CN105678333B - 一种拥挤区域的确定方法和装置 - Google Patents
一种拥挤区域的确定方法和装置 Download PDFInfo
- Publication number
- CN105678333B CN105678333B CN201610010222.0A CN201610010222A CN105678333B CN 105678333 B CN105678333 B CN 105678333B CN 201610010222 A CN201610010222 A CN 201610010222A CN 105678333 B CN105678333 B CN 105678333B
- Authority
- CN
- China
- Prior art keywords
- sample
- uncongested
- crowded
- probability
- feature
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种拥挤区域的确定方法和装置,该方法包括:针对待测试图像的每个像素点,生成K个不同尺度的待测试子图像;针对每个待测试子图像,按照预设大小在所述待测试子图像上进行滑动;针对每个滑动窗口进行特征提取,得到第一特征向量,并将所述第一特征向量聚类到对应的单词,并统计聚类到每个单词的第一特征向量数量;利用聚类到每个单词的第一特征向量数量计算所述待测试子图像的第一概率向量;利用K个第一概率向量,确定所述像素点为拥挤区域或者非拥挤区域。通过本发明的技术方案,可以有效估计出待测试图像中的拥挤区域和非拥挤区域,复杂度较低,适用范围较大。而且,拥挤区域和非拥挤区域的估计结果准确。
Description
技术领域
本发明涉及视频技术领域,尤其涉及一种拥挤区域的确定方法和装置。
背景技术
目前,人群拥挤度分析在执法、城市规划、交通管理中有着广泛的应用场景。为了得出某一区域的人群拥挤度,可以采集包含该区域的图像,对该图像进行特征提取,并基于提取的特征分析出该区域的人群拥挤度。
为了分析出人群拥挤度,通常采用局部特征分析人群拥挤度,相应的特征提取算法可以如SIFT(Scale Invariant Feature Transform,尺度不变特征转换)、SURF(SpeededUp Robust Features,加速鲁棒特征)等。在这些方法中,需要利用特征点检测方法,对区域进行特征点检测,并利用特征点描述算子对特征进行描述,继而利用描述的特征分析区域的人群拥挤度。
但是,采用局部特征分析人群拥挤度时,复杂度较高,适用范围较小。
发明内容
本发明提供一种拥挤区域的确定方法,所述方法包括以下步骤:
针对待测试图像的每个像素点,生成K个不同尺度的待测试子图像;
针对每个待测试子图像,按照预设大小在所述待测试子图像上进行滑动;针对每个滑动窗口进行特征提取,得到第一特征向量,并将所述第一特征向量聚类到对应的单词,并统计聚类到每个单词的第一特征向量数量;利用聚类到每个单词的第一特征向量数量计算所述待测试子图像的第一概率向量;
利用K个第一概率向量,确定所述像素点为拥挤区域或者非拥挤区域。
利用聚类到每个单词的第一特征向量数量计算所述待测试子图像的第一概率向量的过程,具体包括:利用如下公式计算所述待测试子图像的第一概率向量:其中,i的取值为1-N,表示第i个单词,N为单词的总数量,ki表示聚类到第i个单词的第一特征向量数量,λi为常量*待测试子图像的尺度大小。
所述利用K个第一概率向量,确定所述像素点为拥挤区域或者非拥挤区域的过程,具体包括:利用支持向量机SVM分类器对所述K个第一概率向量进行分类,并利用分类结果确定所述像素点为拥挤区域或者非拥挤区域;
其中,所述SVM分类器的训练过程,具体包括:针对样本图像中的拥挤区域的每个像素点,生成K个不同尺度的拥挤样本子图像,针对样本图像中的非拥挤区域的每个像素点,生成K个不同尺度的非拥挤样本子图像;
利用拥挤样本子图像和非拥挤样本子图像训练所述SVM分类器;在所述SVM分类器中,将拥挤样本子图像对应的K个第二概率向量分类成拥挤区域,将非拥挤样本子图像对应的K个第三概率向量分类成非拥挤区域。
所述利用拥挤样本子图像和非拥挤样本子图像训练所述SVM分类器,具体包括:针对每个尺度的拥挤样本子图像,按照预设大小在拥挤样本子图像上进行滑动;针对每个滑动窗口进行特征提取,得到第二特征向量,将第二特征向量聚类到对应的单词;针对每个尺度的非拥挤样本子图像,按照预设大小在非拥挤样本子图像上进行滑动;针对每个滑动窗口进行特征提取,得到第二特征向量,将第二特征向量聚类到对应的单词;统计聚类到每个单词的第二特征向量数量,利用聚类到每个单词的第二特征向量数量,计算拥挤样本子图像对应的第二概率向量,非拥挤样本子图像对应的第三概率向量;
将K个不同尺度的拥挤样本子图像对应的K个第二概率向量分类成拥挤区域,并利用所述K个第二概率向量训练所述SVM分类器;
将K个不同尺度的非拥挤样本子图像对应的K个第三概率向量分类成非拥挤区域,并利用所述K个第三概率向量训练所述SVM分类器;
其中,利用聚类到每个单词的第二特征向量数量,计算拥挤样本子图像对应的第二概率向量,非拥挤样本子图像对应的第三概率向量,具体包括:
利用如下公式计算所述拥挤样本子图像对应的第二概率向量:
利用如下公式计算所述非拥挤样本子图像对应的第三概率向量:
其中,i的取值为1-N,表示第i个单词,N为单词的总数量,ki表示聚类到第i个单词的第二特征向量数量,λi (p)为常量*所述拥挤样本子图像的尺度大小,λi (n)为常量*所述非拥挤样本子图像的尺度大小。
所述针对每个滑动窗口进行特征提取,得到第一特征向量或者第二特征向量的过程,具体包括:利用卷积神经网络CNN对每个滑动窗口进行特征提取,得到第一特征向量或者第二特征向量。
本发明提供一种拥挤区域的确定装置,所述装置具体包括:
