CN106650581B - 一种人流量统计方法及装置 - Google Patents

Abstract

本发明实施例提供一种人流量统计方法及装置，其中的方法可包括：获取目标区域的目标检测图像；采用深度学习方法对所述目标检测图像进行人头检测，获得至少一个人头特征；对所述至少一个人头特征进行递归分析，获得所述至少一个人头特征的属性信息；根据所述至少一个人头特征的属性信息统计所述目标区域的人流量。本发明能够更有效、更便捷地实现人头检测，提升人流量统计的准确率。

Description

一种人流量统计方法及装置

技术领域

本发明涉及互联网技术领域，具体涉及图像处理技术领域，尤其涉及一种人流量统计方法及装置。

背景技术

随着互联网技术的发展，图像处理技术得到了迅速发展。在图像处理领域中，人流量统计是一个重要应用，也是目前智能视频监控中的一个新领域。由于人体头部形状(类圆形状)相对于人体其他部位形状更为固定，并且发生遮挡的可能性较小，因此人头检测经常被应用于人流量统计中。人头检测的主要任务是通过对输入图像的自动分析，及时捕捉人体头部轮廓的大小和位置。目前，基于人头检测技术的人流量统计的方法主包括以下几种，其一为基于图像边缘检测的人流量统计方法，该方法是沿图像边缘随机抽取不共线的几个点计算点与点之间的距离从而判断是否可能存在人头目标；此方法准确率不高，并且检测速度不能满足实时性要求。其二为基于Hough(霍夫)变换的人流量统计，该方法所涉及的参数空间为三维空间，其计算量较大且处理复杂，并且准确率不高。

