CN107944327A - 一种人数统计方法及装置 - Google Patents
一种人数统计方法及装置 Download PDFInfo
- Publication number
- CN107944327A CN107944327A CN201610881900.0A CN201610881900A CN107944327A CN 107944327 A CN107944327 A CN 107944327A CN 201610881900 A CN201610881900 A CN 201610881900A CN 107944327 A CN107944327 A CN 107944327A
- Authority
- CN
- China
- Prior art keywords
- msub
- sample image
- mrow
- density distribution
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种人数统计方法及装置,所述方法包括:获取待分析的包括人群信息的目标图像;将所述目标图像输入预先训练的全卷积神经网络中,得到所述目标图像对应的人群密度分布图;其中,所述全卷积神经网络是根据各样本图像,以及各样本图像对应的人群密度分布真值图训练得到的;根据所述人群密度分布图,统计所述目标图像中包括的人数。本发明实施例能够提高人数统计的速度和准确性。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种人数统计方法及装置。
背景技术
随着经济的快速发展和人们社会活动的不断增加,交通枢纽、大型活动现场及大型商场等公共场所人流拥堵越来越严重,由于人流拥堵造成的安全隐患日趋严重。因此,如何自动、实时地进行人数统计具有重要的研究价值。
相关的人数统计方法,主要是基于统计模型的方法将人群视为服从某种概率分布的整体,然后通过对运动人群进行时空建模以实现运动人群的分割,并借助人群所在区域的区域特征与人群数量之间的回归统计实现人数估计。
具体地,可以首先获取包括人群信息的目标图像,并通过光流场提取目标图像中运动人群的动态纹理特征,然后借助动态纹理特征和水平集算法实现人群的按运动方向分割,获得代表不同运动方向的人群区域。之后再提取各人群区域的面积、周长、周长面积比、内部边缘点数目、分形维度以及统计地形等特征,最后利用广义回归神经网络实现各人群区域特征与人数之间的回归分析,从而获取该目标图像中各人群区域的人数统计结果。
然而,上述方法中,需要根据目标图像提取较多的特征,从而导致人数统计速度较慢,实时性差。另外,人群区域的分割效果影响后续各人群区域人数统计结果的准确性,并且,对各人群区域进行特征提取时,所提取的特征并不能很好的反应人群分布的本质特征,从而导致人数统计结果的准确性较低。可见,相关的人数统计方法存在统计速度慢以及准确性低的问题。
发明内容
本发明实施例的目的在于提供一种人数统计方法及装置,以提高人数统计的速度和准确性。具体技术方案如下:
第一方面,本发明实施例提供了一种人数统计方法,所述方法包括:
获取待分析的包括人群信息的目标图像;
将所述目标图像输入预先训练的全卷积神经网络中,得到所述目标图像对应的人群密度分布图;其中,所述全卷积神经网络是根据各样本图像,以及各样本图像对应的人群密度分布真值图训练得到的;
根据所述人群密度分布图,统计所述目标图像中包括的人数。
可选地,所述根据所述人群密度分布图,统计所述目标图像中包括的人数的步骤包括:
对所述人群密度分布图中各像素点的像素值进行积分处理,将所处理的结果作为所述目标图像中包括的人数。
可选地,所述根据所述人群密度分布图,统计所述目标图像中包括的人数的步骤包括:
根据所述人群密度分布图,确定所述目标图像中包括的人群子区域;
统计各人群子区域中包括的人数。
可选地,所述根据所述人群密度分布图,确定所述目标图像中包括的人群子区域的步骤包括:
对所述人群密度分布图进行二值化处理、形态学分析、以及连通域分析,得到所述目标图像中包括的人群子区域。
可选地,所述全卷积神经网络的训练过程包括:
构建初始全卷积神经网络;其中,所述初始全卷积神经网络包括至少一层卷积层、至少一层降采样层、以及至少一层反卷积层;
获取样本图像,并获取各样本图像对应的人群密度分布真值图;
将各样本图像,以及各样本图像对应的人群密度分布真值图输入所述初始全卷积神经网络,训练得到所述全卷积神经网络。
可选地,所述获取各样本图像对应的人群密度分布真值图包括:
针对每个样本图像,获取针对该样本图像中各人体的头部中心位置标定结果,并获取该样本图像对应的场景透视图;
根据该样本图像中各人体的头部中心位置,以及该样本图像对应的场景透视图,确定该样本图像中对应各人体的身体中心位置;
根据该样本图像,该样本图像中各人体的头部中心位置,对应各人体的身体中心位置,以及预定的头部密度分布函数和身体密度分布函数,生成该样本图像对应的人群密度分布真值图。
可选地,所述根据该样本图像,该样本图像中各人体的头部中心位置,对应各人体的身体中心位置,以及预定的头部密度分布函数和身体密度分布函数,生成该样本图像对应的人群密度分布真值图包括:
根据以下公式,计算该样本图像对应的人群密度分布真值图中,人体p所在位置处的像素值Di(p):
其中,所述P为该样本图像中包括的人体集合;所述Nh为圆形高斯分布;所述Ph为所述人体p在该样本图像中的头部中心位置;所述σh为所述Nh的方差;所述σh为所述Ph的第一预定倍数,所述Nb为椭圆形高斯分布;所述Pb为所述人体p在该样本图像中的身体中心位置;所述∑为所述Nb的方差;所述∑为所述Pb的第二预定倍数;所述||Z||通过以下公式确定:
可选地,所述人群密度分布图的分辨率与所述目标图像的分辨率相同。
第二方面,本发明实施例提供了一种人数统计装置,所述装置包括:
第一获取模块,用于获取待分析的包括人群信息的目标图像;
处理模块,用于将所述目标图像输入预先训练的全卷积神经网络中,得到所述目标图像对应的人群密度分布图;其中,所述全卷积神经网络是根据各样本图像,以及各样本图像对应的人群密度分布真值图训练得到的;
统计模块,用于根据所述人群密度分布图,统计所述目标图像中包括的人数。
可选地,所述统计模块,具体用于对所述人群密度分布图中各像素点的像素值进行积分处理,将所处理的结果作为所述目标图像中包括的人数。
可选地,所述统计模块包括:
确定子模块,用于根据所述人群密度分布图,确定所述目标图像中包括的人群子区域;
统计子模块,用于统计各人群子区域中包括的人数。
可选地,所述确定子模块,具体用于对所述人群密度分布图进行二值化处理、形态学分析、以及连通域分析,得到所述目标图像中包括的人群子区域。
可选地,所述装置还包括:
构建模块,用于构建初始全卷积神经网络;其中,所述初始全卷积神经网络包括至少一层卷积层、至少一层降采样层、以及至少一层反卷积层;