生成模块,用于针对待测试图像的每个像素点,生成K个不同尺度的待测试子图像;计算模块,用于针对每个待测试子图像,按照预设大小在所述待测试子图像上进行滑动;针对每个滑动窗口进行特征提取,得到第一特征向量,并将所述第一特征向量聚类到对应的单词,并统计聚类到每个单词的第一特征向量数量;利用聚类到每个单词的第一特征向量数量计算所述待测试子图像的第一概率向量;确定模块,用于利用K个第一概率向量,确定所述像素点为拥挤区域或者非拥挤区域。
其中,i的取值为1-N,表示第i个单词,N为单词的总数量,ki表示聚类到第i个单词的第一特征向量数量,λi为常量*待测试子图像的尺度大小。
所述确定模块,具体用于在利用K个第一概率向量,确定所述像素点为拥挤区域或者非拥挤区域的过程中,利用支持向量机SVM分类器对所述K个第一概率向量进行分类,并利用分类结果确定所述像素点为拥挤区域或者非拥挤区域;
其中,在所述SVM分类器的训练过程中:
所述生成模块,还用于针对样本图像中的拥挤区域的每个像素点,生成K个不同尺度的拥挤样本子图像,针对样本图像中的非拥挤区域的每个像素点,生成K个不同尺度的非拥挤样本子图像;
所述计算模块,还用于利用拥挤样本子图像和非拥挤样本子图像训练所述SVM分类器;在所述SVM分类器中,将拥挤样本子图像对应的K个第二概率向量分类成拥挤区域,将非拥挤样本子图像对应的K个第三概率向量分类成非拥挤区域。
所述计算模块,具体用于在利用拥挤样本子图像和非拥挤样本子图像训练所述SVM分类器的过程中,针对每个尺度的拥挤样本子图像,按照预设大小在拥挤样本子图像上进行滑动;针对每个滑动窗口进行特征提取,得到第二特征向量,将第二特征向量聚类到对应的单词;针对每个尺度的非拥挤样本子图像,按照预设大小在非拥挤样本子图像上进行滑动;针对每个滑动窗口进行特征提取,得到第二特征向量,将第二特征向量聚类到对应的单词;统计聚类到每个单词的第二特征向量数量,利用聚类到每个单词的第二特征向量数量,计算拥挤样本子图像对应的第二概率向量,非拥挤样本子图像对应的第三概率向量;将K个不同尺度的拥挤样本子图像对应的K个第二概率向量分类成拥挤区域,并利用所述K个第二概率向量训练所述SVM分类器;将K个不同尺度的非拥挤样本子图像对应的K个第三概率向量分类成非拥挤区域,并利用所述K个第三概率向量训练所述SVM分类器;
其中,所述计算模块,具体用于在利用聚类到每个单词的第二特征向量数量,计算
拥挤样本子图像对应的第二概率向量,非拥挤样本子图像对应的第三概率向量的过程中,
利用如下公式计算所述拥挤样本子图像对应的第二概率向量:利用如下公式计算所述非拥挤样本子图像对应
的第三概率向量:
其中,i的取值为1-N,表示第i个单词,N为单词的总数量,ki表示聚类到第i个单词的第二特征向量数量,λi (p)为常量*所述拥挤样本子图像的尺度大小,λi (n)为常量*所述非拥挤样本子图像的尺度大小。
所述计算模块,具体用于在针对每个滑动窗口进行特征提取,得到第一特征向量或者第二特征向量的过程中,利用卷积神经网络CNN对每个滑动窗口进行特征提取,得到第一特征向量或者第二特征向量。
基于上述技术方案,本发明实施例中,可以有效估计出待测试图像中的拥挤区域和非拥挤区域,复杂度较低,适用范围较大。而且,拥挤区域和非拥挤区域的估计结果准确,为人群拥挤度分析算法提供准确的基础,使得人群拥挤度分析算法可以在执法、城市规划、交通管理中得到更好的应用。
附图说明
图1是本发明一种实施方式中的拥挤区域的确定方法的流程图;
图2是本发明一种实施方式中的基于CNN的网络构造示意图;
图3是本发明一种实施方式中的图像处理设备的硬件结构图;
图4是本发明一种实施方式中的拥挤区域的确定装置的结构图。
具体实施方式
在本申请使用的术语仅仅是出于描述特定实施例的目的,而非限制本申请。本申请和权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其它含义。还应当理解,本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,此外,所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
针对现有技术中存在的问题,本发明实施例中提出一种拥挤区域的确定方法,该方法可以应用在视频监控系统的图像处理设备上,该图像处理设备用于分析待测试图像中的各个区域是否为拥挤区域。其中,图像处理设备可以是采集到待测试图像的前端设备(如模拟摄像机、网络摄像机、编码器等),也可以是从前端设备获得待测试图像的其它设备(如管理服务器、计算机等),所有用于分析待测试图像中的各个区域是否为拥挤区域的设备均在保护范围之内。在上述应用场景下,如图1所示,该拥挤区域的确定方法包括以下步骤:
步骤101,针对待测试图像的每个像素点,生成K个不同尺度的待测试子图像,该待测试图像是指需要分析各个像素点是否为拥挤区域的图像。
其中,在获得待测试图像之后,需要分析待测试图像的每个像素点是否为拥挤区域,各像素点的分析过程相同,以一个像素点为例进行说明。
为了分析该像素点是否为拥挤区域,首先生成包含该像素点的K个不同尺度的待测试子图像,这K个不同尺度的待测试子图像均可以以该像素点为中心。例如,生成包含该像素点的尺度为78*62的待测试子图像1,包含该像素点的尺度为117*93的待测试子图像2,包含该像素点的尺度为156*124的待测试子图像3。本发明实施例的后续步骤,将利用待测试子图像1、待测试子图像2和待测试子图像3,分析出该像素点是否为拥挤区域。
步骤102,针对每个待测试子图像,按照预设大小在待测试子图像上进行滑动;针对每个滑动窗口进行特征提取,得到第一特征向量,并将第一特征向量聚类到对应的单词,并统计聚类到每个单词的第一特征向量数量;利用聚类到每个单词的第一特征向量数量计算待测试子图像的第一概率向量。
