CN107506692A - 一种基于深度学习的密集人群计数与人员分布估计方法 - Google Patents
一种基于深度学习的密集人群计数与人员分布估计方法 Download PDFInfo
- Publication number
- CN107506692A CN107506692A CN201710601775.8A CN201710601775A CN107506692A CN 107506692 A CN107506692 A CN 107506692A CN 201710601775 A CN201710601775 A CN 201710601775A CN 107506692 A CN107506692 A CN 107506692A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- personnel
- msup
- crowd
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Abstract
本发明公开了一种基于深度学习的密集人群计数与人员分布估计方法,对待检测的目标人群图像进行预处理,选取适当的数据集用于训练设计好的深度学习网络模型,再将目标数据输入到训练好的网络中进行分析与识别,最终得出覆盖区域人员热力图,得到人群人员数目与人员分布情况。本发明可以准确的估计高密度人群数目和人员分布情况,良好的解决了人群密集程度过高和人员遮挡问题;适用于任意光照条件、任意环境背景、任意分辨率大小的视频图像。
Description
技术领域
本发明涉及模式识别、图像处理、机器学习等多种领域,特别是涉及一种基于深度学习分析高密度人群图像中人群数目和人员分布情况的方法。
背景技术
在信息化时代,人工智能是在近20多年逐渐兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。深度学习是人工智能领域一个新的研究方向,近年来在语音识别、机器视觉、推荐系统等多类应用中取得突破性的进展。其动机在于建立模型模拟人类大脑的神经连接结构,在处理图像、声音和文本这些信号时,通过多个变换阶段分层对数据特征进行描述,进而给出数据的解释。深度学习的本质是通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。它是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域,并在其他领域的数据处理和分析问题上应用广泛。
随着城市化进程的不断推进,城市人口在不断的增长的同时,城市中人口的出行安全问题愈发突出,在城市的的一些地标建筑、公共场所举办大型群体性集会活动时,常常会聚集大量的人群,尤其在节假日期间人流将更加集中,密集度也会相对进一步上升,一旦发生突发事件,极易出现群死群伤的恶性事故。近期以来,全国各地发生了一系列的重大安全事故,造成了巨大经济损失和人员伤亡。2014年,上海外滩踩踏事件、几内亚海滩音乐会踩踏事件均造成重大伤亡,举世震惊。传统的算法和交通监控设备,难以管理密集人群的聚集和流动所引发的问题,例如:无法从复杂的背景环境对人群区域进行分割,无法解决人群中的遮挡问题,更无法准确的统计出超高密度人群人员数量等问题,所以人流密集的场所存在的各种各样的安全隐患情况的识别是本发明亟待解决的技术问题。
发明内容
为了克服现有技术存在的缺陷,本发明提出了一种基于深度学习的密集人群计数与人员分布估计方法,采用MResNets和热力图模型,实现在不同光照、不同环境、不同分辨率下的人群数目统计和人员分布情况分析,并对人群密度过高和人员遮挡问题具有很强的鲁棒性。
本发明的一种基于深度学习的密集人群计数与人员分布估计方法,该方法包括以下步骤:
步骤101、从数据库中选取标注好的高密度人群图像数据;
步骤102、对抽取好的数据集进行预处理;
步骤103、对高密度人群图像进行预处理,该预处理包括去噪、增强、图像倾斜纠正和图像尺寸归一化;
步骤104、判断是否为训练图片,将预处理后的数据集分为训练样本与测试样本两部分;
步骤105、用测试样本训练好四通道深度残差网络;
步骤106、用训练样本训练好四通道深度残差网络MResNets;
步骤107、得到训练好的四通道深度残差网络MResNets;
步骤108、判断估计准确率是否大于等于阈值?