第二获取模块,用于获取样本图像,并获取各样本图像对应的人群密度分布真值图;
训练模块,用于将各样本图像,以及各样本图像对应的人群密度分布真值图输入所述初始全卷积神经网络,训练得到所述全卷积神经网络。
可选地,所述第二获取模块包括:
获取子模块,用于针对每个样本图像,获取针对该样本图像中各人体的头部中心位置标定结果,并获取该样本图像对应的场景透视图;
确定子模块,用于根据该样本图像中各人体的头部中心位置,以及该样本图像对应的场景透视图,确定该样本图像中对应各人体的身体中心位置;
生成子模块,用于根据该样本图像,该样本图像中各人体的头部中心位置,对应各人体的身体中心位置,以及预定的头部密度分布函数和身体密度分布函数,生成该样本图像对应的人群密度分布真值图。
可选地,所述生成子模块,具体用于根据以下公式,计算该样本图像对应的人群密度分布真值图中,人体p所在位置处的像素值Di(p):
其中,所述P为该样本图像中包括的人体集合;所述Nh为圆形高斯分布;所述Ph为所述人体p在该样本图像中的头部中心位置;所述σh为所述Nh的方差;所述σh为所述Ph的第一预定倍数,所述Nb为椭圆形高斯分布;所述Pb为所述人体p在该样本图像中的身体中心位置;所述∑为所述Nb的方差;所述∑为所述Pb的第二预定倍数;所述||Z||通过以下公式确定:
可选地,所述人群密度分布图的分辨率与所述目标图像的分辨率相同。
本发明实施例提供了一种人数统计方法及装置,所述方法包括:获取待分析的包括人群信息的目标图像;将所述目标图像输入预先训练的全卷积神经网络中,得到所述目标图像对应的人群密度分布图;其中,所述全卷积神经网络是根据各样本图像,以及各样本图像对应的人群密度分布真值图训练得到的;根据所述人群密度分布图,统计所述目标图像中包括的人数。
本发明实施例中,可以预先根据各样本图像以及各样本图像对应的人群密度分布真值图训练得到全卷积神经网络,进而在进行人数统计时,将包括人群信息的目标图像输入全卷积神经网络中,即可得到目标图像对应的人群密度分布图,并可根据人群密度分布图得到目标图像中包括的人数,人数统计速度快。进一步地,人群密度分布图中每一像素点的像素值为该点的人群密度值时,可以根据目标图像对应的人群密度分布图,准确地计算得到目标图像中包括的人数。
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数统计方法的流程图;
图2(a)为包括人群信息的目标图像的示意图;
图2(b)为图2(a)所示目标图像对应的人群密度分布图的示意图;
图3为图2(a)所示目标图像中各人群区域人数统计结果示意图;
图4为本发明实施例提供的一种人数统计方法的另一流程图;
图5(a)为本发明实施例中全卷积神经网络架构示意图;
图5(b)为根据样本图像确定的场景透视图的示意图;
图5(c)为根据样本图像确定的人群密度分布真值图的示意图;
图6为本发明实施例提供的一种人数统计装置的结构示意图;
图7为本发明实施例提供的一种人数统计装置的另一结构示意图。
具体实施方式
为了提高人数统计的速度和准确性,本发明实施例提供了一种人数统计方法及装置。
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做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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了提高人数统计的速度和准确性,本发明实施例提供了一种人数统计方法过程,如图1所示,该过程可以包括以下步骤:
S101,获取待分析的包括人群信息的目标图像。
本发明实施例提供的方法可以应用于电子设备。具体地,该电子设备可以为台式计算机、便携式计算机、智能移动终端等。
在本发明实施例中,为了对公共场所进行人数统计,可以在需要进行人数统计的公共场所安装图像采集设备。其中,上述图像采集设备可以为球机等,本发明实施例对此不进行限定。
并且,可以在图像采集设备与电子设备之间建立有线或无线连接,从而图像采集设备可以将其采集的图像发送给电子设备。例如,可以通过WIFI(Wireless Fidelity,无线保真)、NFC(Near Field Communication,近距离无线通讯技术)、蓝牙等无线连接方式在图像采集设备与电子设备之间建立连接,本发明实施例对此不进行限定。
在本发明实施例中,图像采集设备可以采集包括人群信息的目标图像。如,图像采集设备可以按照预定的时间间隔,如1秒、5秒、10秒等,周期性检测其图像采集区域是否有人员出现,当检测到其图像采集区域有人员出现时,采集当前时刻的目标图像。并且,图像采集设备可以将其采集的目标图像发送给电子设备,以使电子设备根据该目标图像进行人数统计。
因此,在本发明实施例中,电子设备可以获取待分析的包括人群信息的目标图像,以统计该目标图像中包括的人数。请参考图2(a),其示出了电子设备获取的目标图像示意图。如图2(a)所示,图中包含了一定数量的人员。
S102,将所述目标图像输入预先训练的全卷积神经网络中,得到所述目标图像对应的人群密度分布图;其中,所述全卷积神经网络是根据各样本图像,以及各样本图像对应的人群密度分布真值图训练得到的。
在本发明实施例中,为了提高人数统计的速度和准确性,电子设备可以预先根据一定数量的样本图像,如100张、500张、1000张等,以及各样本图像对应的人群密度分布真值图训练得到全卷积神经网络。使用该全卷积神经网络,当输入包括人群信息的目标图像时,该全卷积神经网络可以输出该目标图像对应的人群密度分布图。可选地,上述全卷积神经网络为不包含全连接层的神经网络。各样本图像对应的人群密度分布真值图可以是根据各样本图像获得的。并且,各样本图像对应的人群密度分布真值图,可以表征各样本图像中各像素点的人群密度。具体地,人群密度分布真值图中的各像素点的像素值代表该点处的人群密度。
在进行全卷积神经网络的训练时,可以构建初始全卷积神经网络,该初始全卷积神经网络中的参数为初始值,通过训练来优化参数。具体地,可以首先获取各样本图像的人群密度分布真值图,然后将各样本图像与各样本图像对应的人群密度分布真值图输入到初始全卷积神经网络中,计算各样本图像经过初始全卷积神经网络后输出的人群密度分布图与对应的人群密度分布真值图的平均误差,用平均误差来更新初始神经网络中的参数,迭代进行这一过程直到平均误差达到最小时,参数值确定,全卷积神经网络训练完成。
也就是说,全卷积神经网络训练完成后,输入全卷积神经网络中的图像对应输出的人群密度分布图,与该图像对应的人群密度分布真值图相似度较高。各样本图像对应的人群密度分布真值图中,各像素点的像素值代表该点处的人群密度,因此,各样本图像对应的人群密度分布图中,各像素点的像素值也代表该点处的人群密度。
