CN108021895A - 人数统计方法、设备、可读存储介质及电子设备 - Google Patents
人数统计方法、设备、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN108021895A CN108021895A CN201711288980.XA CN201711288980A CN108021895A CN 108021895 A CN108021895 A CN 108021895A CN 201711288980 A CN201711288980 A CN 201711288980A CN 108021895 A CN108021895 A CN 108021895A
- Authority
- CN
- China
- Prior art keywords
- deduplication
- target
- people
- face
- shared pool
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000008676 import Effects 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 5
- 239000000523 sample Substances 0.000 description 22
- 238000001514 detection method Methods 0.000 description 10
- 238000001914 filtration Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种人数统计方法，用于在监控场所根据采集的图像进行识别处理实现人数的统计，包括以下步骤：将所述监控场所划分为N个采集区域，所述N为正整数；将N个所述采集区域并行进行第一去重处理得到N个第一去重样本；将N个所述第一去重样本汇入预先建立的去重共享池；将所述去重共享池进行第二去重处理得到第二去重样本；统计所述第二去重样本中的人数。本发明还提供一种人数统计设备、可读存储介质及电子设备。
Description
技术领域
本发明涉及计算机视觉图像领域，具体涉及基于视觉图像的人数统计方法、设备、可读存储介质及电子设备。
背景技术
随着城市化的进程，城市的人口密度越来越大，在某些公共场所的人群管理问题日益突出。人群密度是表征特定场所即时拥挤程度的一个重要参考指标，是对公共场所进行有效管理的重要依据。
由于视频监控的广泛应用，基于计算机视觉的行人检测和跟踪已经成为一个非常活跃的研究领域，为大型公共场所的智能监控提出了新的解决办法。传统基于视频监控的人数统计技术，缺点主要是设备安装占用较大空间，安装成本及维护成本较高，人流活动受限通行受阻，对人流进出方向识别较差等问题。而使用基于人脸识别的系统，仅需要前端网络摄像机即可。现有的网络摄像机占用空间小，安装维护方便，可以有效避免人流通道阻塞。随之带来的问题是，人流流动有较多的不确定性，同一个目标可能会经过多个采集点，或者同一个目标可能出入不同的进出口等，这些因素会导致同一个人会被采集多次，统计计数有较大的误差。
发明内容
鉴于此，本发明实施例提供一种人数统计方法，用于在监控场所根据采集的图像进行识别处理实现人数的统计，包括以下步骤：将所述监控场所划分为N个采集区域，所述N为正整数；将N个所述采集区域并行进行第一去重处理得到N个第一去重样本，所述第一去重处理是将所述采集区域采集的新的人脸目标与在第一时间阈值内所述采集区域存储的已去重的历史人脸目标进行比对，如低于设定的相似度阈值则认定为新增目标，所述新增目标进入所述第一去重样本，作为更新后的历史人脸目标，如高于设定的相似度阈值则认定为相同目标，删除所述相同目标；将N个所述第一去重样本汇入预先建立的去重共享池；将所述去重共享池进行第二去重处理得到第二去重样本，所述第二去重处理是将汇入所述去重共享池的新的人脸目标与第二时间阈值内所述去重共享池存储的已去重的的历史人脸目标进行比对，如低于设定的相似度阈值则认定为新增目标，所述新增目标进入所述第二去重样本，作为更新后的历史人脸目标，如高于设定的相似度阈值则认定为相同目标，删除所述相同目标；第二时间阈值的时间长度大于所述第一时间阈值的时间长度，统计所述第二去重样本中的人数。
可选地，所述去重共享池的数据达到预设阈值时对所述更新后的历史人脸目标进行分线程处理，从而得到M个线程的历史人脸目标，所述M为正整数。