发明内容

本发明实施例提供一种人流量统计方法及装置，能够更有效、更便捷地实现人头检测，提升人流量统计的准确率。

本发明实施例第一方面提供一种人流量统计方法，可包括：

获取目标区域的目标检测图像；

采用深度学习方法对所述目标检测图像进行人头检测，获得至少一个人头特征；

对所述至少一个人头特征进行递归分析，获得所述至少一个人头特征的属性信息；

根据所述至少一个人头特征的属性信息统计所述目标区域的人流量。

优选地，所述获取目标区域的目标检测图像，包括：

确定待统计的目标区域，其中，所述目标区域为一个封闭区域，或者所述目标区域为位于开放区域内的一个指定区域；

在所述目标区域设置至少一路摄像装置；

同步采集所述至少一路摄像装置所拍摄的图像信息；

将所述至少一路摄像装置所拍摄的图像信息进行全景合成形成目标检测图像。

优选地，所述采用深度学习方法对所述目标检测图像进行人头检测，获得至少一个人头特征，包括：

从所述目标检测图像中随机选取一个样本图像；

根据所述样本图像所反映的人流密度确定深度学习的层级参数；

按照所确定的层级参数构建深度卷积神经网络模型；

采用所述深度卷积神经网络模型对所述目标检测图像进行人头检测，获得至少一个人头特征。

优选地，所述对所述至少一个人头特征进行递归分析，获得所述至少一个人头特征的属性信息，包括：

根据所述至少一个人头特征的数量确定递归分析的节点数量；

按照所确定的节点数量构建递归神经网络模型；

采用所述递归神经网络模型对所述至少一个人头特征进行分析，得到所述至少一个人头特征的属性信息；

其中，一个人头特征的属性信息包括：确认概率及确认位置。

优选地，所述根据所述至少一个人头特征的属性信息统计所述目标区域的人流量，包括：

根据所述至少一个人头特征的属性信息对所述至少一个人头特征进行有效性筛选处理；

根据筛选得到的至少一个有效人头特征统计所述目标区域的人流量。

优选地，所述根据所述至少一个人头特征的属性信息对所述至少一个人头特征进行有效性筛选处理，包括：

将所述至少一个人头特征中确认概率大于预设值的人头特征确定为备选人头特征；

对各备选人头特征的确认位置进行非最大值抑制处理，过滤确认位置产生重叠的备选人头特征，得到剩余的有效人头特征。

本发明实施例第二方面提供一种人流量统计装置，可包括：

获取单元，用于获取目标区域的目标检测图像；

检测单元，用于采用深度学习方法对所述目标检测图像进行人头检测，获得至少一个人头特征；

分析单元，用于对所述至少一个人头特征进行递归分析，获得所述至少一个人头特征的属性信息；

统计单元，用于根据所述至少一个人头特征的属性信息统计所述目标区域的人流量。

优选地，所述获取单元包括：

区域确定单元，用于确定待统计的目标区域，其中，所述目标区域为一个封闭区域，或者所述目标区域为位于开放区域内的一个指定区域；

设置单元，用于在所述目标区域设置至少一路摄像装置；

采集单元，用于同步采集所述至少一路摄像装置所拍摄的图像信息；

合成单元，用于将所述至少一路摄像装置所拍摄的图像信息进行全景合成形成目标检测图像。

优选地，所述检测单元包括：

选取单元，用于从所述目标检测图像中随机选取一个样本图像；

参数确定单元，用于根据所述样本图像所反映的人流密度确定深度学习的层级参数；

第一模型构建单元，用于按照所确定的层级参数构建深度卷积神经网络模型；

人头检测单元，用于采用所述深度卷积神经网络模型对所述目标检测图像进行人头检测，获得至少一个人头特征。

优选地，所述分析单元包括：

数量确定单元，用于根据所述至少一个人头特征的数量确定递归分析的节点数量；

第二模型构建单元，用于按照所确定的节点数量构建递归神经网络模型；

递归分析单元，用于采用所述递归神经网络模型对所述至少一个人头特征进行分析，得到所述至少一个人头特征的属性信息；

其中，一个人头特征的属性信息包括：确认概率及确认位置。

优选地，所述统计单元包括：

筛选处理单元，用于根据所述至少一个人头特征的属性信息对所述至少一个人头特征进行有效性筛选处理；

流量统计单元，用于根据筛选得到的至少一个有效人头特征统计所述目标区域的人流量。

优选地，所述筛选处理单元包括：

备选确定单元，用于将所述至少一个人头特征中确认概率大于预设值的人头特征确定为备选人头特征；

重叠过滤单元，用于对各备选人头特征的确认位置进行非最大值抑制处理，过滤确认位置产生重叠的备选人头特征，得到剩余的有效人头特征。

本发明实施例中，通过对目标区域的目标检测图像进行深度学习获得至少一个人头特征，再对所得到的人头特征进行递归分析获得人头特征的属性信息，最后依据人头特征的属性信息进行人流量统计；由于深度学习的过程能够获得高层次、深层抽象的人头特征，这使得人头检测更为有效、更为便捷，结合递归分析的过程，极大提升了人头检测的准确度，提升了人流量统计的准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种人流量统计方法的流程图；

图2为本发明实施例提供的目标区域的示意图；

图3为本发明实施例提供的另一种人流量统计方法的流程图；

图4为本发明实施例提供的人头检测流程的示意图；

图5为本发明实施例提供的一种终端的内部结构示意图；

图6为本发明实施例提供的一种人流量统计装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种基于人头检测的人流量统计方法及装置，首先通过对目标区域的目标检测图像进行深度学习获得至少一个人头特征，由于深度学习的过程能够获得高层次、深层抽象的人头特征，这使得人头检测更为有效、更为便捷。其次再对人头特征进行递归分析获得人头特征的属性信息，深度学习的过程结合递归分析的过程，极大提升了人头检测的准确度。最后依据人头特征的属性信息进行人流量统计，基于高准确度的人头检测结果大大提升了人流量统计的准确率，同时也提升了人流量统计方法的智能性。