因此,在本发明实施例中,在进行人数统计时,当电子设备获得包括人群信息的目标图像后,其可以将该目标图像输入预先训练的全卷积神经网络中,得到该目标图像对应的人群密度分布图,以根据该人群密度分布图,统计该目标图像中包括的人数。其中,人群密度分布图中的非零点表征人群分布的子区域。也就是说,人群密度分布图中的非零点表明该点处有人,人群密度分布图中的零点表明该点处没有人。
如图2(b)所示,其示出了图2(a)所示的目标图像对应的人群密度分布图。由2(a)、2(b)可知,目标图像中没有人的区域,人群密度分布图中该区域的像素值为0,目标图像中有人的区域,人群密度分布图中该区域的像素值为非0。并且,目标图像中人群越密集的区域,人群密度分布图中,该区域的像素值越大。
S103,根据所述人群密度分布图,统计所述目标图像中包括的人数。
当电子设备得到目标图像对应的人群密度分布图后,其可以根据该人群密度分布图,统计该目标图像中包括的人数。
具体地,由于人群密度分布图中各像素点的像素值代表该点处的人群密度,因此,电子设备可以对人群密度分布图中各像素点的像素值进行积分处理,并将所处理的结果作为目标图像中包括的总人数。具体地,电子设备可以首先确定人群密度分布图中各像素点的像素值,然后将各像素点的像素值相加,最后将相加的结果作为目标图像中包括的总人数。
本发明实施例中,可以预先根据各样本图像以及各样本图像对应的人群密度分布真值图训练得到全卷积神经网络,进而在进行人数统计时,将包括人群信息的目标图像输入全卷积神经网络中,即可得到目标图像对应的人群密度分布图,并可根据人群密度分布图得到目标图像中包括的人数,人数统计速度快。并且,人群密度分布图中每一像素点的像素值为该点的人群密度值,从而,根据目标图像对应的人群密度分布图,可以准确地计算得到目标图像中包括的人数。
可以理解,有些情况下,目标图像中可能只是一些区域的人群密度过大,而另一些区域的人群密度较小。这种情况下,若使用目标图像中包括的总人数来衡量目标图像对应的场景中人流是否拥堵,则可能导致判断结果不准确,从而造成安全隐患。
例如,当目标图像中一些区域的人群密度过大,而另一些区域的人群密度较小时,根据目标图像统计的总人数,相对于目标图像中包括的场景大小来说,可能未达到拥堵。而实际上,目标图像中的人群均集中于一个较小区域中,统计的总人数相对于该较小区域来说,已拥堵较严重。
作为本发明实施例的一种实施方式,电子设备根据目标图像对应的人群密度分布图,统计目标图像中包括的人数时,还可以根据人群密度分布图,将目标图像进行区域划分,得到目标图像中包括的人群子区域,进而可以统计各人群子区域中包括的人数,从而准确地判断目标图像中是否存在人群拥堵的问题。
例如,电子设备可以对人群密度分布图进行二值化处理、形态学分析、以及连通域分析,得到目标图像中包括的人群子区域。进而,可以统计各人群子区域中包括的人数,以确定各人群子区域中是否出现人群拥堵现象。
对图像进行二值化处理,即将图像上各像素点的像素值设置为0或255,也就是将整个图像呈现出明显的只有黑和白的视觉效果。具体地,可以设定一个阈值,用该阈值将图像的像素点分成两部分:像素值大于阈值的第一像素群和像素值小于阈值的第二像素群。进一步地,将第一像素群的各像素点的像素值设为255,将第二像素群的各像素点的像素值设为0,从而实现图像的二值化。其中,上述阈值可以根据经验值进行确定,本发明实施例对此不进行限定。
形态学分析、以及连通域分析即为,确定二值化图像的各连通区域。也就是说,确定图像中像素值相同的各个像素区域,尤其是确定像素值为255的各个像素区域。当整个图像中各像素点均连通时,可以将该图像确定为一个子区域;当图像中含有非连通的两个以上区域时,可以将该图像中各个非连通的区域确定为多个子区域。
电子设备对人群密度分布图进行二值化处理、形态学分析、以及连通域分析的过程,可以采用现有技术,本发明实施例对此过程不进行赘述。
例如,针对如图2(a)所示的目标图像,电子设备确定的各人群子区域可以如图3所示。如图3所示,电子设备可以确定目标图像中包括的三个人群子区域,分别为人群子区域310、人群子区域320、以及人群子区域330。其中,统计得到的人群子区域310中包括的人数为55.21;人群子区域320中包括的人数为22.65;人群子区域330中包括的人数为38.60。该目标图像中包括的总人数即为三个人群子区域中包括的人数之和,即为116.46。
通常情况下,经过神经网络卷积层输出的图像,其分辨率会降低。在本发明实施例中,为了提高人数统计的准确性,全卷积神经网络在输出目标图像对应的人群密度分布图之前,可以将人群密度分布图的分辨率调整至与目标图像的分辨率大小相同,再输出调整之后的人群密度分布图。例如,可以通过一个反卷积层,调整人群密度分布图的分辨率。从而,电子设备根据调整分辨率之后的人群密度分布图来统计人数时,根据较高分辨率的人群密度分布图来统计,能够提高人数统计的准确性。
在本发明实施例中,电子设备可以预先训练得到用于获取目标图像的人群密度分布图的全卷积神经网络。具体地,如图4所示,本发明实施例提供的人数统计方法,还可以包括以下步骤:
S401,构建初始全卷积神经网络;其中,所述初始全卷积神经网络包括至少一层卷积层、至少一层降采样层、以及至少一层反卷积层。
本发明实施例中,电子设备可以首先构建初始全卷积神经网络。其中,该初始全卷积神经网络可以包括至少一层卷积层、至少一层降采样层、以及至少一层反卷积层。
请参考图5(a),其示出了本发明实施例中的全卷积神经网络架构示意图。如图5(a)所示,本发明实施例的全卷积神经网络可以包括一系列卷积层和降采样层,以及一层反卷积层,如,可以包括卷积层1、降采样层1、卷积层2、卷积层n,以及反卷积层1。需要说明的是,本发明实施例的全卷积神经网络中,降采样层的数量可以与卷积层数量相同。
S402,获取样本图像,并获取各样本图像对应的人群密度分布真值图。
当构建初始全卷积神经网络后,电子设备可以获取样本图像,并获取各样本图像对应的人群密度分布真值图,以根据各样本图像,以及各样本图像对应的人群密度分布真值图对初始全卷积神经网络进行训练。
具体地,电子设备可以获取图像采集设备采集的包含人群信息的图像,并将获取的图像作为样本图像。例如,为了对初始全卷积神经网络进行准确的训练,电子设备可以获取大量的样本图像,如100张、500张、1000张等。
获取到样本图像后,电子设备还可以获取各样本图像对应的人群密度分布真值图,以表征各样本图像的人群密度。
具体地,在本发明实施例中,针对每个样本图像,可以人工标定该样本图像中各人体的头部中心位置。例如,电子设备可以展示各样本图像,进而用户可以针对展示的各样本图像,标定各样本图像中各人体的头部中心位置。因此,针对每个样本图像,电子设备可以获取针对该样本图像中各人体的头部中心位置标定结果。
电子设备还可以获取各样本图像对应的场景透视图。具体地,可以假设场景中人体平均高度大致相等,即可根据该场景不同位置人体高度大小估算出各样本图像对应的场景透视图。其中,场景透视图中各像素点的像素值表征该位置单位高度的像素数目。
