CN107862382A - 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，在一个实施例中，人流量统计方法，所述人流量统计方法包括：建立多个小网络作为神经网络主体；在每个小网络中输入预存的训练图像集合进行训练得到网络模型；以及将待识别图像输入训练好的网络模型进行人流量识别，得到人流量统计结果。

Description

人流量统计方法及装置

技术领域

本发明涉及图像处理领域，具体而言，涉及一种人流量统计方法及装置。

背景技术

现有技术中，通常采用红外感应的电气接触式、或者非接触式的信号个数统计来进行人流量统计。该方式对应的系统安装复杂、维护麻烦，而且存在对象难以追溯、容易误识等问题。

发明内容

有鉴于此，本发明实施例的目的在于提供一种人流量统计方法及装置。

本发明实施例提供的一种人流量统计方法，所述人流量统计方法包括：

建立多个小网络作为神经网络主体；

在每个小网络中输入预存的训练图像集合进行训练得到网络模型；以及

将待识别图像输入训练好的网络模型进行人流量识别，得到人流量统计结果。

本发明实施例还提供一种人流量统计装置，所述人流量统计装置包括：

建立模块，用于建立多个小网络作为神经网络主体；

训练模块，用于在每个所述多个小网络中输入预存的训练图像集合进行训练得到网络模型；以及

识别模块，用于将待识别图像输入训练好的网络模型进行人流量识别，得到人流量统计结果。

与现有技术相比，本发明实施例的人流量统计方法及装置，利用集成学习思想，训练多个小网络，快速完成人流数量回归任务；另外，多网络互信息传递方法，加速训练网络收敛，提高人流量统计的准确性。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明较佳实施例提供的电子终端的方框示意图。

图2为本发明较佳实施例提供的人流量统计方法的流程图。

图3为本发明较佳实施例提供的人流量统计方法的步骤S102的详细流程图。

图4为本发明较佳实施例提供的人流量统计方法中的模型训练的流程图。

图5为本发明较佳实施例提供的人流量统计方法的步骤S1022的详细流程图。

图6为本发明较佳实施例提供的人流量统计方法的步骤S103的详细流程图。

图7为本发明较佳实施例提供的人流量统计装置的功能模块示意图。

图8为本发明较佳实施例提供的人流量统计装置的训练模块的详细模块示意图。

图9为本发明较佳实施例提供的人流量统计装置的识别模块的详细模块示意图。

具体实施方式

下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

如图1所示，是一电子终端100的方框示意图。所述电子终端100包括人流量统计装置110、存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115、显示单元116。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对电子终端100的结构造成限定。例如，电子终端100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。本实施例所述的电子终端100可以是个人计算机、图像处理服务器、或者移动电子设备等具有图像处理能力的计算设备。

所述存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115及显示单元116各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述人流量统计装置110包括至少一个可以软件或固件(Firmware)的形式存储于所述存储器111中或固化在所述电子终端100的操作系统(Operating System，OS)中的软件功能模块。所述处理器113用于执行存储器中存储的可执行模块，例如所述人流量统计装置110包括的软件功能模块或计算机程序。

其中，所述存储器111可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。其中，存储器111用于存储程序，所述处理器113在接收到执行指令后，执行所述程序，本发明实施例任一实施例揭示的过程定义的电子终端100所执行的方法可以应用于处理器113中，或者由处理器113实现。

所述处理器113可能是一种集成电路芯片，具有信号的处理能力。上述的处理器113可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述外设接口114将各种输入/输入装置耦合至处理器113以及存储器111。在一些实施例中，外设接口114，处理器113以及存储控制器112可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

所述输入输出单元115用于提供给用户输入数据。所述输入输出单元115可以是，但不限于，鼠标和键盘等。

所述显示单元116在所述电子终端100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器进行计算和处理。

随着以神经网络为代表的深度学习快速发展，图像处理有了新的提升。本申请发明人研究得到可以使用神经网络训练进行人流量的统计，鉴于网络的复杂程度以及运算的复杂性，直接使用单个多层的神经网络还会存在以下问题：1.传统图像处理不够稳定，难以适应复杂场景；2.一般的神经网络方法训练复杂；3.一般的神经网络方法运算成本太高，运算时间太慢。

基于上述研究本申请发明人进一步提出一种新的神经网络结构进行人流量统计，具体通过以下几个实施例进行描述。

请参阅图2，是本发明较佳实施例提供的应用于图1所示的电子终端的人流量统计方法的流程图。下面将对图2所示的具体流程进行详细阐述。

步骤S101，建立多个小网络作为神经网络主体。

本实施例中，可以设计多个小网络，每个小网络可包括多层结构。其中，各个小网络可以是相同的网络；也可以是不同的网络。可以理解的是，本领域的技术人员可以根据需求设计将所述多个小网络设计成相同的网络或者不同的网络。

步骤S102，在每个小网络中输入预存的训练图像集合进行训练得到网络模型。

本实施例中，可以在所述预存的训练图像集合中获取训练样本，将所述训练样本分别输入每个小网络进行训练。在一种实施方式中，每个小网络可能经过多次训练，每次训练可以从所述预存的训练图像集合中获取训练样本。

