每个输入图像块中的具体人数，这两路信号分别是人群密度信号和人群计数信号，人群密度信号是将得到的100维特征根据图像块中的密度等级进行分类，人群计数信号是将得到的100维特征向量和单个神经元进行全连接，再经过一个线性变换，得出一个数值，这个数值就是所估计出的人数。
CN201510336483.7A 2015-06-12 2015-06-12 基于深度学习的密集人数估计方法 Active CN104992223B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510336483.7A CN104992223B (zh) 2015-06-12 2015-06-12 基于深度学习的密集人数估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510336483.7A CN104992223B (zh) 2015-06-12 2015-06-12 基于深度学习的密集人数估计方法

Publications (2)

Publication Number Publication Date
CN104992223A true CN104992223A (zh) 2015-10-21
CN104992223B CN104992223B (zh) 2018-02-16

Family

ID=54304035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510336483.7A Active CN104992223B (zh) 2015-06-12 2015-06-12 基于深度学习的密集人数估计方法

Country Status (1)

Country Link
CN (1) CN104992223B (zh)

Cited By (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469100A (zh) * 2015-11-30 2016-04-06 广东工业大学 基于深度学习的皮肤活检图像病理特性识别方法
CN105528589A (zh) * 2015-12-31 2016-04-27 上海科技大学 基于多列卷积神经网络的单张图像人群计数算法
CN105678333A (zh) * 2016-01-06 2016-06-15 浙江宇视科技有限公司 一种拥挤区域的确定方法和装置
CN106127783A (zh) * 2016-07-01 2016-11-16 武汉泰迪智慧科技有限公司 一种基于深度学习的医疗影像识别系统
CN106203331A (zh) * 2016-07-08 2016-12-07 苏州平江历史街区保护整治有限责任公司 一种基于卷积神经网络的人群密度估算方法
CN106372722A (zh) * 2016-09-18 2017-02-01 中国科学院遥感与数字地球研究所 地铁短时流量预测方法及装置
CN106650581A (zh) * 2016-09-27 2017-05-10 腾讯科技（深圳）有限公司 一种人流量统计方法及装置
CN106778502A (zh) * 2016-11-21 2017-05-31 华南理工大学 一种基于深度残差网络的人群计数方法
CN106845621A (zh) * 2017-01-18 2017-06-13 山东大学 基于深度卷积神经网络的密集人群人数计数方法及系统
CN106844524A (zh) * 2016-12-29 2017-06-13 北京工业大学 一种基于深度学习和Radon变换的医学图像检索方法
CN107506692A (zh) * 2017-07-21 2017-12-22 天津大学 一种基于深度学习的密集人群计数与人员分布估计方法
CN107563349A (zh) * 2017-09-21 2018-01-09 电子科技大学 一种基于VGGNet的人数估计方法
CN107657226A (zh) * 2017-09-22 2018-02-02 电子科技大学 一种基于深度学习的人数估计方法
CN107679503A (zh) * 2017-10-12 2018-02-09 中科视拓（北京）科技有限公司 一种基于深度学习的人群计数算法
CN107679502A (zh) * 2017-10-12 2018-02-09 南京行者易智能交通科技有限公司 一种基于深度学习图像语义分割的人数估计方法
CN107689158A (zh) * 2017-08-10 2018-02-13 五邑大学 一种基于图像处理的智能交通控制方法
CN107862261A (zh) * 2017-10-25 2018-03-30 天津大学 基于多尺度卷积神经网络的图像人群计数方法
CN107862382A (zh) * 2017-10-16 2018-03-30 深圳市中钞信达金融科技有限公司 人流量统计方法及装置
CN107909044A (zh) * 2017-11-22 2018-04-13 天津大学 一种结合卷积神经网络和轨迹预测的人数统计方法
WO2018153201A1 (zh) * 2017-02-22 2018-08-30 中兴通讯股份有限公司 深度学习训练方法及装置
CN108520215A (zh) * 2018-03-28 2018-09-11 电子科技大学 基于多尺度联合特征编码器的单样本人脸识别方法