可以理解,对于相等高度的人体,当其处于样本图像中较近位置处时,其在样本图像中的高度较高;当其处于样本图像中较远位置处时,其在样本图像中的高度较低。这种情况下,各人体在样本图像中的高度取决于其在样本图像中所处的位置。
请参考图5(b),其示出了根据样本图像510确定的场景透视图520的示意图。由图5(b)中的场景透视图520可知,距离越近的地方,各像素点的像素值越大。
确定各样本图像中各人体的头部中心位置,以及该样本图像对应的场景透视图后,电子设备可以根据各样本图像中各人体的头部中心位置,以及对应各样本图像的场景透视图,确定各样本图像中对应各人体的身体中心位置。
具体地,针对每个样本图像,当得知该样本图像中各人体的头部中心位置,以及该样本图像的场景透视图,即该样本图像中各人体的高度后,即可计算得到各人体的身体中心位置。
可以理解,人体的头部为近似的圆形,人体的身体为近似的椭圆形。因此,在本发明实施例中,可以假设人体的头部密度分布服从圆形高斯分布,人体的身体密度分布服从椭圆形高斯分布。
确定样本图像中各人体的头部中心位置和身体中心位置后,电子设备可以根据该样本图像,该样本图像中各人体的头部中心位置,对应各人体的身体中心位置,以及预定的头部密度分布函数和身体密度分布函数,生成该样本图像对应的人群密度分布真值图。
例如,电子设备可以根据公式(1),针对每个样本图像,计算该样本图像对应的人群密度分布真值图中,人体p所在位置处的像素值Di(p):
其中,所述P为该样本图像中包括的人体集合;所述Nh为圆形高斯分布;所述Ph为所述人体p在该样本图像中的头部中心位置;所述σh为所述Nh的方差;所述σh为所述Ph的第一预定倍数,所述Nb为椭圆形高斯分布;所述Pb为所述人体p在该样本图像中的身体中心位置;所述∑为所述Nb的方差;所述∑为所述Pb的第二预定倍数;所述||Z||可以根据公式(2)确定:
||Z||可以起到归一化的作用,保证样本图像中每个人体对应的人群密度之和为1。这样人群密度分布真值图中各像素点的像素值的积分处理结果就等于样本图像中包括的总人数。
具体地,计算每个人体p所在位置处的像素值Di(p)时,可以首先根据公式(2)计算每个人体p对应的||Z||值,进而根据公式(1)计算每个人体p所在位置处的像素值Di(p)。
请参考图5(c),其示出了根据样本图像510确定的人群密度分布真值图530的示意图。其中,540为卷积核,其为圆形高斯分布函数和椭圆形高斯分布函数构成。
S403,将各样本图像,以及各样本图像对应的人群密度分布真值图输入所述初始全卷积神经网络,训练得到所述全卷积神经网络。
获取到各样本图像,以及各样本图像对应的人群密度分布真值图后,电子设备可以将各样本图像,以及各样本图像对应的人群密度分布真值图输入初始全卷积神经网络中,训练得到全卷积神经网络。例如,电子设备可以采用反向传播算法训练得到全卷积神经网络。其中,网络参数梯度的计算可以采用随机梯度下降法。
具体地,电子设备可以将各样本图像与各样本图像对应的人群密度分布真值图输入到初始全卷积神经网络中,计算各样本图像经过初始全卷积神经网络后输出的人群密度分布图与对应的人群密度分布真值图的平均误差,用平均误差来更新初始神经网络中的参数,迭代进行这一过程直到平均误差不再下降时,参数值确定,全卷积神经网络训练完成。
例如,任一样本图像的人群密度分布图与对应的人群密度分布真值图的平均误差LD(θ)可以表示为:
其中,θ为全卷积神经网络参数,N为样本图像总数量,Fd(Xi;θ)为全卷积神经网络输出的样本图像i对应的人群密度分布图,Di为训练样本i对应的人群密度分布真值图。
本发明实施例中,可以预先根据各样本图像以及各样本图像对应的人群密度分布真值图训练得到全卷积神经网络,进而在进行人数统计时,将包括人群信息的目标图像输入全卷积神经网络中,即可得到目标图像对应的人群密度分布图,并可根据人群密度分布图得到目标图像中包括的人数,人数统计速度快。并且,人群密度分布图中每一像素点的像素值为该点的人群密度值,从而,根据目标图像对应的人群密度分布图,可以准确地计算得到目标图像中包括的人数。
相应于上面的方法实施例,本发明实施例还提供了相应的装置实施例。
图6为本发明实施例提供的一种人数统计装置,所述装置包括:
第一获取模块610,用于获取待分析的包括人群信息的目标图像;
处理模块620,用于将所述目标图像输入预先训练的全卷积神经网络中,得到所述目标图像对应的人群密度分布图;其中,所述全卷积神经网络是根据各样本图像,以及各样本图像对应的人群密度分布真值图训练得到的;
统计模块630,用于根据所述人群密度分布图,统计所述目标图像中包括的人数。
本发明实施例中,可以预先根据各样本图像以及各样本图像对应的人群密度分布真值图训练得到全卷积神经网络,进而在进行人数统计时,将包括人群信息的目标图像输入全卷积神经网络中,即可得到目标图像对应的人群密度分布图,并可根据人群密度分布图得到目标图像中包括的人数,人数统计速度快。并且,人群密度分布图中每一像素点的像素值为该点的人群密度值,从而,根据目标图像对应的人群密度分布图,可以准确地计算得到目标图像中包括的人数。
作为本发明实施例的一种实施方式,所述统计模块630,具体用于对所述人群密度分布图中各像素点的像素值进行积分处理,将所处理的结果作为所述目标图像中包括的人数。
作为本发明实施例的一种实施方式,所述统计模块630包括:
确定子模块(图中未示出),用于根据所述人群密度分布图,确定所述目标图像中包括的人群子区域;
统计子模块(图中未示出),用于统计各人群子区域中包括的人数。
作为本发明实施例的一种实施方式,所述确定子模块,具体用于对所述人群密度分布图进行二值化处理、形态学分析、以及连通域分析,得到所述目标图像中包括的人群子区域。
作为本发明实施例的一种实施方式,如图7所示,所述装置还包括:
构建模块710,用于构建初始全卷积神经网络;其中,所述初始全卷积神经网络包括至少一层卷积层、至少一层降采样层、以及至少一层反卷积层;
第二获取模块720,用于获取样本图像,并获取各样本图像对应的人群密度分布真值图;
训练模块730,用于将各样本图像,以及各样本图像对应的人群密度分布真值图输入所述初始全卷积神经网络,训练得到所述全卷积神经网络。
作为本发明实施例的一种实施方式,所述第二获取模块720包括:
获取子模块(图中未示出),用于针对每个样本图像,获取针对该样本图像中各人体的头部中心位置标定结果,并获取该样本图像对应的场景透视图;
确定子模块(图中未示出),用于根据该样本图像中各人体的头部中心位置,以及该样本图像对应的场景透视图,确定该样本图像中对应各人体的身体中心位置;
生成子模块(图中未示出),用于根据该样本图像,该样本图像中各人体的头部中心位置,对应各人体的身体中心位置,以及预定的头部密度分布函数和身体密度分布函数,生成该样本图像对应的人群密度分布真值图。
作为本发明实施例的一种实施方式,所述生成子模块,具体用于根据以下公式,计算该样本图像对应的人群密度分布真值图中,人体p所在位置处的像素值Di(p):