其中,预设大小需要小于待测试子图像的大小。
在一种可行方式中,针对每个滑动窗口进行特征提取,得到第一特征向量的过程,具体可以包括但不限于如下方式:利用CNN(Convolutional Neural Network,卷积神经网络)对每个滑动窗口进行特征提取,得到第一特征向量。
每个待测试子图像的处理相同,以待测试子图像1的处理进行说明,假设预设大小为39*31,按照39*31在待测试子图像1上进行滑动,得到多个滑动窗口。利用CNN针对每个滑动窗口进行特征提取,得到第一特征向量。
如图2所示,为基于CNN的特征提取的网络构造示意图,在通过CNN对待测试子图像进行特征提取时,可得到具有尺度不变的第一特征向量,从而更好的表征待测试子图像的特征。在图2中,CNN是以两个卷积层和两个池化层为例,实际应用中,卷积层的数量和池化层的数量还可以为其它数值。在一种优选的实施方式中,卷积层的数量可以为4,池化层的数量可以为3。
如表1所示,为利用CNN对待测试子图像进行特征提取,得到第一特征向量的过程,假设待测试子图像1是一个大小为78*62的图像,而预设大小(即实际检测窗口)为39*31,则实际检测窗口与待测试子图像的大小比例相同或者相似,从而保证待测试子图像的清晰度,保证特征提取的准确性。
表1
Layer0 | Layer1 | Layer2 | Layer3 | Layer4 | Layer5 | Layer6 | Layer7 | Layer8 | |
CNN | I(39,31) | CR(1,20,4,4) | P(2) | CR(1,30,3,3) | P(2) | CR(1,40,3,3) | P(2) | CR(1,90,2,2) | F(240) |
在Layer 0(第0层,即输入层),I(39,31)表示的就是该大小为39*31的滑动窗口。在Layer 1(第1层,即第一层卷积层),CR(1,20,4,4)中的(4,4)表示一个4*4的卷积核,该4*4的卷积核中包含16个数值,这16个数值的大小可以根据实际需要任意配置,20表示卷积核的数量,即一共使用20个4*4的卷积核,1表示滑动的步长。在Layer 1的处理为:针对每个4*4的卷积核,利用该4*4的卷积核对39*31的滑动窗口的一个4*4位置进行卷积,得到一个卷积特征,以步长1在滑动窗口上进一步依次滑动4*4的卷积核,得到下一个卷积特征,以此类推。在对20个4*4的卷积核均经过上述处理后,得到多个卷积特征,这些卷积特征,构成第一层卷积特征。
在利用4*4的卷积核对39*31的滑动窗口的一个4*4位置进行卷积之后,还可以使用激励函数对卷积特征进行优化,如可以使用ReLU(Rectified Linear Units,整流线性单元,即激活函数)函数对卷积特征进行优化,而ReLU函数具有更好的拟合性。通过使用ReLU函数优化卷积特征,可以使得第一层卷积特征中的小于0的卷积特征被置0,而大于0的卷积特征保持不变。
在Layer 2(第2层,即第一层池化层),P(2)表示对第一层卷积特征进行池化处理,得到的第一层池化特征。其中,可以利用如下公式对第一层卷积特征进行池化处理,其中,s表示对应的池化处理时的窗口大小(s*s),m和n均为设定的数值,j和k为第一层卷积特征,i表示针对第i个待测试子图像。池化层的作用是保持特征不变性。
针对Layer 3(第3层,即第二层卷积层)、Layer 5(第5层,即第三层卷积层)、Layer7(第7层,即第四层卷积层),其相关处理与Layer 1相同,在此不再赘述。针对Layer 4(第4层,即第二层池化层)、Layer 6(第6层,即第三层池化层),其相关处理与Layer 2相同,在此不再赘述。
Layer 8(第8层,即全连接层),用于将Layer 7输出的第四层卷积特征进行全连接处理,得到一个特征向量,这个特征向量就是通过CNN对滑动窗口进行特征提取时得到的第一特征向量,如一个240维的特征向量。
在针对滑动窗口进行特征提取之后,可以得到多个第一特征向量,并将每个第一特征向量聚类到对应的单词,其中,针对将第一特征向量聚类到对应的单词的过程,可以采用k-means(硬聚类算法)将第一特征向量聚类到对应的单词。其中,可以预先配置N个单词(word),每个单词为一个聚类中心。在得到第一特征向量之后,分别计算第一特征向量与每个单词之间的欧氏距离,并选择欧氏距离最小的单词作为第一特征向量对应的单词,并将该第一特征向量聚类到该对应的单词。例如,预先配置单词1、单词2和单词3,当前得到的240维的第一特征向量与单词1之间的欧氏距离最小,则将第一特征向量聚类到单词1。进一步的,每次滑动就得到一个第一特征向量,假设滑动次数为15次,则可以得到15个第一特征向量,假设有10个第一特征向量聚类到单词1,有4个第一特征向量聚类到单词2,有1个第一特征向量聚类到单词3,则统计聚类到单词1的第一特征向量数量为10,聚类到单词2的第一特征向量数量为4,聚类到单词3的第一特征向量数量为1。
利用聚类到单词1的第一特征向量数量10、聚类到单词2的第一特征向量数量4、聚类到单词3的第一特征向量数量1,可以计算出待测试子图像1的第一概率向量。在按照上述方式对待测试子图像2、待测试子图像3进行处理后,可以计算出待测试子图像2和待测试子图像3的第一概率向量。
本发明实施例中,利用聚类到每个单词的第一特征向量数量计算待测试子图像的第一概率向量的的过程,具体可以包括但不限于如下方式:利用如下公式计算待测试子图像的第一概率向量:其中,i的取值为1-N,其表示第i个单词,N为单词的总数量,ki表示聚类到第i个单词的第一特征向量数量,λi为常量*待测试子图像的尺度大小。
此外,在另一种可行的实施方式中,还可以利用如下公式计算待测试子图像的第一概率向量:μ=logp(k1,...,kN),其中,p(ki)表示第i个单词对应的概率,且p(ki)的计算公式为:其中,该i表示第一单词,ki表示聚类到第i个单词的第一特征向量数量,λi为常量*待测试子图像的尺度大小。