可选地，所述分线程处理具体为：将汇入所述去重共享池的新的人脸目标同时M个线程的历史人脸目标逐一进行比对，如低于设定的相似度阈值则认定为新增目标，所述新增目标进入所述第二去重样本，如高于设定的相似度阈值则认定为相同目标，删除所述相同目标。
可选地，所述N个采集区域为人流汇入交叉区域和/或采集点位视角交叉的区域。
本发明实施例提供一种人数统计方法，用于在监控场所根据采集的图像进行识别处理实现人数的统计，包括以下步骤：将所述监控场所划分为入口采集区域和出口采集区域；所述入口采集区域和出口采集区域分别通过所述的人数统计方法实现人数统计，并通过获取所述入口采集区域与所述出口采集区域人数统计的差值得到所述监控场所的人数。
本发明实施例提供一种人数统计设备，用于在监控场所根据采集的图像进行识别处理实现人数的统计，所述人数统计设备包括划分模块、第一去重模块、汇入模块、第二去重模块及统计模块：所述划分模块，用于将所述监控场所划分为N个采集区域，所述N为正整数；所述第一去重模块，用于将N个所述采集区域并行进行第一去重处理得到N个第一去重样本，所述第一去重处理是将所述采集区域采集的新的人脸目标与在第一时间阈值内所述采集区域存储的已去重的历史人脸目标进行比对，如低于设定的相似度阈值则认定为新增目标，所述新增目标进入所述第一去重样本，作为更新后的历史人脸目标，如高于设定的相似度阈值则认定为相同目标，删除所述相同目标；所述汇入模块，用于将N个所述第一去重样本汇入预先建立的去重共享池；所述第二去重模块，用于将所述去重共享池进行第二去重处理得到第二去重样本，所述第二去重处理是将汇入所述去重共享池的新的人脸目标与第二时间阈值内所述去重共享池存储的已去重的的历史人脸目标进行比对，如低于设定的相似度阈值则认定为新增目标，所述新增目标进入所述第二去重样本，作为更新后的历史人脸目标，如高于设定的相似度阈值则认定为相同目标，删除所述相同目标；第二时间阈值的时间长度大于所述第一时间阈值的时间长度，所述统计模块，用于统计所述第二去重样本中的人数。
可选地，所述第二去重模块，还用于当所述去重共享池的数据达到预设阈值时对所述更新后的历史人脸目标进行分线程处理，从而得到M个线程的历史人脸目标，所述M为正整数。
可选地，所述第二去重模块，还用于将汇入所述去重共享池的新的人脸目标同时M个线程的历史人脸目标逐一进行比对，如低于设定的相似度阈值则认定为新增目标，所述新增目标进入所述第二去重样本，作为更新后的历史人脸目标，如高于设定的相似度阈值则认定为相同目标，删除所述相同目标。
本发明实施例提供一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行所述程序时实现所述人数统计方法的步骤。
本发明实施例提供一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述处理器执行所述程序时实现所述人数统计方法的步骤。
本发明提供的人数统计方法、设备、可读存储介质及电子设备，通过采集区域的划分和去重方法有效解决目标流动重复计数的问题。利用第一时间阈值及第二时间阈值的双重去重方法，可以在短时间段和长时间段内将重复采集的目标过滤，确保了计数的样本是唯一的。在过滤计数兼顾了时间与空间的配合，过滤的结构呈梯次多级过滤，使用多个线程模块管理长时去重的数据，确保了过滤的准确性也提升了计数的实时性。
附图说明
图1是本发明一实施例的人数统计方法的流程示意图；
图2是本发明一实施例的人数统计方法的数据流示意图；
图3是本发明一实施例的监控场所的人数统计设备应用示意图；
图4本发明一实施例的人数统计设备的模块组成示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
请一并参阅图1及图2，图1是本发明一实施例的人数统计方法的流程示意图，所述人数统计方法用于在监控场所根据采集的图像进行识别处理实现人数的统计，在某些人流密集的场所人流流动有较多的不确定性，同一个目标可能会经过多个采集点，或者同一个目标可能出入不同的进出口等，这些因素会导致同一个人会被采集多次，统计计数有较大的误差。为解决该技术问题，所述方法包括以下步骤：
S101，将所述监控场所划分为N个采集区域，所述N为正整数；
在一些实施例中，所述监控场所即指有明显边界的大范围的空间区域，如展厅，会场，球场，游乐场所等。
在一些实施例中，所述N个采集区域为人流汇入交叉区域和/或采集点位视角交叉的区域。人流汇入交叉区域通常是针对所述监控场所人流密集区域划分的。所述采集点位视角交叉的区域通常是在一平面内以2个摄像机的光轴交叉的方式进行配置，使得能够取得将交叉点作为中心的广视角的图像，2个摄像机的视角的一部分重叠而形成重叠部分。