其中,所述P为该样本图像中包括的人体集合;所述Nh为圆形高斯分布;所述Ph为所述人体p在该样本图像中的头部中心位置;所述σh为所述Nh的方差;所述σh为所述Ph的第一预定倍数,所述Nb为椭圆形高斯分布;所述Pb为所述人体p在该样本图像中的身体中心位置;所述∑为所述Nb的方差;所述∑为所述Pb的第二预定倍数;所述||Z||通过以下公式确定:
作为本发明实施例的一种实施方式,所述人群密度分布图的分辨率与所述目标图像的分辨率相同。
对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
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。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。
Claims (16)
1.一种人数统计方法,其特征在于,所述方法包括:
获取待分析的包括人群信息的目标图像;
将所述目标图像输入预先训练的全卷积神经网络中,得到所述目标图像对应的人群密度分布图;其中,所述全卷积神经网络是根据各样本图像,以及各样本图像对应的人群密度分布真值图训练得到的;
根据所述人群密度分布图,统计所述目标图像中包括的人数。
2.根据权利要求1所述的方法,其特征在于,所述根据所述人群密度分布图,统计所述目标图像中包括的人数的步骤包括:
对所述人群密度分布图中各像素点的像素值进行积分处理,将所处理的结果作为所述目标图像中包括的人数。
3.根据权利要求1所述的方法,其特征在于,所述根据所述人群密度分布图,统计所述目标图像中包括的人数的步骤包括:
根据所述人群密度分布图,确定所述目标图像中包括的人群子区域;
统计各人群子区域中包括的人数。
4.根据权利要求3所述的方法,其特征在于,所述根据所述人群密度分布图,确定所述目标图像中包括的人群子区域的步骤包括:
对所述人群密度分布图进行二值化处理、形态学分析、以及连通域分析,得到所述目标图像中包括的人群子区域。
5.根据权利要求1所述的方法,其特征在于,所述全卷积神经网络的训练过程包括:
构建初始全卷积神经网络;其中,所述初始全卷积神经网络包括至少一层卷积层、至少一层降采样层、以及至少一层反卷积层;
获取样本图像,并获取各样本图像对应的人群密度分布真值图;
将各样本图像,以及各样本图像对应的人群密度分布真值图输入所述初始全卷积神经网络,训练得到所述全卷积神经网络。
6.根据权利要求5所述的方法,其特征在于,所述获取各样本图像对应的人群密度分布真值图包括:
针对每个样本图像,获取针对该样本图像中各人体的头部中心位置标定结果,并获取该样本图像对应的场景透视图;
根据该样本图像中各人体的头部中心位置,以及该样本图像对应的场景透视图,确定该样本图像中对应各人体的身体中心位置;
根据该样本图像,该样本图像中各人体的头部中心位置,对应各人体的身体中心位置,以及预定的头部密度分布函数和身体密度分布函数,生成该样本图像对应的人群密度分布真值图。
7.根据权利要求6所述的方法,其特征在于,所述根据该样本图像,该样本图像中各人体的头部中心位置,对应各人体的身体中心位置,以及预定的头部密度分布函数和身体密度分布函数,生成该样本图像对应的人群密度分布真值图包括:
根据以下公式,计算该样本图像对应的人群密度分布真值图中,人体p所在位置处的像素值Di(p):
<mrow>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>&Element;</mo>
<mi>P</mi>
</mrow>
</munder>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>Z</mi>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>N</mi>
<mi>h</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>p</mi>
<mo>;</mo>
<msub>
<mi>P</mi>
<mi>h</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mi>h</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>N</mi>
<mi>b</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>p</mi>
<mo>;</mo>
<msub>
<mi>P</mi>
<mi>b</mi>
</msub>
<mo>,</mo>
<mo>&Sigma;</mo>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中,所述P为该样本图像中包括的人体集合;所述Nh为圆形高斯分布;所述Ph为所述人体p在该样本图像中的头部中心位置;所述σh为所述Nh的方差;所述σh为所述Ph的第一预定倍数,所述Nb为椭圆形高斯分布;所述Pb为所述人体p在该样本图像中的身体中心位置;所述∑为所述Nb的方差;所述∑为所述Pb的第二预定倍数;所述||Z||通过以下公式确定:
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>Z</mi>
<mo>|</mo>
<mo>|</mo>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mi>h</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>N</mi>
<mi>h</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>;</mo>
<msub>
<mi>P</mi>
<mi>h</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mi>h</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mi>b</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>N</mi>
<mi>b</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>;</mo>
<msub>
<mi>P</mi>
<mi>b</mi>
</msub>
<mo>,</mo>
<mo>&Sigma;</mo>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
8.根据权利要求1-7任一项所述的方法,其特征在于,所述人群密度分布图的分辨率与所述目标图像的分辨率相同。