本发明实施例中，人头检测的主要任务是对检测图像进行自动分析，及时捕捉人头特征(即人头部轮廓的大小和位置)；而人流量统计的任务是基于已捕捉到的人头特征来统计某个区域的人数总量。本发明实施例所提供的基于人头检测的人流量统计方案可被应用于多种场景，例如：可以应用于对诸如学校自习教室、KTV房间等这类封闭的室内环境进行人流量统计的场景；也可以应用于对诸如广场出入口区域、公交站台等这类开放的室外环境中某特定区域进行人流量统计的场景。

基于上述描述，本发明实施例提供了一种人流量统计方法，请参见图1，该方法可包括以下步骤S101-步骤S104。

S101，获取目标区域的目标检测图像。

目标区域可以是一个封闭区域，例如：目标区域可以是学校自习教室、KTV房间等等；目标区域也可以是位于开放区域内的一个指定区域，例如：目标区域可以是旅游景区的出入口区域、公共道路上的一个公交站台区域等等。目标检测图像是指反映目标区域的人流量环境的图像，该目标检测图像既可以是一张或多张静态的图片，也可以是由一帧帧图像组成的动态视频图像序列。

具体实现中，步骤S101可以通过在目标区域架设摄像装置拍摄目标区域的目标检测图像；此处的摄像装置可以为照相机、视频摄录设备等等。请一并参见图2，为本发明实施例提供的目标区域的示意图；如图2所示，w1代表目标区域的长度，w2代表目标区域的宽度；在H高度处可设置一个或多个摄像装置，用于拍摄目标区域的目标检测图像。可以理解的是，H的值可以根据实际经验值进行设定，如果H的值设定过小，则可能无法完整拍摄到目标区域内的所有人员的头部轮廓，因此为了保证所拍摄的目标检测图像的内容完整性，那么H的值应当大于目标区域内的人员的最大身高；另外，如果H的值设定过大，则可能使拍摄到的人员的头部轮廓较小或不清楚，为了保证所拍摄的人员的头部轮廓的清晰度，H的值不应当设置得过大。

S102，采用深度学习方法对所述目标检测图像进行人头检测，获得至少一个人头特征。

深度学习方法实质上是一种机器学习方法，其目的在于：建立一个能够模拟人类大脑进行分析学习的神经网络，通过模仿人类大脑的机制来对诸如图像、声音、文本等各类数据进行解释。具体实现中，深度学习方法可以基于各种模型来实现，此处的模型可包括但不限于：深度卷积神经网络(Convolutional Neural Networks，CNN)模型、模糊神经网络模型、BP(Back-Propagation，误差逆传)神经网络模型等等。本步骤可以通过构建神经网络模型，采用所构建的神经网络模型来对目标检测图像进行深度学习，从而实现人头检测获得至少一个人头特征；此处，人头特征是指能够全面描述人体头部轮廓的大小、位置等属性的特征。

S103，对所述至少一个人头特征进行递归分析，获得所述至少一个人头特征的属性信息。

人头特征的属性信息可包括但不限于：确认概率及确认位置。其中，确认概率是指人头特征所描述的内容属于人体头部轮廓的机率；确认概率越大，表明人头特征所描述的内容属于人体头部轮廓的可能性越大；确认概率越小，表明人头特征所描述的内容属于人体头部轮廓的可能性越小。其中，确认位置是指人头特征所描述的人头轮廓在目标检测图像中所占据的位置；实际应用中，在目标检测图像中可通过方框、类圆形框等方式来标注人体头部轮廓的确认位置，该方框、类圆形框的大小在一定程度上也可以反映人体头部轮廓的大小。具体实现中，递归分析的过程是指：通过对人头特征进行深度训练从而输出人头特征的确认概率及确认位置。递归分析可以基于各种模型来实现，包括但不限于：RNN(Recurrent Neural Net，递归神经网络)模型、LSTM(Long-Short Term Memory，长短时记忆神经网络)模型等等。本步骤可以通过构建递归神经网络模型，采用所构建的递归神经网络模型来对人头特征进行深度训练及分析，从而输出人头特征的属性信息。