步骤109、当估计准确率大于等于阈值时,则表示网络性能良好,否则重新训练网络;
步骤110、利用前端摄像头采集视频,将采集到的待检测目标人群图像进行去噪、增强等预处理工作,并上传至系统云端,输送到四通道深度残差网络MResNets中,经过处理输出待检测目标人群图像的训练结果;
步骤111,对步骤110中的待检测目标人群图像的训练结果进行分析和处理,得到人群数目H(x):
其中:xi为网络预测输入图片中的人在图像像素中的位置;δ(x-xi)表示xi像素位置上的冲激函数;
得到一幅有N个人的图像的标签,再引入高斯核得到图像中人群人员分布F(x),其计算公式如下:
其中,为第i个人与第j个人的距离;m为第i个人周围距离最近的人数;为第i个人与周围距离最近的m个人的平均距离;β=0.28由大量的实验总结得到;δi为较密集人群情况下近似的人头大小;Gδi(x)为高斯核函数;
将上述得到的计算结果代入到反距离权重插值算法(IDW)中,生成区域人群人员热力图,得到人群人员数目和人员分布情况。如图3所示。
本发明可以准确的估计高密度人群数目和人员分布情况,良好的解决了人群密集程度过高和人员遮挡问题;适用于任意光照条件、任意环境背景、任意分辨率大小的视频图像。
附图说明
图1为本发明的基于深度学习的密集人群计数与人员分布估计方法流程图;
图2为本发明的四通道深度残差网络(MResNets)结构示意图;
图3为实施例获得热力图的示意图。
具体实施方式
下面将结合附图对本发明的实施方式作进一步的详细描述。
如图1所示,为本发明的基于深度学习的密集人群计数与人员分布估计方法流程图,通过以下主要步骤实现:
步骤101、从数据库中抽取标注好的高密度人群图像数据,抽取的数据集应具有很强的泛化性,涉及不同的光照条件、自然环境背景、取景角度等,同时数据集应包含大量复杂情况场景,如不规则人群聚集、超高密度人群和人员遮挡严重等数据;
步骤102、对抽取好的数据集进行预处理,该预处理具体包括:
首先将高密度人群图像数据转换为块文件,每个块文件包含1个带有如下元素的字典:
Data表示一个包含num*3072大小的uint8s数组,每个数组的每行存储1张数据集图像,第1个1024存储红色通道数值,下一个1024存储绿色通道数值,最后1个1024存储蓝色通道数值。
Labels表示一个包含num个元素值为0-1的列表,索引值表示数组data中第i个元素的标签。
label_local表示一个包含100000元素的列表,给labels中的数值标签标注分辨率坐标。
其中num为每个块文件中数据集图片数量。
步骤103、对高密度人群图像进行预处理,该预处理包括去噪、增强、图像倾斜纠正和图像尺寸归一化;
步骤104、判断是否为训练图片,判断方法采用交叉验证评估方法;
经过步骤104后,将预处理后的数据集分为训练样本train与测试样本test两部分;
步骤105、用测试样本测试训练好的四通道深度残差网络;如图2所示,为本发明的MResNets结构示意图。该四通道深度残差网络(MResNets)的每一个子网络由四个滤波器(filter)、卷积核,每一列子网络的感受也各不相同的并行的深度残差网络ResNets组成。MResNets每一个并行的子网络深度相同,但滤波器(filter)的范围不同(由小到大,分为四档),进而设计四个不同的卷积核,因此每一列子网络的感受也各不相同,能够提取出不同大小的人头特征;
每一个ResNets经过第一卷积层后,其中,使用下列公式计算卷积:
式中:m和n分别对应四列卷积核13X13、10X10、7X7、4X4的大小;wm_n表示第m行n列的权重;xi,j表示图像第i行第j列元素;wb表示偏置项;f表示激活函数,这里选取relu函数作为激活函数,公式如下:
f(x)=max(0,x)
第一批规范化层(BN)先对输入数据进行归一化处理,具体公式如下:
其中,x(k)是指训练数据神经元输出数值;E[x(k)]是指每一批x(k)的平均值;Var[x(k)]是指每一批x(k)的激活度标准差;
然后根据下面公式进行变换重构,并引入可学习参数γ和β,根据重构参数γ和β,可以恢复出网络所学习的特征分布。
β(k)=E[x(k)]
采用收敛速度更快的线性修正单元(ReLU)作为激活函数,其数学表达式如下:
f(x)=max(0,x)
然后再把输出结果输入到第二个卷积层和第二个批规范层并进行与上述过程同样的处理,)最后根据大量的实验结果设计优化权重,并进行更新训练,将四个ResNets与输入数据加权求和,公式如下:
其中ai为权值,通过实验设定a1=0.1、a2=0.2、a3=0.3、a4=0.4;Ci为第i个ResNets通道输出;
再经过线性修正单元,与上述进行相同的处理之后,最后得到输出训练结果。
步骤106、用训练样本训练四通道深度残差网络MResNets;
步骤107、得到训练好的四通道深度残差网络MResNets;
步骤108、判断估计准确率是否大于等于阈值?准确率判断的方法如下:
Atrain≥Atrain_th
其中:Atrain_th是估计准确率阈值,根据经验设定。
步骤109、当估计准确率大于等于阈值时,则表示网络性能良好,否则重新训练网络;
步骤110、利用前端摄像头采集视频,将采集到的待检测目标人群图像进行去噪、增强等预处理工作,并上传至系统云端,输送到四通道深度残差网络MResNets中;
步骤111,进行分析和处理,并得到人群数目H(x);根据公式:
其中:xi为网络预测输入图片中的人在图像像素中的位置;δ(x-xi)表示xi像素位置上的冲激函数;
冲激函数表示如下:
可得到一幅有N个人的图像的标签,再引入高斯核得到图像中人群人员分布F(x),其计算公式如下:
其中,为第i个人与第j个人的距离;m为第i个人周围距离最近的人数;为第i个人与周围距离最近的m个人的平均距离;β=0.28由大量的实验总结得到;δi为较密集人群情况下近似的人头大小;Gδi(x)为高斯核函数;
将上述得到的计算结果代入到反距离权重插值算法(IDW)中,最后得到人群人员热力图分布,如图3所示。热力图生成工具为Matlab,所用到的空间几何和统计学算法包括临近算法(kNN)、二维高斯核算法(TRBF)、基于反距离权重插值算法(IDW)等。
对于本发明的系统做以下几点说明:
本发明提供一种基于视频内容分析的互联网+人员热力图系统来得到人群人员数目和人员分布情况的方案,系统的精度取决于训练数据集的规模,系统的实时性取决于系统硬件配置,尤其是GPU性能。
本方案没有详细说明的部分可以应用现有技术进行实现和优化。
本发明并不局限于前述的具体步骤。本发明扩展到任何本说明书中披露的新特征或任何新的组合,或新的步骤的组合。综上,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种基于深度学习的密集人群计数与人员分布估计方法,其特征在于,该方法包括以下步骤:
步骤(101)、从数据库中选取标注好的高密度人群图像数据;
步骤(102)、对抽取好的数据集进行预处理;
步骤(103)、对高密度人群图像进行预处理,该预处理包括去噪、增强、图像倾斜纠正和图像尺寸归一化;
步骤(104)、判断是否为训练图片,将预处理后的数据集分为训练样本与测试样本两部分;
步骤(105)、用测试样本训练好四通道深度残差网络;
步骤(106)、用训练样本训练好四通道深度残差网络MResNets;
步骤(107)、得到训练好的四通道深度残差网络MResNets;
步骤(108)、判断估计准确率是否大于等于阈值?