步骤S103，将待识别图像输入训练好的网络模型进行人流量识别，得到人流量统计结果。

本实施例中，将所述待识别图像输入所述网络模型中，可以将待识别图像进行分类得到可能的人脸特征；然后将人脸特征进行统计，得到人流量统计结果。

在一个实例中，所述神经网络主体中的小网络可以采用采用softmax回归模型。每个小网络的输出值可以是：

其中，θ表示通过训练得到的模型参数；e表示自然常数；M表示小网络输出向量的维度；xⁱ表示所述待识别图像的特征对应的值。

其中，向量h_θ(xⁱ)中最大值所在位置表示所述待识别图像中人流量的数量。例如，向量h_θ(xⁱ)的第五十个元素的值为最大值，则表示所述待识别图像中有五十个人。

根据本发明实施例的人流量统计方法，利用集成学习思想，训练多个小网络，快速完成人流数量回归任务；另外，多网络互信息传递方法，加速训练网络收敛，提高人流量统计的准确性。

在一种实施方式中，如图3所示，步骤S102包括：步骤S1021和步骤S1022。

步骤S1021，在所述预存的训练图像集合中分别获取多组指定数量的样本图像。

本实施例中，在所述预存的训练图像集合中有放回地选取多组指定数量的样本图像。

在一个实例中，假设所述预存的训练图像集合中包括M个图像。例如，需要获取第一个小网络的样本图像作为输入数据时，所述电子终端可以从M个图像中随机获取m个图像。再例如，需要获取第二个小网络的样本图像作为输入数据时，所述电子终端可以从M个图像中随机获取m个图像。也就是说，第一个小网络和第二个小网络的输入数据可以存在相同图像，也可以是完全不同的图像。

如图4所示，每个小网络θ_i的输入数据均从预存的训练图像集合获取。

步骤S1022，将多组指定数量的样本图像分别输入所述小网络进行训练。

在一种实施方式中，重复步骤S1021及S1022指定次数，以得到所述网络模型。本实施例中，所述指定次数可以是一百万次、十万次等；还可以是使所有小网络输出的人流量的准确率达到90％、85％、99％等时对应的循环次数。

在一种实施方式中，步骤S102还被包括步骤S1023，判断是否满足退出循环的条件。若不满足，则执行步骤S1021；若满足，则训练结束。本实施例中，所述退出循环条件可以是循环次数达到一百万次、十万次等；还可以是使所有小网络输出的人流量的准确率达到90％、85％、99％。

本实施例中，所述预存的测试图像集合中图像中的人脸数为已知数，通过将所述图像样本输入所述小网络中进行训练得到人流量与已知该图像样本对应的人脸数进行对比得到所有小网络输出的人流量的准确率。

在一种实施方式中，如图5所示，所述步骤S1022包括：步骤S10221及步骤S10222。

步骤S10221，获取每个小网络的网络损失函数。

本实施例中，小网络θ_i的网络损失函数H_lossi由两部分组成：小网络自身的回归损失L_lossi和小网络之间的相似度约束

其中，小网络θ_i自身的回归损失公式表示为：

其中

其中，小网络之间的相似度约束可表示为：

其他网络与网络θ_i结果相似度约束：

步骤S10222，将所述损失函数作为目标函数进行最优化计算得到所述损失函数为最优解时对应的参数，作为所述网络模型的模型参数。

本实施例中，根据每个小网络θ_i的损失函数H_lossi计算得到所述目标函数H_loss。其中，目标函数表示为：H_loss＝∑H_lossi。

本实施例中，当所述目标函数H_loss的取值越小时，可表示所有小网络的平均损失越小。其中，可以通过循环训练小网络使所述目标函数尽量小，所述目标函数的值越小，所述小网络训练输出的人流量的准确率越高。

本实施例中，通过最优化算法计算使所述目标函数尽量小，以得到所述目标函数对应的参数的值作为所述网络模型的模型参数。

所述最优化算法可以包括梯度下降法、共轭梯度法、Gauss-Newton算法、Levenberg-Marquardt算法等。本发明实施例并不以计算所述误差平方和表达式为最小值所使用的最优化算法为限，本领域的技术人员可以根据需求选择合适的最优化算法。

本实施例中，如图6所示，步骤S103包括：步骤S1031及步骤S1032。

步骤S1031，将待识别图像输入所述网络模型计算得到网络回归值。

步骤S1032，当所有小网络中的回归值对应识别人数相同的比例达到预设值时，该识别人数为所述人流量统计结果。

其中，一部分小网络输出的回归值对应识别人数为37人，个别输出的回归值对应识别人数为35、36、39人等。若输出的回归值对应识别人数为37人的小网络的数量与总小网络数的比值不小于所述预设值时，可得到所述待识别图像中有37人。所述预设值可以是50％、60％等。