S103，将N个所述采集区域并行进行第一去重处理得到N个第一去重样本，所述第一去重处理是将所述采集区域采集的新的人脸目标与在第一时间阈值内所述采集区域存储的已去重的历史人脸目标进行比对，如低于设定的相似度阈值则认定为新增目标，所述新增目标进入所述第一去重样本，作为更新后的历史人脸目标，如高于设定的相似度阈值则认定为相同目标，删除所述相同目标。
请一并参阅图2，以单个所述采集区域为单位，将N1-Nn个采集区域基于第一时间阈值并行进行所述第一去重处理，这样并行处理能够提升N个所述采集区域的所述第一去重处理的效率。
S105，将N个所述第一去重样本汇入预先建立的去重共享池；
在一些实施例中，请一并参阅图2，所述采集区域经过第一去重处理后的第一去重样本将统一汇入预先建立的所述去重共享池。
S107，将所述去重共享池进行第二去重处理得到第二去重样本，所述第二去重处理是将汇入所述去重共享池的新的人脸目标与第二时间阈值内所述去重共享池存储的已去重的的历史人脸目标进行比对，如低于设定的相似度阈值则认定为新增目标，所述新增目标进入所述第二去重样本，作为更新后的历史人脸目标，如高于设定的相似度阈值则认定为相同目标，删除所述相同目标；所述第二时间阈值的时间长度大于所述第一时间阈值的时间长度；
在一些实施例中，所述第一去重处理及第二去重处理中人脸特征相似值是基于人脸识别算法计算得到的，所述人脸识别算法为颜色特征算法、灰度分布特征算法、模板特征算法、神经网络算法及Adaboost算法中的一种。这些算法均是基于图像结构化处理，将人脸特征转换为可以被计算机识别的特征码，该特征码具备该人脸的唯一标识，并可以跟其他的特征码进行比对并得到相似度，通过设定一定的阈值，判断两个人是否相似的条件，已达到人脸识别的目的。
基于颜色特征的算法主要利用人脸图像中的明显特征判定人脸位置、大小，将人脸图像视为一个高维向量，从而将人脸检测问题转化为高维空间中分布信号的检测问题。
灰度分布特征就是利用这种器官间灰度分布规律来判定人脸区域。人脸的主要区域包括眼睛、鼻子、嘴巴等具有各自灰度分布特点的器官。
人脸区域的灰度本身可以作为模板特征，基于模板匹配的方法可以有效的检测到图像中的人脸。模板匹配法是一种经典的模式识别方法，这种方法大多是用归一化互相关，在灰度图像的基础上直接比较目标模板和候选图像区域之间的相似性。
神经网络是一种十分有效的模式识别方式。可以利用高质量的人脸数据集训练一组神经网络模型(分类器)，达到人脸检测的目的。流程如下：(1)定位和姿态估计。采用穷举的方式找到所有可能的人脸区域并估计人脸姿态，然后根据倾斜角度尽可能将旋转人脸变换为正面人脸。(2)预处理。减少光照等外界因素对输入图像的干扰。(3)检测。对(1)中得到的人脸候选区域进行检测，判定是否为人脸区域。(4)仲裁。利用多个不同结构、不同训练策略的神经网络对(3)产生的结果进行验证，减少误报率。
采用基于Adaboost方式的多角度人脸检测，尽可能的把不同角度不同姿势条件的人脸区域得到一个准确的划分，提供一个精确和高效的人脸定位，以提高后续识别步骤的效率。和传统的人脸检测方法相比，本发明可以准确检测到同一图像帧里的多张人脸，并且基于Adaboost方式(角度范围为0～45°)的多角度人脸检测，可以准确有效的检测到30度偏转范围内的人脸，甚至是在45度偏转范围内都有高效准确的检测结果，从而在很大程度上克服了传统方法在多人脸检测中不能准确处理人脸角度偏转的问题。
其中，所述第二时间阈值的时间长度大于所述第一时间阈值的时间长度；第一时间阈值较短是为了解决所述采集区域识别到所述新的人脸目标活动的随机性，比如说会经常转身或转脸。所述第二时间阈值较长，是为了解决所述去重共享池识别到所述新的人脸目标活动的持久性，比如说长时间站立同一地点。
采用利用所述第一时间阈值及所述第二时间阈值的双重去重方法，可以在短时间段和长时间段内将重复采集的目标过滤，确保了计数的样本是唯一的。
S109，统计所述第二去重样本中的人数。
根据本发明实施例的人数统计方法，通过采集区域的划分和去重方法有效解决目标流动重复计数的问题。利用第一时间阈值及第二时间阈值的双重去重方法，可以在短时间段和长时间段内将重复采集的目标过滤，确保了计数的样本是唯一的。
更进一步，所述人数统计方法当所述去重共享池的数据达到预设阈值时对所述更新后的历史人脸目标进行分线程处理，从而得到M个线程的历史人脸目标，所述M为正整数。所述分线程处理具体为：将汇入所述去重共享池的新的人脸目标同时M个线程的历史人脸目标逐一进行比对，如低于设定的相似度阈值则认定为新增目标，所述新增目标进入所述第二去重样本，作为更新后的历史人脸目标，如高于设定的相似度阈值则认定为相同目标，删除所述相同目标。