9.一种人数统计装置,其特征在于,所述装置包括:
第一获取模块,用于获取待分析的包括人群信息的目标图像;
处理模块,用于将所述目标图像输入预先训练的全卷积神经网络中,得到所述目标图像对应的人群密度分布图;其中,所述全卷积神经网络是根据各样本图像,以及各样本图像对应的人群密度分布真值图训练得到的;
统计模块,用于根据所述人群密度分布图,统计所述目标图像中包括的人数。
10.根据权利要求9所述的装置,其特征在于,所述统计模块,具体用于对所述人群密度分布图中各像素点的像素值进行积分处理,将所处理的结果作为所述目标图像中包括的人数。
11.根据权利要求9所述的装置,其特征在于,所述统计模块包括:
确定子模块,用于根据所述人群密度分布图,确定所述目标图像中包括的人群子区域;
统计子模块,用于统计各人群子区域中包括的人数。
12.根据权利要求11所述的装置,其特征在于,所述确定子模块,具体用于对所述人群密度分布图进行二值化处理、形态学分析、以及连通域分析,得到所述目标图像中包括的人群子区域。
13.根据权利要求9所述的装置,其特征在于,所述装置还包括:
构建模块,用于构建初始全卷积神经网络;其中,所述初始全卷积神经网络包括至少一层卷积层、至少一层降采样层、以及至少一层反卷积层;
第二获取模块,用于获取样本图像,并获取各样本图像对应的人群密度分布真值图;
训练模块,用于将各样本图像,以及各样本图像对应的人群密度分布真值图输入所述初始全卷积神经网络,训练得到所述全卷积神经网络。
14.根据权利要求13所述的装置,其特征在于,所述第二获取模块包括:
获取子模块,用于针对每个样本图像,获取针对该样本图像中各人体的头部中心位置标定结果,并获取该样本图像对应的场景透视图;
确定子模块,用于根据该样本图像中各人体的头部中心位置,以及该样本图像对应的场景透视图,确定该样本图像中对应各人体的身体中心位置;
生成子模块,用于根据该样本图像,该样本图像中各人体的头部中心位置,对应各人体的身体中心位置,以及预定的头部密度分布函数和身体密度分布函数,生成该样本图像对应的人群密度分布真值图。
15.根据权利要求14所述的装置,其特征在于,所述生成子模块,具体用于根据以下公式,计算该样本图像对应的人群密度分布真值图中,人体p所在位置处的像素值Di(p):
<mrow>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>&Element;</mo>
<mi>P</mi>
</mrow>
</munder>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>Z</mi>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>N</mi>
<mi>h</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>p</mi>
<mo>;</mo>
<msub>
<mi>P</mi>
<mi>h</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mi>h</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>N</mi>
<mi>b</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>p</mi>
<mo>;</mo>
<msub>
<mi>P</mi>
<mi>b</mi>
</msub>
<mo>,</mo>
<mi>&Sigma;</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中,所述P为该样本图像中包括的人体集合;所述Nh为圆形高斯分布;所述Ph为所述人体p在该样本图像中的头部中心位置;所述σh为所述Nh的方差;所述σh为所述Ph的第一预定倍数,所述Nb为椭圆形高斯分布;所述Pb为所述人体p在该样本图像中的身体中心位置;所述∑为所述Nb的方差;所述∑为所述Pb的第二预定倍数;所述||Z||通过以下公式确定:
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>Z</mi>
<mo>|</mo>
<mo>|</mo>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mi>h</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>N</mi>
<mi>h</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>;</mo>
<msub>
<mi>P</mi>
<mi>h</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mi>h</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mi>b</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>N</mi>
<mi>b</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>;</mo>
<msub>
<mi>P</mi>
<mi>b</mi>
</msub>
<mo>,</mo>
<mo>&Sigma;</mo>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
16.根据权利要求9-15任一项所述的装置,其特征在于,所述人群密度分布图的分辨率与所述目标图像的分辨率相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610881900.0A CN107944327A (zh) | 2016-10-10 | 2016-10-10 | 一种人数统计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610881900.0A CN107944327A (zh) | 2016-10-10 | 2016-10-10 | 一种人数统计方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107944327A true CN107944327A (zh) | 2018-04-20 |
Family