S104，根据所述至少一个人头特征的属性信息统计所述目标区域的人流量。

通过前述步骤已得到了包含确认概率及确认位置的至少一个人头特征，但这些人头特征中可能会存在一些无效的人头特征，例如：某些人头特征的确认概率较小，表明这些人头特征可能描述的是其他物体的轮廓特征而并非人体头部轮廓的特征，那么需要将这些人头特征进行过滤；再如：某些人头特征的确认位置重合度较高，表明这些人头特征可能描述的是同一个人的头部轮廓特征，那么，需要对这些人头特征进行去重过滤。经过对无效的人头特征进行筛选过滤之后，可基于剩余的有效人头特征来统计目标区域的人流量，即统计有效人头特征的数量从而得到目标区域的人流量大小。

本发明实施例的人流量统计方法，通过对目标区域的目标检测图像进行深度学习获得至少一个人头特征，再对所得到的人头特征进行递归分析获得人头特征的属性信息，最后依据人头特征的属性信息进行人流量统计；由于深度学习的过程能够获得高层次、深层抽象的人头特征，这使得人头检测更为有效、更为便捷，结合递归分析的过程，极大提升了人头检测的准确度，提升了人流量统计的准确率。

本发明实施例还提供了另一种人流量统计方法，请参见图3，该方法可包括以下步骤S201-步骤S213。

S201，确定待统计的目标区域，其中，所述目标区域为一个封闭区域，或者所述目标区域为位于开放区域内的一个指定区域。

S202，在所述目标区域设置至少一路摄像装置。

S203，同步采集所述至少一路摄像装置所拍摄的图像信息。

S204，将所述至少一路摄像装置所拍摄的图像信息进行全景合成形成目标检测图像。

本实施例的步骤S201-S204可以是图1所示实施例的步骤S101的具体细化步骤。

步骤S201-S204中：可以根据接收到用户请求来确定待统计的目标区域，例如：某用户请求对某个房间的人流量进行统计，那么在接收到该用户请求时可确定目标区域即为所请求的房间；再如：某用户请求对某个广场的出入口的人流量进行统计，那么在接收到该用户请求时可确定目标区域为所请求的广场的出入口区域。确定目标区域之后，可在目标区域架设一路或多路摄像装置来拍摄目标区域的人流量环境，并同步采集一路或多路摄像装置所拍摄到的图像信息进行全景合成处理形成目标检测图像。由于目标检测图像是由一种或多路摄像装置进行多角度、全方位地拍摄，并且经多图全景合成处理形成的图像，因此，目标检测图像能够全面地、全方位无死角的反映目标区域的人流量环境，有利于提升人头检测的准确性及人流量统计的准确率。