CN108549835A (zh) * 2018-03-08 2018-09-18 深圳市深网视界科技有限公司 人群计数及其模型构建的方法、终端设备及存储介质
CN108875587A (zh) * 2018-05-24 2018-11-23 北京飞搜科技有限公司 目标分布检测方法及设备
CN108960404A (zh) * 2017-05-22 2018-12-07 浙江宇视科技有限公司 一种基于图像的人群计数方法及设备
CN108985256A (zh) * 2018-08-01 2018-12-11 曜科智能科技（上海）有限公司 基于场景密度分布的多神经网络人数统计方法、系统、介质、终端
CN109241825A (zh) * 2018-07-18 2019-01-18 北京旷视科技有限公司 用于人群计数的数据集生成的方法及装置
CN109271960A (zh) * 2018-10-08 2019-01-25 燕山大学 一种基于卷积神经网络的人数统计方法
CN109409318A (zh) * 2018-11-07 2019-03-01 四川大学 统计模型的训练方法、统计方法、装置及存储介质
CN109754006A (zh) * 2018-12-26 2019-05-14 清华大学 一种视图及点云融合的立体视觉内容分类方法与系统
CN106650581B (zh) * 2016-09-27 2019-07-16 腾讯科技（深圳）有限公司 一种人流量统计方法及装置
CN110135325A (zh) * 2019-05-10 2019-08-16 山东大学 基于尺度自适应网络的人群人数计数方法及系统
CN110210577A (zh) * 2019-06-17 2019-09-06 重庆英卡电子有限公司 一种针对密集鸟群的深度学习以及识别方法
CN110414301A (zh) * 2018-04-28 2019-11-05 中山大学 一种基于双摄头的列车车厢人群密度估计方法
CN110651310A (zh) * 2017-04-05 2020-01-03 卡内基梅隆大学 估计对象密度和/或流量的深度学习方法及相关方法和软件
WO2020051776A1 (en) * 2018-09-11 2020-03-19 Intel Corporation Method and system of deep supervision object detection for reducing resource usage
CN110930384A (zh) * 2019-11-20 2020-03-27 山东师范大学 基于密度信息的人群计数方法、装置、设备以及介质
CN110929648A (zh) * 2019-11-22 2020-03-27 广东睿盟计算机科技有限公司 监控数据处理方法、装置、计算机设备以及存储介质
CN111144329A (zh) * 2019-12-29 2020-05-12 北京工业大学 一种基于多标签的轻量快速人群计数方法
CN111209892A (zh) * 2020-01-19 2020-05-29 浙江中创天成科技有限公司 一种基于卷积神经网络的人群密度及数量估计方法
CN111291605A (zh) * 2018-12-07 2020-06-16 财团法人交大思源基金会 人流分析系统及人流分析方法
CN112419323A (zh) * 2020-11-23 2021-02-26 安徽农道智能科技有限公司 基于可穿戴式麦穗采集装置的麦穗计数方法
CN112580616A (zh) * 2021-02-26 2021-03-30 腾讯科技（深圳）有限公司 人群数量确定方法、装置、设备及存储介质
CN113780092A (zh) * 2021-08-13 2021-12-10 中国科学院大学 基于区块弱标注的人群计数方法
CN114860802A (zh) * 2022-04-26 2022-08-05 上海分泽时代软件技术有限公司 时序人流量数据和标量标签数的融合方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077613A (zh) * 2014-07-16 2014-10-01 电子科技大学 一种基于级联多级卷积神经网络的人群密度估计方法
WO2014205231A1 (en) * 2013-06-19 2014-12-24 The Regents Of The University Of Michigan Deep learning framework for generic object detection
CN104463194A (zh) * 2014-11-04 2015-03-25 深圳市华尊科技有限公司 一种人车分类方法及装置
CN104573731A (zh) * 2015-02-06 2015-04-29 厦门大学 基于卷积神经网络的快速目标检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014205231A1 (en) * 2013-06-19 2014-12-24 The Regents Of The University Of Michigan Deep learning framework for generic object detection