步骤(109)、当估计准确率大于等于阈值时,则表示网络性能良好,否则重新训练网络;
步骤(110)、利用前端摄像头采集视频,将采集到的待检测目标人群图像进行去噪、增强等预处理工作,并上传至系统云端,输送到四通道深度残差网络MResNets中,经过处理输出待检测目标人群图像的训练结果;
步骤(111)、对步骤(110)中的待检测目标人群图像的训练结果进行分析和处理,得到人群数目预测H(x):
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中:xi为网络预测输入图片中的人在图像像素中的位置;δ(x-xi)表示xi像素位置上的冲激函数;
得到一幅有N个人的图像的标签,再引入高斯核得到图像中人群人员分布F(x),其计算公式如下:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>G</mi>
<msub>
<mi>&delta;</mi>
<mi>i</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>G</mi>
<msub>
<mi>&delta;</mi>
<mi>i</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<msub>
<mi>&delta;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>&beta;</mi>
<msup>
<mover>
<mi>d</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msup>
</mrow>
<mrow>
<msup>
<mover>
<mi>d</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msubsup>
<mi>d</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
</mrow>
其中,为第i个人与第j个人的距离;m为第i个人周围距离最近的人数;为第i个人与周围距离最近的m个人的平均距离;β=0.28由大量的实验总结得到;δi为较密集人群情况下近似的人头大小;Gδi(x)为高斯核函数;
将上述得到的计算结果代入到反距离权重插值算法(IDW)中,生成区域人群人员热力图,得到人群人员数目和人员分布情况。
2.如权利要求1所述的基于深度学习的密集人群计数与人员分布估计方法,其特征在于,所述步骤(102)中的预处理具体包括以下的操作:
首先将高密度人群图像数据转换为块文件,每个块文件包含1个带有一个包含num*3072大小的uint8s数组、一个包含num个元素值为0-1的列表、一个包含100000元素的列表这三个元素的字典;其中num为每个块文件中数据集图片数量。
3.如权利要求1所述的基于深度学习的密集人群计数与人员分布估计方法,其特征在于,所述步骤(106)、(107)、(110)中的四通道深度残差网络MResNets,其每一个子网络由四个滤波器filter、卷积核,每一列子网络的感受也各不相同的并行的深度残差网络ResNets组成;MResNets每一个并行的子网络深度相同,滤波器filter的分为四档不同范围,进而设计四个不同的卷积核,使得每一列子网络的感受也各不相同,能够提取出不同大小的人头特征;具体处理如下:
每一个ResNets经过第一卷积层后,使用下列公式计算卷积:
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>13</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>13</mn>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mi>m</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>w</mi>
<mi>b</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
式中:m和n分别对应四列卷积核13X13、10X10、7X7、4X4的大小;wm_n表示第m行n列的权重;xi,j表示图像第i行第j列元素;wb表示偏置项;f表示激活函数,这里选取relu函数作为激活函数,公式如下:
f(x)=max(0,x)
第一批规范化层(BN)先对输入数据进行归一化处理,具体公式如下:
<mrow>
<msup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>-</mo>
<mi>E</mi>
<mo>&lsqb;</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>&rsqb;</mo>
</mrow>
<msqrt>
<mrow>
<mi>V</mi>
<mi>a</mi>
<mi>r</mi>
<mo>&lsqb;</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>&rsqb;</mo>
</mrow>
</msqrt>
</mfrac>
</mrow>
其中,x(k)是指训练数据神经元输出数值;E[x(k)]是指每一批x(k)的平均值;Var[x(k)]是指每一批x(k)的激活度标准差;
然后根据下面公式进行变换重构,并引入可学习参数γ和β,根据重构参数γ和β,可以恢复出网络所学习的特征分布;
<mrow>
<msup>
<mi>&gamma;</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<msqrt>
<mrow>
<mi>V</mi>
<mi>a</mi>
<mi>r</mi>