S205，从所述目标检测图像中随机选取一个样本图像。

S206，根据所述样本图像所反映的人流密度确定深度学习的层级参数。

S207，按照所确定的层级参数构建深度卷积神经网络模型。

S208，采用所述深度卷积神经网络模型对所述目标检测图像进行人头检测，获得至少一个人头特征。

本实施例的步骤S205-S208可以是图1所示实施例的步骤S102的具体细化步骤。

本实施例以基于深度卷积神经网络模型CNN模型来实现深度学习的过程为例进行说明，那么步骤S205-S208中：需要构建一个CNN模型。一个CNN网络的基本结构包括：输入层、中间层(又叫隐含层)和输出层；其中，根据实际需要，中间层的数量可以为一层或多层，构建CNN模型的一个重要步骤在于确定中间层的层级结构。具体实现中，可以从所述目标检测图像中随机选取一个样本图像，直观地讲，这个过程相当于从目标检测图像这个大尺寸图像中随机选取一小块图像作为样本图像。CNN模型的主要任务是从这个小块的样本图像中学习到一些特征(即CNN特征)，再将CNN特征应用到目标检测图像这个大尺寸图像的任意地方。样本图像所反映的人流密度与层级参数存在对应关系，如果样本图像所反映的人流密度较大，对应可以设定一个较大值的层级参数；如果样本图像所反映的人流密度较小，对应可以设定一个较小值的层级参数；此处的层级参数用于确定中间层的层级结构，例如：假设样本图像的人流密度小于等于4，即样本图像所指示的区域最多存在N＝4个人员，那么CNN模型的层级参数可设定为4，表明CNN模型共包含四层中间层，由此可构建CNN模型。进一步，采用所构建的CNN模型对目标检测图像进行人头检测，可以得到CNN1、CNN2、CNN3和CNN4共四个人头特征，该四个人头特征分别代表不同深度抽象得到的特征，具体为：CNN1代表第一层中间层抽象得到的人头特征，CNN2代表第二中间层抽象得到的人头特征，以此类推。需要说明的是，上述四层中间层的CNN模型仅为举例，CNN特征对应的中间层的层次结构越高，其CNN特征越抽象；实际应用中所构建的CNN模型深度越深，进行人头检测所获得的CNN特征越抽象，通过利用CNN模型不同深度的CNN特征来进行人头检测，可以更全面、更抽象、更有效、更深层次的描述目标区域内的人员头部轮廓，使得人头检测结果更为准确。

S209，根据所述至少一个人头特征的数量确定递归分析的节点数量。

S210，按照所确定的节点数量构建递归神经网络模型。

S211，采用所述递归神经网络模型对所述至少一个人头特征进行分析，得到所述至少一个人头特征的属性信息。

本实施例的步骤S209-S211可以是图1所示实施例的步骤S103的具体细化步骤。

本实施例以基于递归神经网络模型来实现递归分析的过程为例进行说明，那么步骤S209-S211中：需要构建递归神经网络模型，优选地，递归神经网络模型可以为LSTM模型。构建LSTM模型的一个重要步骤在于确定LSTM神经单元(节点)的数量。LSTM模型的主要任务是对人头特征进行深度训练，从而输出人头特征的确认概率及确认位置。需要分析的人头特征的数量与LSTM神经单元的数量存在对应关系，如果需要分析的人头特征的数量越多，那么所需的LSTM神经单元的数量越多；如果需要分析的人头特征的数量越少，那么所需的LSTM神经单元的数量越少；具体地，可以一个人头特征对应一个LSTM神经单元。经CNN模型提取的CNN特征分别被输入至不同的LSTM神经单元，每个LSTM单元对人头特征进行分析后，输出CNN特征的确认概率及确认位置。

步骤S205-S211是人头检测的流程描述，请一并参见图4，为本发明实施例提供的人头检测流程的示意图；图4所示实例中，CNN模型包含四层中间层，LSTM模型包含4个LSTM神经单元。人头检测流程中：目标检测图像被输入至CNN模型进行深度学习后，输出CNN1-CNN4四个人头特征；CNN1被输入至LSTM-1神经单元进行递归分析后，输出CNN1的属性信息；CNN2被输入至LSTM-2神经单元进行递归分析后，输出CNN2的属性信息；以此类推。