在上述公式中,常量可以根据实际经验进行配置。而在一种可行的实施方式中,λi对应的常量可以为第i个单词对应的密度,第i个单词对应的密度是聚类到第i个单词的第一特征向量数量除以待测试子图像的尺度大小。
步骤103,利用K个第一概率向量(即K个不同尺度的待测试子图像分别对应的第一概率向量),确定像素点为拥挤区域或者非拥挤区域。
在本发明实施例中,利用K个第一概率向量,确定像素点为拥挤区域或者非拥挤区域的过程,具体可以包括但不限于如下方式:利用SVM(Support Vector Machine,支持向量机)分类器对K个第一概率向量进行分类,并利用该分类结果确定该像素点为拥挤区域或者非拥挤区域。
其中,SVM分类器中存在已经训练好的概率向量分类结果。例如,针对已知是拥挤区域的概率向量,SVM分类器对该概率向量进行分类时,得到的分类结果是正值,此时说明拥挤区域的概率向量的分类结果是正值。针对已知是非拥挤区域的概率向量,SVM分类器对该概率向量进行分类时,得到的分类结果是负值,此时说明非拥挤区域的概率向量的分类结果是负值。基于此,在利用SVM分类器对K个第一概率向量进行分类的过程中,如果分类结果为正值,则可以利用该分类结果确定该像素点为拥挤区域,如果分类结果为负值,则可以利用该分类结果确定该像素点为非拥挤区域。
本发明实施例中,在一种可行的实施方式中,SVM分类器的训练过程,具体可以包括但不限于如下方式:针对样本图像中的拥挤区域的每个像素点,生成K个不同尺度的拥挤样本子图像,针对样本图像中的非拥挤区域的每个像素点,生成K个不同尺度的非拥挤样本子图像。利用该拥挤样本子图像和该非拥挤样本子图像训练SVM分类器;其中,在SVM分类器中,将拥挤样本子图像对应的K个第二概率向量分类成拥挤区域,将非拥挤样本子图像对应的K个第三概率向量分类成非拥挤区域。基于此,当K个第一概率向量与K个第二概率向量具有相类似的特征时,则利用SVM分类器对K个第一概率向量进行分类时,其分类结果为拥挤区域,因此,利用该分类结果确定该像素点为拥挤区域。当K个第一概率向量与K个第三概率向量具有相类似的特征时,则利用SVM分类器对K个第一概率向量进行分类时,其分类结果为非拥挤区域,因此,利用该分类结果确定该像素点为非拥挤区域。
在一种可行的实施方式中,SVM分类器的训练过程,具体可以包括:
步骤1、针对样本图像中的拥挤区域(即已知的拥挤区域)的每个像素点,生成K个不同尺度的拥挤样本子图像。针对样本图像中的非拥挤区域(即已知的非拥挤区域)的每个像素点,生成K个不同尺度的非拥挤样本子图像。
其中,样本图像是指已知各个像素点为拥挤区域或者非拥挤区域的图像。
其中,各拥挤样本子图像所在的样本图像,与各非拥挤样本子图像所在的样本图像,二者可以是同一个样本图像,也可以是不同的样本图像。
其中,样本图像的数量可以根据实际需要进行选择,样本图像可以为一个或者多个,为了方便描述,后续以一个样本图像的处理为例进行说明。
为了方便描述,以拥挤区域的一个像素点1的处理为例进行说明。首先生成包含该像素点1的K个不同尺度的拥挤样本子图像,这K个不同尺度的拥挤样本子图像可以以该像素点1为中心。例如,生成包含该像素点1的尺度为150*150的拥挤样本子图像1,包含该像素点1的尺度为300*300的拥挤样本子图像2,包含该像素点1的尺度为450*450的拥挤样本子图像3。
此外,以非拥挤区域的一个像素点2的处理为例进行说明。首先生成包含该像素点2的K个不同尺度的非拥挤样本子图像,这K个不同尺度的非拥挤样本子图像可以以该像素点2为中心。例如,生成包含该像素点2的尺度为150*150的非拥挤样本子图像1,包含该像素点2的尺度为300*300的非拥挤样本子图像2,包含该像素点2的尺度为450*450的非拥挤样本子图像3。
在本发明实施例的后续步骤,将利用该拥挤样本子图像1、该拥挤样本子图像2、该拥挤样本子图像3、该非拥挤样本子图像1、该非拥挤样本子图像2、该非拥挤样本子图像3为基础进行训练,即训练SVM分类器。
步骤2、针对每个尺度的拥挤样本子图像,按照预设大小在该拥挤样本子图像上进行滑动;针对每个滑动窗口进行特征提取,得到第二特征向量,并将该第二特征向量聚类到对应的单词。针对每个尺度的非拥挤样本子图像,按照预设大小在该非拥挤样本子图像上进行滑动;针对每个滑动窗口进行特征提取,得到第二特征向量,并将该第二特征向量聚类到对应的单词。
其中,预设大小需要小于拥挤样本子图像的大小。而且,预设大小需要小于非拥挤样本子图像的大小,可以根据实际需要设置预设大小的取值。
在一种可行的方式中,针对每个滑动窗口进行特征提取,得到第二特征向量的过程,具体包括但不限于如下方式:利用CNN对每个滑动窗口进行特征提取,得到第二特征向量。利用CNN对每个滑动窗口进行特征提取,得到第二特征向量的过程,与第一特征向量的获得过程相同,在此不再赘述。
针对每个尺度的拥挤样本子图像,在针对滑动窗口进行特征提取之后,可以得到多个第二特征向量。针对每个尺度的非拥挤样本子图像,在针对滑动窗口进行特征提取之后,可以得到多个第二特征向量。进一步的,将每个第二特征向量聚类到对应的单词。其中,针对将第二特征向量聚类到对应的单词的过程,可以采用k-means将第二特征向量聚类到对应的单词。可以预先配置N个单词,每个单词为一个聚类中心。在得到第二特征向量之后,分别计算第二特征向量与每个单词之间的欧氏距离,并选择欧氏距离最小的单词作为第二特征向量对应的单词,并将该第二特征向量聚类到该对应的单词。例如,预先配置单词1、单词2和单词3,当前得到的240维的第二特征向量与单词1之间的欧氏距离最小,则将第二特征向量聚类到单词1。
步骤3、统计聚类到每个单词的第二特征向量数量,利用聚类到每个单词的第二特征向量数量计算拥挤样本子图像对应的第二概率向量,利用聚类到每个单词的第二特征向量数量计算非拥挤样本子图像对应的第三概率向量。