ID=61928094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610881900.0A Pending CN107944327A (zh) | 2016-10-10 | 2016-10-10 | 一种人数统计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107944327A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921822A (zh) * | 2018-06-04 | 2018-11-30 | 中国科学技术大学 | 基于卷积神经网络的图像目标计数方法 |
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 |
CN109034124A (zh) * | 2018-08-30 | 2018-12-18 | 成都考拉悠然科技有限公司 | 一种智能监控方法及系统 |
CN109858424A (zh) * | 2019-01-25 | 2019-06-07 | 佳都新太科技股份有限公司 | 人群密度统计方法、装置、电子设备和存储介质 |
CN110956057A (zh) * | 2018-09-26 | 2020-04-03 | 杭州海康威视数字技术股份有限公司 | 一种人群态势分析方法、装置及电子设备 |
CN111291597A (zh) * | 2018-12-07 | 2020-06-16 | 杭州海康威视数字技术股份有限公司 | 一种基于图像的人群态势分析方法、装置、设备及系统 |
CN111340801A (zh) * | 2020-03-24 | 2020-06-26 | 新希望六和股份有限公司 | 一种牲畜盘点方法、装置、设备及存储介质 |
CN111582243A (zh) * | 2020-06-05 | 2020-08-25 | 上海商汤智能科技有限公司 | 逆流检测方法、装置、电子设备和存储介质 |
CN111652168A (zh) * | 2020-06-09 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 基于人工智能的群体检测方法、装置、设备及存储介质 |
CN111738225A (zh) * | 2020-07-29 | 2020-10-02 | 中电科新型智慧城市研究院有限公司 | 人群聚集检测方法、装置、设备及存储介质 |
CN112598725A (zh) * | 2019-09-17 | 2021-04-02 | 佳能株式会社 | 图像处理设备、图像处理方法和计算机可读介质 |
US11030465B1 (en) | 2019-12-01 | 2021-06-08 | Automotive Research & Testing Center | Method for analyzing number of people and system thereof |
CN113420720A (zh) * | 2021-07-21 | 2021-09-21 | 中通服咨询设计研究院有限公司 | 一种高精度低延时大型室内场馆人群分布计算方法 |
CN114581946A (zh) * | 2022-02-25 | 2022-06-03 | 江西师范大学 | 人群计数方法、装置、存储介质及电子设备 |
WO2022179542A1 (zh) * | 2021-02-26 | 2022-09-01 | 腾讯科技(深圳)有限公司 | 群体数量确定方法、装置、设备、存储介质及程序产品 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447458A (zh) * | 2015-11-17 | 2016-03-30 | 深圳市商汤科技有限公司 | 一种大规模人群视频分析系统和方法 |
CN105760835A (zh) * | 2016-02-17 | 2016-07-13 | 天津中科智能识别产业技术研究院有限公司 | 一种基于深度学习的步态分割与步态识别一体化方法 |
US9424494B1 (en) * | 2016-01-28 | 2016-08-23 | International Business Machines Corporation | Pure convolutional neural network localization |
-
2016
- 2016-10-10 CN CN201610881900.0A patent/CN107944327A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447458A (zh) * | 2015-11-17 | 2016-03-30 | 深圳市商汤科技有限公司 | 一种大规模人群视频分析系统和方法 |
US9424494B1 (en) * | 2016-01-28 | 2016-08-23 | International Business Machines Corporation | Pure convolutional neural network localization |
CN105760835A (zh) * | 2016-02-17 | 2016-07-13 | 天津中科智能识别产业技术研究院有限公司 | 一种基于深度学习的步态分割与步态识别一体化方法 |
Non-Patent Citations (4)
Title |
---|
BOOMINATHAN L. ET AL: ""CrowdNet: A Deep Convolutional Network for Dense Crowd Counting"", 《ARXIV:1608.06197V1》 * |
LONG JONATHAN ET AL: ""Fully Convolutional Networks for Semantic Segmentation"", 《2015 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
吴加明: ""模糊车牌、污迹车牌和多车牌的定位与校正"", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
石全等: "《系统决策与建模》", 31 July 2016 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921822A (zh) * | 2018-06-04 | 2018-11-30 | 中国科学技术大学 | 基于卷积神经网络的图像目标计数方法 |
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 |
CN109034124A (zh) * | 2018-08-30 | 2018-12-18 | 成都考拉悠然科技有限公司 | 一种智能监控方法及系统 |