S212，根据所述至少一个人头特征的属性信息对所述至少一个人头特征进行有效性筛选处理。

具体实现中，该方法在执行步骤S212的过程中，具体执行如下步骤s11-s12：

s11，将所述至少一个人头特征中确认概率大于预设值的人头特征确定为备选人头特征。

s12，对各备选人头特征的确认位置进行非最大值抑制处理，过滤确认位置产生重叠的备选人头特征，得到剩余的有效人头特征。

步骤s11-s12中：预设值可以根据实际需要或实际经验值进行设定，如果某人头特征的确认概率大于预设值，表明该人头特征所描述的内容属于人体头部轮廓的可能性较大，那么则挑选该人头特征作为备选人头特征。反之，如果某人头特征的确认概率小于或等于预设值，表明该人头特征所描述的内容属于非人体头部轮廓的可能性较大，此人头特征会对人流量统计产生干扰，那么则需要舍弃该人头特征。进一步，如果某几个人头特征的确认位置重合度较高，说明这些人头特征用于描述同一个人员的头部轮廓，这些人头特征产生重叠，那么应该仅保留其中一个人头特征而过滤掉其他人头特征以保证人流量的统计准确性；实际应用中，可以采用非最大值抑制处理方法，找出确认位置的重合度大于预设重叠阀值(可根据实际需要进行设定)的两个或两个以上的人头特征，保留确认概率最大的那一个人头特征，而将其他重叠的人头特征过滤掉。

S213，根据筛选得到的至少一个有效人头特征统计所述目标区域的人流量。

本实施例的步骤S212-S213可以是图1所示实施例的步骤S104的具体细化步骤。

步骤S212-S213中，经过步骤s11-s12可以筛选过滤掉至少一个人头特征中的无效人头特征，那么剩余的即为有效人头特征，进一步可基于剩余的有效人头特征来统计目标区域的人流量，即统计有效人头特征的数量从而得到目标区域的人流量大小。

本发明实施例的人流量统计方法，通过对目标区域的目标检测图像进行深度学习获得至少一个人头特征，再对所得到的人头特征进行递归分析获得人头特征的属性信息，最后依据人头特征的属性信息进行人流量统计；由于深度学习的过程能够获得高层次、深层抽象的人头特征，这使得人头检测更为有效、更为便捷，结合递归分析的过程，极大提升了人头检测的准确度，提升了人流量统计的准确率。

基于上述的人流量统计方法，本发明实施例还提供了一种人流量统计装置，该装置可以运行于一个终端中，此处的终端可包括但不限于：PC(Personal Computer，个人计算机)、智能手机、PAD(平板电脑)等设备。请一并参见图5，该终端的内部结构可包括但不限于：处理器、用户接口、网络接口及存储器。其中，终端内的处理器、用户接口、网络接口及存储器可通过总线或其他方式连接，在本发明实施例所示图5中以通过总线连接为例。

其中，用户接口是实现用户与终端进行交互和信息交换的媒介，其具体体现可以包括用于输出的显示屏(Display)以及用于输入的键盘(Keyboard)等等，需要说明的是，此处的键盘既可以为实体键盘，也可以为触屏虚拟键盘，还可以为实体与触屏虚拟相结合的键盘。处理器(或称CPU(Central Processing Unit，中央处理器))是终端的计算核心以及控制核心，其可以解析终端内的各类指令以及处理终端的各类数据，例如：CPU可以用于解析用户向终端所发送的开关机指令，并控制终端进行开关机操作；再如：CPU可以在终端内部结构之间传输各类交互数据，等等。存储器(Memory)是终端中的记忆设备，用于存放程序和数据。可以理解的是，此处的存储器既可以包括终端的内置存储器，当然也可以包括终端所支持的扩展存储器。存储器提供存储空间，该存储空间存储了终端的操作系统。本发明实施例中，存储器的存储空间还存储了人流量统计装置。终端通过运行存储器中的人流量统计装置来执行上述图1-4所示方法流程的相应步骤。请参见图6，该人流量统计装置运行如下单元：