<mo>&lsqb;</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>&rsqb;</mo>
</mrow>
</msqrt>
</mrow>
β(k)=E[x(k)]
采用收敛速度更快的线性修正单元(ReLU)作为激活函数,其数学表达式如下:
f(x)=max(0,x)
然后再把输出结果输入到第二个卷积层和第二个批规范层并进行与上述过程同样的处理,)最后根据大量的实验结果设计优化权重,并进行更新训练,将四个ResNets与输入数据加权求和,公式如下:
<mrow>
<mi>S</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>4</mn>
</munderover>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
</mrow>
其中,ai为权值,通过实验设定a1=0.1、a2=0.2、a3=0.3、a4=0.4;Ci为第i个ResNets通道输出;
再经过线性修正单元,与上述进行相同的处理之后,最后得到输出训练结果。
4.如权利要求1所述的基于深度学习的密集人群计数与人员分布估计方法,其特征在于,步骤(111)中的热力图,其生成工具为Matlab,所用到的空间几何和统计学算法至少包括临近算法kNN、二维高斯核算法TRBF、基于反距离权重插值算法IDW。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710601775.8A CN107506692A (zh) | 2017-07-21 | 2017-07-21 | 一种基于深度学习的密集人群计数与人员分布估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710601775.8A CN107506692A (zh) | 2017-07-21 | 2017-07-21 | 一种基于深度学习的密集人群计数与人员分布估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107506692A true CN107506692A (zh) | 2017-12-22 |
Family
ID=60689273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710601775.8A Pending CN107506692A (zh) | 2017-07-21 | 2017-07-21 | 一种基于深度学习的密集人群计数与人员分布估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107506692A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108109102A (zh) * | 2017-12-28 | 2018-06-01 | 珠海市君天电子科技有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
CN109034355A (zh) * | 2018-07-02 | 2018-12-18 | 百度在线网络技术(北京)有限公司 | 致密人群的人数预测方法、装置、设备以及存储介质 |
CN109189878A (zh) * | 2018-09-18 | 2019-01-11 | 图普科技(广州)有限公司 | 一种人群热力图获得方法及装置 |
CN109460720A (zh) * | 2018-10-25 | 2019-03-12 | 中科院成都信息技术股份有限公司 | 基于卷积神经网络的选票识别方法 |
CN109543695A (zh) * | 2018-10-26 | 2019-03-29 | 复旦大学 | 基于多尺度深度学习的泛密度人群计数方法 |
CN109543510A (zh) * | 2018-10-08 | 2019-03-29 | 百度在线网络技术(北京)有限公司 | 人流密度估计方法、装置和电子设备 |
CN109635629A (zh) * | 2018-10-23 | 2019-04-16 | 南京行者易智能交通科技有限公司 | 一种基于深度学习的公交站台人群密度检测方法及装置 |
CN109670540A (zh) * | 2018-12-04 | 2019-04-23 | 华南理工大学 | 基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法 |
CN109697435A (zh) * | 2018-12-14 | 2019-04-30 | 重庆中科云从科技有限公司 | 人流量监测方法、装置、存储介质及设备 |
CN109815867A (zh) * | 2019-01-14 | 2019-05-28 | 东华大学 | 一种人群密度估计和人流量统计方法 |
CN109829503A (zh) * | 2019-02-12 | 2019-05-31 | 厦门美柚信息科技有限公司 | 一种密集恐惧图片判别方法、系统、设备及其存储介质 |
CN109961060A (zh) * | 2019-04-11 | 2019-07-02 | 北京百度网讯科技有限公司 | 用于生成人群密度信息的方法和装置 |
CN110263619A (zh) * | 2019-04-30 | 2019-09-20 | 上海商汤智能科技有限公司 | 图像处理方法和装置、电子设备和计算机存储介质 |
CN110852189A (zh) * | 2019-10-22 | 2020-02-28 | 天津大学 | 一种基于深度学习的低复杂度的密集人群分析方法 |
CN110941999A (zh) * | 2019-11-12 | 2020-03-31 | 通号通信信息集团有限公司 | 一种人群计数系统中自适应计算高斯核大小的方法 |