在一些实施例中，在经过所述第一去重处理后，所述第一去重样本将全部汇入建立预先建立的去重共享池，由于所述第二时间阈值的时间长度大于所述第一时间阈值的时间长度；当所述去重共享池的数据量比较大时，单次比对的时间随着所述去重共享池的数据量增多而增加，导致在统计数据的实时性就会变得迟钝缓慢。通常会采用所述分线程处理解决统计数据的实时性及缓慢的问题。所述去重共享池的数据达到预设阈值时对所述更新后的历史人脸目标进行分线程处理，从而得到M个线程的历史人脸目标。如图2所示，所述去重共享池有M1-Mm个历史人脸目标，将汇入所述去重共享池的新的人脸目标同时与M1-Mm线程的历史人脸目标逐一进行比对。线程是程序中一个单一的顺序控制流程。进程内一个相对独立的、可调度的执行单元，是系统独立调度和分派CPU的基本单位指运行中的程序的调度单位。在单个程序中同时运行多个线程完成不同的工作，称为多线程。因此M1-Mm线程为同时运行的相对独立的、可调度的执行单元。在所述人数统计方法中同时运行M个线程完成多个比对工作，充分利用了服务器的多核硬件资源，缩短单次对比时间。在所述监控场所人数较多的时候，不会因数据的累计而造成统计计数的延迟。
根据本发明实施例的人数统计方法，利用多个线程管理长时去重的数据，确保了过滤的准确性也提升了计数的实时性。
请参阅图3，图3为本发明一实施例的监控场所的人数统计设备应用示意图；将所述监控场所划分为入口采集区域和出口采集区域；如图3所示，将所述采集区域N1及所述采集区域N3划分为入口采集区域；将将所述采集区域N2及所述采集区域N4划分为出口采集区域；所述入口采集区域和出口采集区域分别通过所述人数统计方法实现人数统计，并通过获取所述入口采集区域与所述出口采集区域人数统计的差值得到所述监控场所的人数。
所述人数统计方法通过所述入口及出口采集区域的划分和去重方法有效解决目标流动重复计数的问题。利用第一时间阈值及第二时间阈值的双重去重方法，可以在短时间段和长时间段内将重复采集的目标过滤，确保了计数的样本是唯一的。并采用多个线程管理长时去重的数据，确保了过滤的准确性也提升了计数的实时性。能及时获得所述监控场所的人数。
请参阅图4，图4为本发明一实施例的人数统计设备的模块组成示意图；所述人数统计设备10包括划分模块101、第一去重模块103、汇入模块105、第二去重模块107及统计模块109：
所述划分模块101，用于将所述监控场所划分为N个采集区域，所述N为正整数；
在一些实施例中，所述监控场所即指有明显边界的大范围的空间区域，如展厅，会场，球场，游乐场所等。
在一些实施例中，请一并参阅图3，所述采集区域由至少一个摄像机所采集的区域构成，所述摄像机可以为网络摄像机，网络摄像机占用空间小且安装维护方便。所述摄像机可以独立于所述人数统计设备其他模块，通过无线或有线的通讯方式与所述人数统计设备进行数据传输。所述摄像机还可以集成于所述人数统计设备10中。
在一些实施例中，所述N个采集区域为人流汇入交叉区域和/或采集点位视角交叉的区域。人流汇入交叉区域通常是针对所述监控场所人流密集区域划分的。所述采集点位视角交叉的区域通常是在一平面内以2个摄像机的光轴交叉的方式进行配置，使得能够取得将交叉点作为中心的广视角的图像，2个摄像机的视角的一部分重叠而形成重叠部分。上述仅为举例，包含且不限于上述方式实现采集区域的划定。
所述第一去重模块103，用于将N个所述采集区域并行进行第一去重处理得到N个第一去重样本，所述第一去重处理是将所述采集区域采集的新的人脸目标与在第一时间阈值内所述采集区域存储的已去重的历史人脸目标进行比对，如低于设定的相似度阈值则认定为新增目标，所述新增目标进入所述第一去重样本，作为更新后的历史人脸目标，如高于设定的相似度阈值则认定为相同目标，删除所述相同目标。
在一些实施例中，请一并参阅图3，以单个所述采集区域为单位，将N1-Nn个采集区域基于第一时间阈值并行进行所述第一去重处理，这样并行处理能够提高N个所述采集区域的所述第一去重处理效率。
所述汇入模块105，用于将N个所述第一去重样本汇入预先建立的去重共享池；
在一些实施例中，请一并参阅图2，所述采集区域经过第一去重处理后的第一去重样本将统一进入去重共享池。