获取单元101，用于获取目标区域的目标检测图像。

检测单元102，用于采用深度学习方法对所述目标检测图像进行人头检测，获得至少一个人头特征。

分析单元103，用于对所述至少一个人头特征进行递归分析，获得所述至少一个人头特征的属性信息。

统计单元104，用于根据所述至少一个人头特征的属性信息统计所述目标区域的人流量。

具体实现中，该装置在运行所述获取单元101的过程中，具体运行如下单元：

区域确定单元1001，用于确定待统计的目标区域，其中，所述目标区域为一个封闭区域，或者所述目标区域为位于开放区域内的一个指定区域。

设置单元1002，用于在所述目标区域设置至少一路摄像装置。

采集单元1003，用于同步采集所述至少一路摄像装置所拍摄的图像信息。

合成单元1004，用于将所述至少一路摄像装置所拍摄的图像信息进行全景合成形成目标检测图像。

具体实现中，该装置在运行所述检测单元102的过程中，具体运行如下单元：

选取单元2001，用于从所述目标检测图像中随机选取一个样本图像。

参数确定单元2002，用于根据所述样本图像所反映的人流密度确定深度学习的层级参数。

第一模型构建单元2003，用于按照所确定的层级参数构建深度卷积神经网络模型。

人头检测单元2004，用于采用所述深度卷积神经网络模型对所述目标检测图像进行人头检测，获得至少一个人头特征。

具体实现中，该装置在运行所述分析单元103的过程中，具体运行如下单元：

数量确定单元3001，用于根据所述至少一个人头特征的数量确定递归分析的节点数量。

第二模型构建单元3002，用于按照所确定的节点数量构建递归神经网络模型。

递归分析单元3003，用于采用所述递归神经网络模型对所述至少一个人头特征进行分析，得到所述至少一个人头特征的属性信息；其中，一个人头特征的属性信息包括：确认概率及确认位置。

具体实现中，该装置运行所述统计单元104的过程中，具体运行如下单元：

筛选处理单元4001，用于根据所述至少一个人头特征的属性信息对所述至少一个人头特征进行有效性筛选处理。

流量统计单元4002，用于根据筛选得到的至少一个有效人头特征统计所述目标区域的人流量。

具体实现中，该装置在运行所述筛选处理单元4001的过程中，具体运行如下单元：

备选确定单元4441，用于将所述至少一个人头特征中确认概率大于预设值的人头特征确定为备选人头特征；

重叠过滤单元4442，用于对各备选人头特征的确认位置进行非最大值抑制处理，过滤确认位置产生重叠的备选人头特征，得到剩余的有效人头特征。

由于终端通过运行图6所示的人流量统计装置来执行图1-图4所示的方法，因此，图6所示装置的各单元的功能可参见图1-图4所示方法的各步骤的相关描述，在此不赘述。

与方法同理，本发明实施例的人流量统计装置，通过对目标区域的目标检测图像进行深度学习获得至少一个人头特征，再对所得到的人头特征进行递归分析获得人头特征的属性信息，最后依据人头特征的属性信息进行人流量统计；由于深度学习的过程能够获得高层次、深层抽象的人头特征，这使得人头检测更为有效、更为便捷，结合递归分析的过程，极大提升了人头检测的准确度，提升了人流量统计的准确率。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (12)