在其它实例子中，当时所有小网络输出的回归值中相同回归值的比例均未达到预设值时，表示人数识别失败。

请参阅图7，是本发明较佳实施例提供的图1所示的人流量统计装置110的功能模块示意图。本实施例中的人流量统计装置110中的各个模块、单元及子单元可用于执行上述方法实施例中的各个步骤。所述人流量统计装置包括：建立模块1101、训练模块1102及识别模块1103。

所述建立模块1101，用于建立多个小网络作为神经网络主体。

所述训练模块1102，用于在每个所述多个小网络中输入预存的训练图像集合进行训练得到网络模型。

所述识别模块1103，用于将待识别图像输入训练好的网络模型进行人流量识别，得到人流量统计结果。

本实施例中，如图8所示，所述训练模块1102包括：获取单元11021及网络训练单元11022。

所述获取单元11021，用于在所述预存的训练图像集合中分别获取多组指定数量的样本图像。

在一种实施方式中，所述获取单元还用于在所述预存的训练图像集合中有放回地选取多组指定数量的样本图像。

所述网络训练单元11022，用于将多组指定数量的样本图像分别输入所述小网络进行训练。

在一种实施方式中，所述网络训练单元包括：获取子单元及计算子单元。

所述获取子单元，用于获取每个小网络的网络损失函数。

所述计算子单元，用于将所述损失函数作为目标函数进行最优化计算得到所述损失函数为最优解时对应的参数，作为所述网络模型的模型参数。

在一种实施方式中，如图9所示，所述识别模块1103包括：回归值计算单元11031及判断单元11032。

所述回归值计算单元11031，用于将待识别图像输入所述网络模型计算得到网络回归值。

所述判断单元11032，用于判断得到的回归值的分布，当所有小网络中的回归值对应识别人数相同的比例达到预设值时，该识别人数为所述人流量统计结果。

关于本实施例的其它细节可以进一步地参考上述方法实施例中的描述，在此不再赘述。

根据本发明实施例的人流量统计装置，利用集成学习思想，训练多个小网络，快速完成人流数量回归任务；另外，多网络互信息传递方法，加速训练网络收敛，提高人流量统计的准确性。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种人流量统计方法，其特征在于，所述人流量统计方法包括：

建立多个小网络作为神经网络主体；

在每个小网络中输入预存的训练图像集合进行训练得到网络模型；以及

将待识别图像输入训练好的网络模型进行人流量识别，得到人流量统计结果。

2.如权利要求1所述的人流量统计方法，其特征在于，所述在每个小网络中输入预存的训练图像集合进行训练得到网络模型的步骤包括：

在所述预存的训练图像集合中分别获取多组指定数量的样本图像；

将多组指定数量的样本图像分别输入所述小网络进行训练；

重复前两个步骤指定次数，以得到所述网络模型。

3.如权利要求2所述的人流量统计方法，其特征在于，所述在所述预存的训练图像集合中获取多组指定数量的样本图像的步骤包括：

在所述预存的训练图像集合中有放回地选取多组指定数量的样本图像。

4.如权利要求2所述的人流量统计方法，其特征在于，所述将多组指定数量的样本图像分别输入所述小网络进行训练的步骤包括：

获取每个小网络的网络损失函数；

将所述损失函数作为目标函数进行最优化计算得到所述损失函数为最优解时对应的参数，作为所述网络模型的模型参数。

5.如权利要求2所述的人流量统计方法，其特征在于，所述将待识别图像输入训练好的网络模型进行人流量识别，得到人流量统计结果的步骤包括：

将待识别图像输入所述网络模型计算得到网络回归值；

当所有小网络中的回归值对应识别人数相同的比例达到预设值时，该识别人数为所述人流量统计结果。

6.一种人流量统计装置，其特征在于，所述人流量统计装置包括：

建立模块，用于建立多个小网络作为神经网络主体；

训练模块，用于在每个所述多个小网络中输入预存的训练图像集合进行训练得到网络模型；以及

识别模块，用于将待识别图像输入训练好的网络模型进行人流量识别，得到人流量统计结果。

7.如权利要求6所述的人流量统计装置，其特征在于，所述训练模块包括：

获取单元，用于在所述预存的训练图像集合中分别获取多组指定数量的样本图像；

网络训练单元，用于将多组指定数量的样本图像分别输入所述小网络进行训练。

8.如权利要求7所述的人流量统计装置，其特征在于，所述获取单元还用于在所述预存的训练图像集合中有放回地选取多组指定数量的样本图像。

9.如权利要求7所述的人流量统计装置，其特征在于，所述网络训练单元包括：

获取子单元，用于获取每个小网络的网络损失函数；

计算子单元，用于将所述损失函数作为目标函数进行最优化计算得到所述损失函数为最优解时对应的参数，作为所述网络模型的模型参数。

10.如权利要求7所述的人流量统计装置，其特征在于，所述识别模块包括：

回归值计算单元，用于将待识别图像输入所述网络模型计算得到网络回归值；

判断单元，用于判断得到的回归值的分布，当所有小网络中的回归值对应识别人数相同的比例达到预设值时，该识别人数为所述人流量统计结果。