CN110991225A (zh) * | 2019-10-22 | 2020-04-10 | 同济大学 | 基于多列卷积神经网络的人群计数与密度估计方法及装置 |
CN111582052A (zh) * | 2020-04-17 | 2020-08-25 | 深圳市优必选科技股份有限公司 | 一种人群密集的预警方法、装置及终端设备 |
CN111710009A (zh) * | 2020-05-29 | 2020-09-25 | 北京百度网讯科技有限公司 | 人流密度的生成方法、装置、电子设备以及存储介质 |
CN116228467A (zh) * | 2023-05-06 | 2023-06-06 | 成都大前研软件开发有限公司 | 基于人工智能的高压电网的供电方法、系统、设备和介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992223A (zh) * | 2015-06-12 | 2015-10-21 | 安徽大学 | 基于深度学习的密集人数估计方法 |
-
2017
- 2017-07-21 CN CN201710601775.8A patent/CN107506692A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992223A (zh) * | 2015-06-12 | 2015-10-21 | 安徽大学 | 基于深度学习的密集人数估计方法 |
Non-Patent Citations (2)
Title |
---|
MARK MARSDEN等: "A Residual Deep Learning Architecture for Crowd Counting, Violent Behaviour Detection and Crowd Density Level Classfication", 《ARXIVHTTPS://ARXIV.ORG/PDF/1705.10698.PDF》 * |
YINGYING ZHANG等: "Single-Image Crowd Counting via Multi-Column Convolutional Neural Network", 《2016 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108109102B (zh) * | 2017-12-28 | 2021-11-23 | 珠海市君天电子科技有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
CN108109102A (zh) * | 2017-12-28 | 2018-06-01 | 珠海市君天电子科技有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
CN109034355B (zh) * | 2018-07-02 | 2022-08-02 | 百度在线网络技术(北京)有限公司 | 致密人群的人数预测方法、装置、设备以及存储介质 |
CN109034355A (zh) * | 2018-07-02 | 2018-12-18 | 百度在线网络技术(北京)有限公司 | 致密人群的人数预测方法、装置、设备以及存储介质 |
CN109189878A (zh) * | 2018-09-18 | 2019-01-11 | 图普科技(广州)有限公司 | 一种人群热力图获得方法及装置 |
WO2020056914A1 (zh) * | 2018-09-18 | 2020-03-26 | 图普科技(广州)有限公司 | 人群热力图获得方法、装置、电子设备及可读存储介质 |
CN109189878B (zh) * | 2018-09-18 | 2019-08-23 | 图普科技(广州)有限公司 | 一种人群热力图获得方法及装置 |
CN109543510A (zh) * | 2018-10-08 | 2019-03-29 | 百度在线网络技术(北京)有限公司 | 人流密度估计方法、装置和电子设备 |
CN109635629A (zh) * | 2018-10-23 | 2019-04-16 | 南京行者易智能交通科技有限公司 | 一种基于深度学习的公交站台人群密度检测方法及装置 |
CN109460720A (zh) * | 2018-10-25 | 2019-03-12 | 中科院成都信息技术股份有限公司 | 基于卷积神经网络的选票识别方法 |
CN109543695A (zh) * | 2018-10-26 | 2019-03-29 | 复旦大学 | 基于多尺度深度学习的泛密度人群计数方法 |
CN109543695B (zh) * | 2018-10-26 | 2023-01-06 | 复旦大学 | 基于多尺度深度学习的泛密度人群计数方法 |
CN109670540A (zh) * | 2018-12-04 | 2019-04-23 | 华南理工大学 | 基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法 |
CN109670540B (zh) * | 2018-12-04 | 2021-07-16 | 华南理工大学 | 基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法 |
CN109697435A (zh) * | 2018-12-14 | 2019-04-30 | 重庆中科云从科技有限公司 | 人流量监测方法、装置、存储介质及设备 |
CN109815867A (zh) * | 2019-01-14 | 2019-05-28 | 东华大学 | 一种人群密度估计和人流量统计方法 |
CN109829503B (zh) * | 2019-02-12 | 2021-12-17 | 厦门美柚股份有限公司 | 一种密集恐惧图片判别方法、系统、设备及其存储介质 |