CN104077613A (zh) * 2014-07-16 2014-10-01 电子科技大学 一种基于级联多级卷积神经网络的人群密度估计方法
CN104463194A (zh) * 2014-11-04 2015-03-25 深圳市华尊科技有限公司 一种人车分类方法及装置
CN104573731A (zh) * 2015-02-06 2015-04-29 厦门大学 基于卷积神经网络的快速目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CONG ZHANG: "Cross-scene Crowd Counting via Deep Convolutional Neural Networks", 《COMPUTER VISION AND PATTERN RECOGNITION》 *
杨思发: "验证码破解算法研究及实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (56)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469100A (zh) * 2015-11-30 2016-04-06 广东工业大学 基于深度学习的皮肤活检图像病理特性识别方法
CN105469100B (zh) * 2015-11-30 2018-10-12 广东工业大学 基于深度学习的皮肤活检图像病理特性识别方法
CN105528589B (zh) * 2015-12-31 2019-01-01 上海科技大学 基于多列卷积神经网络的单张图像人群计数算法
CN105528589A (zh) * 2015-12-31 2016-04-27 上海科技大学 基于多列卷积神经网络的单张图像人群计数算法
CN105678333A (zh) * 2016-01-06 2016-06-15 浙江宇视科技有限公司 一种拥挤区域的确定方法和装置
CN106127783A (zh) * 2016-07-01 2016-11-16 武汉泰迪智慧科技有限公司 一种基于深度学习的医疗影像识别系统
CN106203331A (zh) * 2016-07-08 2016-12-07 苏州平江历史街区保护整治有限责任公司 一种基于卷积神经网络的人群密度估算方法
CN106372722A (zh) * 2016-09-18 2017-02-01 中国科学院遥感与数字地球研究所 地铁短时流量预测方法及装置
CN106650581A (zh) * 2016-09-27 2017-05-10 腾讯科技（深圳）有限公司 一种人流量统计方法及装置
CN106650581B (zh) * 2016-09-27 2019-07-16 腾讯科技（深圳）有限公司 一种人流量统计方法及装置
CN106778502A (zh) * 2016-11-21 2017-05-31 华南理工大学 一种基于深度残差网络的人群计数方法
CN106844524A (zh) * 2016-12-29 2017-06-13 北京工业大学 一种基于深度学习和Radon变换的医学图像检索方法
CN106844524B (zh) * 2016-12-29 2019-08-09 北京工业大学 一种基于深度学习和Radon变换的医学图像检索方法
CN106845621A (zh) * 2017-01-18 2017-06-13 山东大学 基于深度卷积神经网络的密集人群人数计数方法及系统
WO2018153201A1 (zh) * 2017-02-22 2018-08-30 中兴通讯股份有限公司 深度学习训练方法及装置
CN110651310A (zh) * 2017-04-05 2020-01-03 卡内基梅隆大学 估计对象密度和/或流量的深度学习方法及相关方法和软件
CN110651310B (zh) * 2017-04-05 2023-09-08 卡内基梅隆大学 估计对象密度和/或流量的深度学习方法及相关方法和软件
CN108960404A (zh) * 2017-05-22 2018-12-07 浙江宇视科技有限公司 一种基于图像的人群计数方法及设备
CN107506692A (zh) * 2017-07-21 2017-12-22 天津大学 一种基于深度学习的密集人群计数与人员分布估计方法
CN107689158A (zh) * 2017-08-10 2018-02-13 五邑大学 一种基于图像处理的智能交通控制方法
CN107563349A (zh) * 2017-09-21 2018-01-09 电子科技大学 一种基于VGGNet的人数估计方法
CN107657226A (zh) * 2017-09-22 2018-02-02 电子科技大学 一种基于深度学习的人数估计方法
CN107679502A (zh) * 2017-10-12 2018-02-09 南京行者易智能交通科技有限公司 一种基于深度学习图像语义分割的人数估计方法
CN107679502B (zh) * 2017-10-12 2019-10-08 南京行者易智能交通科技有限公司 一种基于深度学习图像语义分割的人数估计方法
CN107679503A (zh) * 2017-10-12 2018-02-09 中科视拓（北京）科技有限公司 一种基于深度学习的人群计数算法
CN107862382A (zh) * 2017-10-16 2018-03-30 深圳市中钞信达金融科技有限公司 人流量统计方法及装置