其中,假设针对每个尺度的拥挤样本子图像,得到15个第二特征向量,而且针对每个尺度的非拥挤样本子图像,得到15个第二特征向量,则针对每个尺度,一共得到30个第二特征向量。假设有20个第二特征向量聚类到单词1,且有8个第二特征向量聚类到单词2,并且有2个第二特征向量聚类到单词3,则可以统计聚类到单词1的第二特征向量数量为20,聚类到单词2的第二特征向量数量为8,聚类到单词3的第二特征向量数量为2。
利用聚类到单词1的第二特征向量数量20、聚类到单词2的第二特征向量数量8、聚类到单词3的第二特征向量数量2,可以计算出拥挤样本子图像1的第二概率向量和非拥挤样本子图像1的第三概率向量。在按照上述方式对拥挤样本子图像2和非拥挤样本子图像2进行处理后,可以计算出拥挤样本子图像2的第二概率向量和非拥挤样本子图像2的第三概率向量。在按照上述方式对拥挤样本子图像3和非拥挤样本子图像3进行处理后,可以计算出拥挤样本子图像3的第二概率向量和非拥挤样本子图像3的第三概率向量。
本发明实施例中,利用聚类到每个单词的第二特征向量数量,计算出拥挤样本子
图像对应的第二概率向量,以及,利用聚类到每个单词的第二特征向量数量,计算出非拥挤
样本子图像对应的第三概率向量的过程,具体可以包括但不限于如下方式:利用如下公式
计算拥挤样本子图像对应的第二概率向量:利
用如下公式计算非拥挤样本子图像对应的第三概率向量:
其中,在上述公式中,i的取值为1-N,其表示第i个单词,N为单词的总数量,ki表示聚类到第i个单词的第二特征向量数量,λi (p)为常量*拥挤样本子图像的尺度大小,而λi (n)为常量*非拥挤样本子图像的尺度大小。
此外,在另一种可行的实施方式中,还可以利用如下公式计算拥挤样本子图像对应的第二概率向量:μ=logp(k1,...,kN|crowd)-logp(k1,...,kN|notcrowd)。在该公式中,p(ki|crowd)表示第i个单词对应的拥挤概率,且该p(ki|crowd)的计算公式具体可以为:p(ki|notcrowd)表示第i个单词对应的非拥挤概率,且该p(ki|notcrowd)的计算公式具体可以为:进一步的,在上述公式中,i的取值为1-N,其表示第i个单词,N为单词的总数量,ki表示聚类到第i个单词的第二特征向量数量,λi (p)为常量*拥挤样本子图像的尺度大小,而λi (n)为常量*非拥挤样本子图像的尺度大小。
此外,在另一种可行的实施方式中,还可以利用如下公式计算非拥挤样本子图像对应的第三概率向量:μ=logp(k1,...,kN|notcrowd)-logp(k1,...,kN|crowd)。在该公式中,p(ki|crowd)表示第i个单词对应的拥挤概率,且该p(ki|crowd)的计算公式具体可以为:p(ki|notcrowd)表示第i个单词对应的非拥挤概率,且该p(ki|notcrowd)的计算公式具体可以为:进一步的,在上述公式中,i的取值为1-N,其表示第i个单词,N为单词的总数量,ki表示聚类到第i个单词的第二特征向量数量,λi (p)为常量*拥挤样本子图像的尺度大小,而λi (n)为常量*非拥挤样本子图像的尺度大小。
在上述公式中,p(ki|crowd)和p(ki|notcrowd)的计算公式采用泊松分布进行描述。
在上述公式中,常量可以根据实际经验进行配置。在一种可行的实施方式中,λi (p)对应的常量可以为第i个单词对应的密度,第i个单词对应的密度是聚类到第i个单词的第二特征向量数量除以拥挤样本子图像的尺度大小。而λi (n)对应的常量可以为第i个单词对应的密度,第i个单词对应的密度是聚类到第i个单词的第二特征向量数量除以非拥挤样本子图像的尺度大小。
步骤4、将K个不同尺度的拥挤样本子图像对应的K个第二概率向量分类成拥挤区域,并利用K个第二概率向量训练SVM分类器。将K个不同尺度的非拥挤样本子图像对应的K个第三概率向量分类成非拥挤区域,并利用K个第三概率向量训练SVM分类器。基于上述处理,在SVM分类器中,将拥挤样本子图像对应的K个第二概率向量分类成拥挤区域,将非拥挤样本子图像对应的K个第三概率向量分类成非拥挤区域。基于此,当K个第一概率向量与K个第二概率向量具有相类似的特征时,则利用SVM分类器对K个第一概率向量进行分类时,其分类结果为拥挤区域,因此,利用该分类结果确定该像素点为拥挤区域。当K个第一概率向量与K个第三概率向量具有相类似的特征时,则利用SVM分类器对K个第一概率向量进行分类时,其分类结果为非拥挤区域,因此,利用该分类结果确定该像素点为非拥挤区域。
基于上述技术方案,本发明实施例中,可以有效估计出待测试图像中的拥挤区域和非拥挤区域,复杂度较低,适用范围较大。而且,拥挤区域和非拥挤区域的估计结果准确,为人群拥挤度分析算法提供准确的基础,使得人群拥挤度分析算法可以在执法、城市规划、交通管理中得到更好的应用。
基于与上述方法同样的发明构思,本发明实施例中还提供了一种拥挤区域的确定装置,该拥挤区域的确定装置应用在图像处理设备上。其中,该拥挤区域的确定装置可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在的图像处理设备的处理器,读取非易失性存储器中对应的计算机程序指令形成的。从硬件层面而言,如图3所示,为本发明提出的拥挤区域的确定装置所在的图像处理设备的一种硬件结构图,除了图3所示的处理器、非易失性存储器外,图像处理设备还可以包括其他硬件,如负责处理报文的转发芯片、网络接口、内存等;从硬件结构上来讲,该图像处理设备还可能是分布式设备,可能包括多个接口卡,以便在硬件层面进行报文处理的扩展。