1.一种人流量统计方法，其特征在于，包括：

获取目标区域的目标检测图像；

采用深度学习方法对所述目标检测图像进行人头检测，获得至少一个人头特征；

对所述至少一个人头特征进行递归分析，获得所述至少一个人头特征的属性信息；

根据所述至少一个人头特征的属性信息统计所述目标区域的人流量。

2.如权利要求1所述的方法，其特征在于，所述获取目标区域的目标检测图像，包括：

确定待统计的目标区域，其中，所述目标区域为一个封闭区域，或者所述目标区域为位于开放区域内的一个指定区域；

在所述目标区域设置至少一路摄像装置；

同步采集所述至少一路摄像装置所拍摄的图像信息；

将所述至少一路摄像装置所拍摄的图像信息进行全景合成形成目标检测图像。

3.如权利要求1或2所述的方法，其特征在于，所述采用深度学习方法对所述目标检测图像进行人头检测，获得至少一个人头特征，包括：

从所述目标检测图像中随机选取一个样本图像；

根据所述样本图像所反映的人流密度确定深度学习的层级参数；

按照所确定的层级参数构建深度卷积神经网络模型；

采用所述深度卷积神经网络模型对所述目标检测图像进行人头检测，获得至少一个人头特征。

4.如权利要求3所述的方法，其特征在于，所述对所述至少一个人头特征进行递归分析，获得所述至少一个人头特征的属性信息，包括：

根据所述至少一个人头特征的数量确定递归分析的节点数量；

按照所确定的节点数量构建递归神经网络模型；

采用所述递归神经网络模型对所述至少一个人头特征中的每个人头特征进行分析，得到所述每个人头特征的属性信息；

其中，一个人头特征的属性信息包括：确认概率及确认位置。

5.如权利要求4所述的方法，其特征在于，所述根据所述至少一个人头特征的属性信息统计所述目标区域的人流量，包括：

根据所述至少一个人头特征的属性信息对所述至少一个人头特征进行有效性筛选处理；

根据筛选得到的至少一个有效人头特征统计所述目标区域的人流量。

6.如权利要求5所述的方法，其特征在于，所述根据所述至少一个人头特征的属性信息对所述至少一个人头特征进行有效性筛选处理，包括：

将所述至少一个人头特征中确认概率大于预设值的人头特征确定为备选人头特征；

对各备选人头特征的确认位置进行非最大值抑制处理，过滤确认位置产生重叠的备选人头特征，得到剩余的有效人头特征。

7.一种人流量统计装置，其特征在于，包括：

获取单元，用于获取目标区域的目标检测图像；

检测单元，用于采用深度学习方法对所述目标检测图像进行人头检测，获得至少一个人头特征；

分析单元，用于对所述至少一个人头特征进行递归分析，获得所述至少一个人头特征的属性信息；

统计单元，用于根据所述至少一个人头特征的属性信息统计所述目标区域的人流量。

8.如权利要求7所述的装置，其特征在于，所述获取单元包括：

区域确定单元，用于确定待统计的目标区域，其中，所述目标区域为一个封闭区域，或者所述目标区域为位于开放区域内的一个指定区域；

设置单元，用于在所述目标区域设置至少一路摄像装置；

采集单元，用于同步采集所述至少一路摄像装置所拍摄的图像信息；

合成单元，用于将所述至少一路摄像装置所拍摄的图像信息进行全景合成形成目标检测图像。

9.如权利要求7或8所述的装置，其特征在于，所述检测单元包括：

选取单元，用于从所述目标检测图像中随机选取一个样本图像；

参数确定单元，用于根据所述样本图像所反映的人流密度确定深度学习的层级参数；

第一模型构建单元，用于按照所确定的层级参数构建深度卷积神经网络模型；

人头检测单元，用于采用所述深度卷积神经网络模型对所述目标检测图像进行人头检测，获得至少一个人头特征。

10.如权利要求9所述的装置，其特征在于，所述分析单元包括：

数量确定单元，用于根据所述至少一个人头特征的数量确定递归分析的节点数量；

第二模型构建单元，用于按照所确定的节点数量构建递归神经网络模型；

递归分析单元，用于采用所述递归神经网络模型对所述至少一个人头特征中的每个人头特征进行分析，得到所述每个人头特征的属性信息；

其中，一个人头特征的属性信息包括：确认概率及确认位置。

11.如权利要求10所述的装置，其特征在于，所述统计单元包括：

筛选处理单元，用于根据所述至少一个人头特征的属性信息对所述至少一个人头特征进行有效性筛选处理；

流量统计单元，用于根据筛选得到的至少一个有效人头特征统计所述目标区域的人流量。

12.如权利要求11所述的装置，其特征在于，所述筛选处理单元包括：

备选确定单元，用于将所述至少一个人头特征中确认概率大于预设值的人头特征确定为备选人头特征；

重叠过滤单元，用于对各备选人头特征的确认位置进行非最大值抑制处理，过滤确认位置产生重叠的备选人头特征，得到剩余的有效人头特征。