CN107862261A (zh) * 2017-10-25 2018-03-30 天津大学 基于多尺度卷积神经网络的图像人群计数方法
CN107909044A (zh) * 2017-11-22 2018-04-13 天津大学 一种结合卷积神经网络和轨迹预测的人数统计方法
CN108549835A (zh) * 2018-03-08 2018-09-18 深圳市深网视界科技有限公司 人群计数及其模型构建的方法、终端设备及存储介质
CN108520215B (zh) * 2018-03-28 2022-10-11 电子科技大学 基于多尺度联合特征编码器的单样本人脸识别方法
CN108520215A (zh) * 2018-03-28 2018-09-11 电子科技大学 基于多尺度联合特征编码器的单样本人脸识别方法
CN110414301A (zh) * 2018-04-28 2019-11-05 中山大学 一种基于双摄头的列车车厢人群密度估计方法
CN108875587A (zh) * 2018-05-24 2018-11-23 北京飞搜科技有限公司 目标分布检测方法及设备
CN109241825A (zh) * 2018-07-18 2019-01-18 北京旷视科技有限公司 用于人群计数的数据集生成的方法及装置
CN108985256A (zh) * 2018-08-01 2018-12-11 曜科智能科技（上海）有限公司 基于场景密度分布的多神经网络人数统计方法、系统、介质、终端
US11429824B2 (en) 2018-09-11 2022-08-30 Intel Corporation Method and system of deep supervision object detection for reducing resource usage
WO2020051776A1 (en) * 2018-09-11 2020-03-19 Intel Corporation Method and system of deep supervision object detection for reducing resource usage
CN109271960A (zh) * 2018-10-08 2019-01-25 燕山大学 一种基于卷积神经网络的人数统计方法
CN109409318A (zh) * 2018-11-07 2019-03-01 四川大学 统计模型的训练方法、统计方法、装置及存储介质
CN109409318B (zh) * 2018-11-07 2021-03-02 四川大学 统计模型的训练方法、统计方法、装置及存储介质
CN111291605A (zh) * 2018-12-07 2020-06-16 财团法人交大思源基金会 人流分析系统及人流分析方法
CN109754006A (zh) * 2018-12-26 2019-05-14 清华大学 一种视图及点云融合的立体视觉内容分类方法与系统
CN110135325A (zh) * 2019-05-10 2019-08-16 山东大学 基于尺度自适应网络的人群人数计数方法及系统
CN110135325B (zh) * 2019-05-10 2020-12-08 山东大学 基于尺度自适应网络的人群人数计数方法及系统
CN110210577A (zh) * 2019-06-17 2019-09-06 重庆英卡电子有限公司 一种针对密集鸟群的深度学习以及识别方法
CN110930384A (zh) * 2019-11-20 2020-03-27 山东师范大学 基于密度信息的人群计数方法、装置、设备以及介质
CN110929648A (zh) * 2019-11-22 2020-03-27 广东睿盟计算机科技有限公司 监控数据处理方法、装置、计算机设备以及存储介质
CN110929648B (zh) * 2019-11-22 2021-03-16 广东睿盟计算机科技有限公司 监控数据处理方法、装置、计算机设备以及存储介质
CN111144329A (zh) * 2019-12-29 2020-05-12 北京工业大学 一种基于多标签的轻量快速人群计数方法
CN111209892A (zh) * 2020-01-19 2020-05-29 浙江中创天成科技有限公司 一种基于卷积神经网络的人群密度及数量估计方法
CN112419323A (zh) * 2020-11-23 2021-02-26 安徽农道智能科技有限公司 基于可穿戴式麦穗采集装置的麦穗计数方法
CN112580616B (zh) * 2021-02-26 2021-06-18 腾讯科技（深圳）有限公司 人群数量确定方法、装置、设备及存储介质
CN112580616A (zh) * 2021-02-26 2021-03-30 腾讯科技（深圳）有限公司 人群数量确定方法、装置、设备及存储介质
CN113780092A (zh) * 2021-08-13 2021-12-10 中国科学院大学 基于区块弱标注的人群计数方法
CN113780092B (zh) * 2021-08-13 2022-06-10 中国科学院大学 基于区块弱标注的人群计数方法
CN114860802A (zh) * 2022-04-26 2022-08-05 上海分泽时代软件技术有限公司 时序人流量数据和标量标签数的融合方法及系统