如图4所示,为本发明提出的拥挤区域的确定装置的结构图,所述拥挤区域的确定装置具体包括:生成模块11,用于针对待测试图像的每个像素点,生成K个不同尺度的待测试子图像;计算模块12,用于针对每个待测试子图像,按照预设大小在所述待测试子图像上进行滑动;针对每个滑动窗口进行特征提取,得到第一特征向量,并将所述第一特征向量聚类到对应的单词,并统计聚类到每个单词的第一特征向量数量;利用聚类到每个单词的第一特征向量数量计算所述待测试子图像的第一概率向量;确定模块13,用于利用K个第一概率向量,确定所述像素点为拥挤区域或者非拥挤区域。
其中,i的取值为1-N,表示第i个单词,N为单词的总数量,ki表示聚类到第i个单词的第一特征向量数量,λi为常量*待测试子图像的尺度大小。
所述确定模块13,具体用于在利用K个第一概率向量,确定所述像素点为拥挤区域或者非拥挤区域的过程中,利用支持向量机SVM分类器对所述K个第一概率向量进行分类,并利用分类结果确定所述像素点为拥挤区域或者非拥挤区域;其中,在所述SVM分类器的训练过程中:
所述生成模块11,还用于针对样本图像中的拥挤区域的每个像素点,生成K个不同尺度的拥挤样本子图像,针对样本图像中的非拥挤区域的每个像素点,生成K个不同尺度的非拥挤样本子图像;所述计算模块12,还用于利用拥挤样本子图像和非拥挤样本子图像训练所述SVM分类器;在所述SVM分类器中,将拥挤样本子图像对应的K个第二概率向量分类成拥挤区域,将非拥挤样本子图像对应的K个第三概率向量分类成非拥挤区域。
所述计算模块12,具体用于在利用拥挤样本子图像和非拥挤样本子图像训练所述SVM分类器的过程中,针对每个尺度的拥挤样本子图像,按照预设大小在拥挤样本子图像上进行滑动;针对每个滑动窗口进行特征提取,得到第二特征向量,将第二特征向量聚类到对应的单词;针对每个尺度的非拥挤样本子图像,按照预设大小在非拥挤样本子图像上进行滑动;针对每个滑动窗口进行特征提取,得到第二特征向量,将第二特征向量聚类到对应的单词;统计聚类到每个单词的第二特征向量数量,利用聚类到每个单词的第二特征向量数量,计算拥挤样本子图像对应的第二概率向量,非拥挤样本子图像对应的第三概率向量;将K个不同尺度的拥挤样本子图像对应的K个第二概率向量分类成拥挤区域,并利用所述K个第二概率向量训练所述SVM分类器;将K个不同尺度的非拥挤样本子图像对应的K个第三概率向量分类成非拥挤区域,并利用所述K个第三概率向量训练所述SVM分类器;
其中,所述计算模块12,具体用于在利用聚类到每个单词的第二特征向量数量,计
算拥挤样本子图像对应的第二概率向量,非拥挤样本子图像对应的第三概率向量的过程
中,利用如下公式计算所述拥挤样本子图像对应的第二概率向量:利用如下公式计算所述非拥挤样本子图像对应
的第三概率向量:
其中,i的取值为1-N,表示第i个单词,N为单词的总数量,ki表示聚类到第i个单词的第二特征向量数量,λi (p)为常量*所述拥挤样本子图像的尺度大小,λi (n)为常量*所述非拥挤样本子图像的尺度大小。
所述计算模块12,具体用于在针对每个滑动窗口进行特征提取,得到第一特征向量或者第二特征向量的过程中,利用卷积神经网络CNN对每个滑动窗口进行特征提取,得到第一特征向量或者第二特征向量。
其中,本发明装置的各个模块可以集成于一体,也可以分离部署。上述模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。本领域技术人员可以理解附图只是一个优选实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施例中的装置中的模块可以按照实施例描述进行分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可进一步拆分成多个子模块。上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上公开的仅为本发明的几个具体实施例,但是,本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (10)
1.一种拥挤区域的确定方法,其特征在于,所述方法包括以下步骤:
针对待测试图像的每个像素点,生成K个不同尺度的待测试子图像;
针对每个待测试子图像,按照预设大小在所述待测试子图像上进行滑动;针对每个滑动窗口进行特征提取,得到第一特征向量,并将所述第一特征向量聚类到对应的单词,并统计聚类到每个单词的第一特征向量数量;利用聚类到每个单词的第一特征向量数量计算所述待测试子图像的第一概率向量;
利用K个第一概率向量,确定所述像素点为拥挤区域或者非拥挤区域;
其中,所述针对每个滑动窗口进行特征提取,得到第一特征向量,包括:利用卷积神经网络CNN对每个滑动窗口进行特征提取,得到第一特征向量。
3.根据权利要求1所述的方法,其特征在于,所述利用K个第一概率向量,确定所述像素点为拥挤区域或者非拥挤区域的过程,具体包括:
利用支持向量机SVM分类器对所述K个第一概率向量进行分类,并利用分类结果确定所述像素点为拥挤区域或者非拥挤区域;
其中,所述SVM分类器的训练过程,具体包括:针对样本图像中的拥挤区域的每个像素点,生成K个不同尺度的拥挤样本子图像,针对样本图像中的非拥挤区域的每个像素点,生成K个不同尺度的非拥挤样本子图像;
利用拥挤样本子图像和非拥挤样本子图像训练所述SVM分类器;在所述SVM分类器中,将拥挤样本子图像对应的K个第二概率向量分类成拥挤区域,将非拥挤样本子图像对应的K个第三概率向量分类成非拥挤区域。
4.根据权利要求3所述的方法,其特征在于,所述利用拥挤样本子图像和非拥挤样本子图像训练所述SVM分类器的过程,具体包括:
针对每个尺度的拥挤样本子图像,按照预设大小在拥挤样本子图像上进行滑动;针对每个滑动窗口进行特征提取,得到第二特征向量,将第二特征向量聚类到对应的单词;针对每个尺度的非拥挤样本子图像,按照预设大小在非拥挤样本子图像上进行滑动;针对每个滑动窗口进行特征提取,得到第二特征向量,将第二特征向量聚类到对应的单词;统计聚类到每个单词的第二特征向量数量,利用聚类到每个单词的第二特征向量数量,计算拥挤样本子图像对应的第二概率向量,非拥挤样本子图像对应的第三概率向量;