CN110956057A (zh) * | 2018-09-26 | 2020-04-03 | 杭州海康威视数字技术股份有限公司 | 一种人群态势分析方法、装置及电子设备 |
CN111291597A (zh) * | 2018-12-07 | 2020-06-16 | 杭州海康威视数字技术股份有限公司 | 一种基于图像的人群态势分析方法、装置、设备及系统 |
CN111291597B (zh) * | 2018-12-07 | 2023-10-13 | 杭州海康威视数字技术股份有限公司 | 一种基于图像的人群态势分析方法、装置、设备及系统 |
CN109858424A (zh) * | 2019-01-25 | 2019-06-07 | 佳都新太科技股份有限公司 | 人群密度统计方法、装置、电子设备和存储介质 |
CN112598725A (zh) * | 2019-09-17 | 2021-04-02 | 佳能株式会社 | 图像处理设备、图像处理方法和计算机可读介质 |
US11030465B1 (en) | 2019-12-01 | 2021-06-08 | Automotive Research & Testing Center | Method for analyzing number of people and system thereof |
CN111340801A (zh) * | 2020-03-24 | 2020-06-26 | 新希望六和股份有限公司 | 一种牲畜盘点方法、装置、设备及存储介质 |
CN111582243B (zh) * | 2020-06-05 | 2024-03-26 | 上海商汤智能科技有限公司 | 逆流检测方法、装置、电子设备和存储介质 |
CN111582243A (zh) * | 2020-06-05 | 2020-08-25 | 上海商汤智能科技有限公司 | 逆流检测方法、装置、电子设备和存储介质 |
CN111652168A (zh) * | 2020-06-09 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 基于人工智能的群体检测方法、装置、设备及存储介质 |
CN111652168B (zh) * | 2020-06-09 | 2023-09-08 | 腾讯科技(深圳)有限公司 | 基于人工智能的群体检测方法、装置、设备及存储介质 |
CN111738225B (zh) * | 2020-07-29 | 2020-12-11 | 中电科新型智慧城市研究院有限公司 | 人群聚集检测方法、装置、设备及存储介质 |
CN111738225A (zh) * | 2020-07-29 | 2020-10-02 | 中电科新型智慧城市研究院有限公司 | 人群聚集检测方法、装置、设备及存储介质 |
WO2022179542A1 (zh) * | 2021-02-26 | 2022-09-01 | 腾讯科技(深圳)有限公司 | 群体数量确定方法、装置、设备、存储介质及程序产品 |
CN113420720A (zh) * | 2021-07-21 | 2021-09-21 | 中通服咨询设计研究院有限公司 | 一种高精度低延时大型室内场馆人群分布计算方法 |
CN113420720B (zh) * | 2021-07-21 | 2024-01-09 | 中通服咨询设计研究院有限公司 | 一种高精度低延时大型室内场馆人群分布计算方法 |
CN114581946A (zh) * | 2022-02-25 | 2022-06-03 | 江西师范大学 | 人群计数方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944327A (zh) | 一种人数统计方法及装置 | |
CN104200480B (zh) | 一种应用于智能终端的图像模糊度评价方法及系统 | |
CN108830145A (zh) | 一种基于深度神经网络的人数统计方法及存储介质 | |
WO2021051609A1 (zh) | 细颗粒物污染等级的预测方法、装置及计算机设备 | |
CN106469302A (zh) | 一种基于人工神经网络的人脸肤质检测方法 | |
CN108229509A (zh) | 用于识别物体类别的方法及装置、电子设备 | |
CN106682697A (zh) | 一种基于卷积神经网络的端到端物体检测方法 | |
CN108154110A (zh) | 一种基于深度学习人头检测的密集人流量统计方法 | |
CN106600595A (zh) | 一种基于人工智能算法的人体特征尺寸自动测量方法 | |
CN103164711A (zh) | 基于像素和支持向量机的区域人流密度估计的方法 | |
CN111832489A (zh) | 一种基于目标检测的地铁人群密度估计方法及系统 | |
CN108256431A (zh) | 一种手部位置标识方法及装置 | |
CN109145837A (zh) | 人脸情感识别方法、装置、终端设备和存储介质 | |
CN106127234B (zh) | 基于特征字典的无参考图像质量评价方法 | |
CN107038416A (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN106611160A (zh) | 一种基于卷积神经网络的图像头发识别方法及其装置 | |
CN107203761B (zh) | 基于高分辨率卫星影像的道路宽度估计方法 | |
CN110428412A (zh) | 图像质量的评价及模型生成方法、装置、设备和存储介质 | |
CN107273799A (zh) | 一种室内定位方法及定位系统 | |
CN107423537A (zh) | 一种基于自适应阈值的地表温度降尺度的方法 | |
CN115660429B (zh) | 适用于水泥智能制造的数据处理方法及装置 | |
CN107301376A (zh) | 一种基于深度学习多层刺激的行人检测方法 | |
Ahn et al. | A digital twin city model for age-friendly communities: Capturing environmental distress from multimodal sensory data | |
CN104574363B (zh) | 一种考虑梯度方向差异的全参考图像质量评价方法 | |
CN109711268A (zh) | 一种人脸图像筛选方法及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180420 |
|
RJ01 | Rejection of invention patent application after publication |