Also Published As

Publication number Publication date
CN104992223B (zh) 2018-02-16

Similar Documents

Publication Publication Date Title
CN104992223B (zh) 基于深度学习的密集人数估计方法
CN109344736B (zh) 一种基于联合学习的静态图像人群计数方法
CN110598736B (zh) 一种电力设备红外图像故障定位、识别与预测方法
CN110532900B (zh) 基于U-Net和LS-CNN的人脸表情识别方法
CN106447658B (zh) 基于全局和局部卷积网络的显著性目标检测方法
CN106778595B (zh) 基于高斯混合模型的人群中异常行为的检测方法
CN111814661B (zh) 基于残差-循环神经网络的人体行为识别方法
CN109101938B (zh) 一种基于卷积神经网络的多标签年龄估计方法
CN104281853A (zh) 一种基于3d卷积神经网络的行为识别方法
CN106991666B (zh) 一种适用于多尺寸图片信息的病害图像识别方法
CN105426908B (zh) 一种基于卷积神经网络的变电站属性分类方法
CN108280397A (zh) 基于深度卷积神经网络的人体图像头发检测方法
CN106408030A (zh) 基于中层语义属性和卷积神经网络的sar图像分类方法
CN114092832A (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN115131618B (zh) 基于因果推理的半监督图像分类方法
CN105279485B (zh) 激光夜视下监控目标异常行为的检测方法
CN112052772A (zh) 一种人脸遮挡检测算法
CN113657414B (zh) 一种物体识别方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
Chen et al. Agricultural remote sensing image cultivated land extraction technology based on deep learning
CN115719475B (zh) 一种基于深度学习的三阶段轨旁设备故障自动检测方法
CN110751191A (zh) 一种图像的分类方法及系统
CN108345900A (zh) 基于颜色纹理分布特征的行人重识别方法及其系统
CN111368911A (zh) 一种图像分类方法、装置和计算机可读存储介质
CN105138975A (zh) 一种基于深度信念网络的人体肤色区域分割方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20190429

Address after: 510000 Jinzhu Square, Nansha Street, Nansha District, Guangzhou City, Guangdong Province, 221 West Sight Avenue

Co-patentee after: Guangzhou Institute of Intelligent Software Industry

Patentee after: Guangzhou Zhongke Kaize Technology Co., Ltd.

Address before: 230601 No. 111 Kowloon Road, Hefei economic and Technological Development Zone, Anhui

Patentee before: Anhui University

TR01 Transfer of patent right
CP02 Change in the address of a patent holder

Address after: 510000 Room 101, 221 Huanshi Avenue West, Nansha District, Guangzhou City, Guangdong Province (Room 05)

Co-patentee after: Guangzhou Institute of Intelligent Software Industry

Patentee after: Guangzhou Zhongke Kaize Technology Co., Ltd.

Address before: 510000 Jinzhu Square, Nansha Street, Nansha District, Guangzhou City, Guangdong Province, 221 West Sight Avenue

Co-patentee before: Guangzhou Institute of Intelligent Software Industry

Patentee before: Guangzhou Zhongke Kaize Technology Co., Ltd.

CP02 Change in the address of a patent holder