将K个不同尺度的拥挤样本子图像对应的K个第二概率向量分类成拥挤区域,并利用所述K个第二概率向量训练所述SVM分类器;
将K个不同尺度的非拥挤样本子图像对应的K个第三概率向量分类成非拥挤区域,并利用所述K个第三概率向量训练所述SVM分类器;
其中,利用聚类到每个单词的第二特征向量数量,计算拥挤样本子图像对应的第二概率向量,非拥挤样本子图像对应的第三概率向量,具体包括:
利用如下公式计算所述拥挤样本子图像对应的第二概率向量:
利用如下公式计算所述非拥挤样本子图像对应的第三概率向量:
其中,i的取值为1-N,表示第i个单词,N为单词的总数量,ki2表示聚类到第i个单词的第二特征向量数量,λi (p)为常量与所述拥挤样本子图像的尺度大小的乘积,λi (n)为常量与所述非拥挤样本子图像的尺度大小的乘积。
5.根据权利要求4所述的方法,其特征在于,所述针对每个滑动窗口进行特征提取,得到第二特征向量的过程,具体包括:
利用卷积神经网络CNN对每个滑动窗口进行特征提取,第二特征向量。
6.一种拥挤区域的确定装置,其特征在于,所述装置具体包括:
生成模块,用于针对待测试图像的每个像素点,生成K个不同尺度的待测试子图像;
计算模块,用于针对每个待测试子图像,按照预设大小在所述待测试子图像上进行滑动;针对每个滑动窗口进行特征提取,得到第一特征向量,并将所述第一特征向量聚类到对应的单词,并统计聚类到每个单词的第一特征向量数量;利用聚类到每个单词的第一特征向量数量计算所述待测试子图像的第一概率向量;
确定模块,用于利用K个第一概率向量,确定所述像素点为拥挤区域或者非拥挤区域;
其中,所述针对每个滑动窗口进行特征提取,得到第一特征向量,包括:利用卷积神经网络CNN对每个滑动窗口进行特征提取,得到第一特征向量。
8.根据权利要求6所述的装置,其特征在于,
所述确定模块,具体用于在利用K个第一概率向量,确定所述像素点为拥挤区域或者非拥挤区域的过程中,利用支持向量机SVM分类器对所述K个第一概率向量进行分类,并利用分类结果确定所述像素点为拥挤区域或者非拥挤区域;
其中,在所述SVM分类器的训练过程中:
所述生成模块,还用于针对样本图像中的拥挤区域的每个像素点,生成K个不同尺度的拥挤样本子图像,针对样本图像中的非拥挤区域的每个像素点,生成K个不同尺度的非拥挤样本子图像;
所述计算模块,还用于利用拥挤样本子图像和非拥挤样本子图像训练所述SVM分类器;在所述SVM分类器中,将拥挤样本子图像对应的K个第二概率向量分类成拥挤区域,将非拥挤样本子图像对应的K个第三概率向量分类成非拥挤区域。
9.根据权利要求8所述的装置,其特征在于,
所述计算模块,具体用于在利用拥挤样本子图像和非拥挤样本子图像训练所述SVM分类器的过程中,针对每个尺度的拥挤样本子图像,按照预设大小在拥挤样本子图像上进行滑动;针对每个滑动窗口进行特征提取,得到第二特征向量,将第二特征向量聚类到对应的单词;针对每个尺度的非拥挤样本子图像,按照预设大小在非拥挤样本子图像上进行滑动;针对每个滑动窗口进行特征提取,得到第二特征向量,将第二特征向量聚类到对应的单词;统计聚类到每个单词的第二特征向量数量,利用聚类到每个单词的第二特征向量数量,计算拥挤样本子图像对应的第二概率向量,非拥挤样本子图像对应的第三概率向量;将K个不同尺度的拥挤样本子图像对应的K个第二概率向量分类成拥挤区域,并利用所述K个第二概率向量训练所述SVM分类器;将K个不同尺度的非拥挤样本子图像对应的K个第三概率向量分类成非拥挤区域,并利用所述K个第三概率向量训练所述SVM分类器;
其中,所述计算模块,具体用于在利用聚类到每个单词的第二特征向量数量,计算拥挤样本子图像对应的第二概率向量,非拥挤样本子图像对应的第三概率向量的过程中,利用如下公式计算所述拥挤样本子图像对应的第二概率向量:利用如下公式计算所述非拥挤样本子图像对应的第三概率向量:
其中,i的取值为1-N,表示第i个单词,N为单词的总数量,ki2表示聚类到第i个单词的第二特征向量数量,λi (p)为常量与所述拥挤样本子图像的尺度大小的乘积,λi (n)为常量与所述非拥挤样本子图像的尺度大小的乘积。
10.根据权利要求9所述的装置,其特征在于,
所述计算模块,具体用于在针对每个滑动窗口进行特征提取,得到第二特征向量的过程中,利用卷积神经网络CNN对每个滑动窗口进行特征提取,得到第二特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610010222.0A CN105678333B (zh) | 2016-01-06 | 2016-01-06 | 一种拥挤区域的确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610010222.0A CN105678333B (zh) | 2016-01-06 | 2016-01-06 | 一种拥挤区域的确定方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105678333A CN105678333A (zh) | 2016-06-15 |
CN105678333B true CN105678333B (zh) | 2020-07-28 |
Family
ID=56299438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610010222.0A Active CN105678333B (zh) | 2016-01-06 | 2016-01-06 | 一种拥挤区域的确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678333B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109564633B (zh) | 2016-08-08 | 2023-07-18 | 诺基亚技术有限公司 | 人工神经网络 |