CN109829503A (zh) * | 2019-02-12 | 2019-05-31 | 厦门美柚信息科技有限公司 | 一种密集恐惧图片判别方法、系统、设备及其存储介质 |
CN109961060B (zh) * | 2019-04-11 | 2021-04-30 | 北京百度网讯科技有限公司 | 用于生成人群密度信息的方法和装置 |
CN109961060A (zh) * | 2019-04-11 | 2019-07-02 | 北京百度网讯科技有限公司 | 用于生成人群密度信息的方法和装置 |
CN110263619A (zh) * | 2019-04-30 | 2019-09-20 | 上海商汤智能科技有限公司 | 图像处理方法和装置、电子设备和计算机存储介质 |
CN110852189A (zh) * | 2019-10-22 | 2020-02-28 | 天津大学 | 一种基于深度学习的低复杂度的密集人群分析方法 |
CN110991225A (zh) * | 2019-10-22 | 2020-04-10 | 同济大学 | 基于多列卷积神经网络的人群计数与密度估计方法及装置 |
CN110941999A (zh) * | 2019-11-12 | 2020-03-31 | 通号通信信息集团有限公司 | 一种人群计数系统中自适应计算高斯核大小的方法 |
WO2021093275A1 (zh) * | 2019-11-12 | 2021-05-20 | 通号通信信息集团有限公司 | 一种人群计数系统中自适应计算高斯核大小的方法 |
CN110941999B (zh) * | 2019-11-12 | 2023-02-17 | 通号通信信息集团有限公司 | 一种人群计数系统中自适应计算高斯核大小的方法 |
CN111582052A (zh) * | 2020-04-17 | 2020-08-25 | 深圳市优必选科技股份有限公司 | 一种人群密集的预警方法、装置及终端设备 |
CN111582052B (zh) * | 2020-04-17 | 2023-08-04 | 深圳市优必选科技股份有限公司 | 一种人群密集的预警方法、装置及终端设备 |
CN111710009A (zh) * | 2020-05-29 | 2020-09-25 | 北京百度网讯科技有限公司 | 人流密度的生成方法、装置、电子设备以及存储介质 |
CN111710009B (zh) * | 2020-05-29 | 2023-06-23 | 北京百度网讯科技有限公司 | 人流密度的生成方法、装置、电子设备以及存储介质 |
CN116228467A (zh) * | 2023-05-06 | 2023-06-06 | 成都大前研软件开发有限公司 | 基于人工智能的高压电网的供电方法、系统、设备和介质 |
CN116228467B (zh) * | 2023-05-06 | 2023-11-03 | 国网浙江省电力有限公司丽水供电公司 | 基于人工智能的高压电网的供电方法、系统、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107506692A (zh) | 一种基于深度学习的密集人群计数与人员分布估计方法 | |
CN108647834B (zh) | 一种基于卷积神经网络结构的交通流预测方法 | |
CN108717568B (zh) | 一种基于三维卷积神经网络的图像特征提取与训练方法 | |
CN111259930B (zh) | 自适应注意力指导机制的一般性目标检测方法 | |
CN109344736B (zh) | 一种基于联合学习的静态图像人群计数方法 | |
CN111161535B (zh) | 基于注意力机制的图神经网络交通流量预测方法及系统 | |
CN106407889B (zh) | 基于光流图深度学习模型在视频中人体交互动作识别方法 | |
CN107506722A (zh) | 一种基于深度稀疏卷积神经网络人脸情感识别方法 | |
CN104992223B (zh) | 基于深度学习的密集人数估计方法 | |
CN110378259A (zh) | 一种面向监控视频的多目标行为识别方法及系统 | |
CN108133188A (zh) | 一种基于运动历史图像与卷积神经网络的行为识别方法 | |
CN106650913A (zh) | 一种基于深度卷积神经网络的车流密度估计方法 | |
CN107529650A (zh) | 网络模型的构建和闭环检测方法、相应装置及计算机设备 | |
CN108734095A (zh) | 一种基于3d卷积神经网络的动作检测方法 | |
CN104392445B (zh) | 一种监控视频中人群小群体分割方法 | |
CN110363188A (zh) | 基于卷积神经网络的宫颈细胞图像分类方法 | |
Yu et al. | Railway obstacle detection algorithm using neural network | |
CN111709300B (zh) | 基于视频图像的人群计数方法 | |
CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
CN109934158A (zh) | 基于局部强化运动历史图和递归卷积神经网络的视频情感识别方法 | |
CN108520213A (zh) | 一种基于多尺度深度的人脸美丽预测方法 | |
CN109255339B (zh) | 基于自适应深度森林人体步态能量图的分类方法 | |
CN108875912A (zh) | 一种用于图像识别的神经网络模型 | |
CN110533100A (zh) | 一种基于机器学习进行cme检测和跟踪的方法 | |
CN106815563A (zh) | 一种基于人体表观结构的人群数量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171222 |