CN108320510B (zh) * | 2018-04-03 | 2020-12-04 | 深圳市智绘科技有限公司 | 一种基于无人机航拍视频交通信息统计方法及系统 |
CN109117788A (zh) * | 2018-08-10 | 2019-01-01 | 重庆大学 | 一种融合ResNet和LSTM的公交车厢拥挤度检测方法 |
CN110427970B (zh) * | 2019-07-05 | 2023-08-01 | 平安科技(深圳)有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105027550A (zh) * | 2012-11-06 | 2015-11-04 | 阿尔卡特朗讯公司 | 用于处理视觉信息以检测事件的系统和方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8565538B2 (en) * | 2010-03-16 | 2013-10-22 | Honda Motor Co., Ltd. | Detecting and labeling places using runtime change-point detection |
CN104268528B (zh) * | 2014-09-28 | 2017-10-17 | 中智科创机器人有限公司 | 一种人群聚集区域检测方法和装置 |
CN104992223B (zh) * | 2015-06-12 | 2018-02-16 | 安徽大学 | 基于深度学习的密集人数估计方法 |
-
2016
- 2016-01-06 CN CN201610010222.0A patent/CN105678333B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105027550A (zh) * | 2012-11-06 | 2015-11-04 | 阿尔卡特朗讯公司 | 用于处理视觉信息以检测事件的系统和方法 |
Non-Patent Citations (1)
Title |
---|
《基于蒙特卡罗模拟的交通状态辨识》;钱超等;《交通运输系统工程与信息》;20140630;第14卷(第3期);正文第43-50、57页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105678333A (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960266B (zh) | 图像目标检测方法及装置 | |
CN108090508B (zh) | 一种分类训练方法、装置及存储介质 | |
CN110047069B (zh) | 一种图像检测装置 | |
CN109726658B (zh) | 人群计数及定位方法、系统、电子终端及存储介质 | |
CN106295666B (zh) | 获取分类器、检测对象的方法和装置及图像处理设备 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
WO2019200782A1 (zh) | 样本数据分类方法、模型训练方法、电子设备及存储介质 | |
WO2019051941A1 (zh) | 车型识别方法、装置、设备及计算机可读存储介质 | |
CN105678333B (zh) | 一种拥挤区域的确定方法和装置 | |
CN111461170A (zh) | 车辆图像检测方法、装置、计算机设备及存储介质 | |
JP2020524348A (ja) | 顔画像検索方法およびシステム、撮影装置、ならびにコンピュータ記憶媒体 | |
CN110796154A (zh) | 一种训练物体检测模型的方法、装置以及设备 | |
CN109740573B (zh) | 视频分析方法、装置、设备及服务器 | |
CN110176024B (zh) | 在视频中对目标进行检测的方法、装置、设备和存储介质 | |
US20160189048A1 (en) | Data analysis system and method | |
CN110879982A (zh) | 一种人群计数系统及方法 | |
CN115062186B (zh) | 一种视频内容检索方法、装置、设备以及存储介质 | |
CN110705489A (zh) | 目标识别网络的训练方法、装置、计算机设备和存储介质 | |
CN112101156A (zh) | 一种目标识别的方法、装置和电子设备 | |
CN114902299A (zh) | 图像中关联对象的检测方法、装置、设备和存储介质 | |
Karaimer et al. | Detection and classification of vehicles from omnidirectional videos using multiple silhouettes | |
CN116258906A (zh) | 一种对象识别方法、特征提取模型的训练方法及装置 | |
JP7165353B2 (ja) | 画像特徴量出力装置、画像認識装置、画像特徴量出力プログラム、及び画像認識プログラム | |
CN114422450B (zh) | 基于多源网络流量数据的网络流量分析方法和装置 | |
CN111127485B (zh) | 一种ct图像中目标区域提取方法、装置及设备 |
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 |