所述第二去重模块107，将所述去重共享池进行第二去重处理得到第二去重样本，所述第二去重处理是将汇入所述去重共享池的新的人脸目标与第二时间阈值内所述去重共享池存储的已去重的的历史人脸目标进行比对，如低于设定的相似度阈值则认定为新增目标，所述新增目标进入所述第二去重样本，作为更新后的历史人脸目标，如高于设定的相似度阈值则认定为相同目标，删除所述相同目标；所述第二时间阈值的时间长度大于所述第一时间阈值的时间长度。
其中，所述第二时间阈值的时间长度大于所述第一时间阈值的时间长度；第一时间阈值较短是为了解决所述采集区域识别到所述新的人脸目标活动的随机性，比如说会经常转身或转脸。所述第二时间阈值较长，是为了解决所述去重共享池识别到所述新的人脸目标活动的持久性，比如说长时间站立同一地点。采用利用所述第一时间阈值及所述第二时间阈值的双重去重方法，可以在短时间段和长时间段内将重复采集的目标过滤，确保了计数的样本是唯一的。
可选地，所述第二去重模块107，还用于当所述去重共享池的数据达到预设阈值时对所述更新后的历史人脸目标进行分线程处理，从而得到M个线程的历史人脸目标，所述M为正整数。
可选地，所述第二去重模块107，还用于将汇入所述去重共享池的新的人脸目标同时M个线程的历史人脸目标逐一进行比对，如低于设定的相似度阈值则认定为新增目标，所述新增目标进入所述第二去重样本，作为更新后的历史人脸目标，如高于设定的相似度阈值则认定为相同目标，删除所述相同目标。
在一些实施例中，在经过所述第一去重处理后，所述第一去重样本将全部汇入建立预先建立的去重共享池，由于所述第二时间阈值的时间长度大于所述第一时间阈值的时间长度；当所述去重共享池的数据量比较大时，单次比对的时间随着所述去重共享池的数据量增多而增加，导致在统计数据的实时性就会变得迟钝缓慢。通常会采用所述分线程处理解决统计数据的实时性及缓慢的问题。所述去重共享池的数据达到预设阈值时对所述更新后的历史人脸目标进行分线程处理，从而得到M个线程的历史人脸目标。如图2所示，所述去重共享池有M1-Mm个历史人脸目标，将汇入所述去重共享池的新的人脸目标同时与M1-Mm线程的历史人脸目标逐一进行比对。线程是程序中一个单一的顺序控制流程。进程内一个相对独立的、可调度的执行单元，是系统独立调度和分派CPU的基本单位指运行中的程序的调度单位。在单个程序中同时运行多个线程完成不同的工作，称为多线程。因此M1-Mm线程为同时运行的相对独立的、可调度的执行单元。在所述人数统计方法中同时运行M个线程完成多个比对工作，充分利用了服务器的多核硬件资源，缩短单次对比时间。在所述监控场所人数较多的时候，不会因数据的累计而造成统计计数的延迟。
所述统计模块109，用于统计所述第二去重样本中的人数。
本发明提供的人数统计方法及人数统计设备，通过采集区域的划分和去重方法有效解决目标流动重复计数的问题。利用第一时间阈值及第二时间阈值的双重去重方法，可以在短时间段和长时间段内将重复采集的目标过滤，确保了计数的样本是唯一的。在过滤计数兼顾了时间与空间的配合，过滤的结构呈梯次多级过滤，使用多个线程模块管理长时去重的数据，确保了过滤的准确性也提升了计数的实时性。
此外，本发明的实施例还提出一种可读存储介质，其上存储有计算机指令该指令被处理器执行时实现所述人数统计方法的步骤。
此外，本发明的实施例还提出一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述人数统计方法的步骤。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
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，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明的各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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全部或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(可为个人计算机、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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种人数统计方法，用于在监控场所根据采集的图像进行识别处理实现人数的统计，其特征在于，包括以下步骤：
将所述监控场所划分为N个采集区域，所述N为正整数；
将N个所述采集区域并行进行第一去重处理得到N个第一去重样本，所述第一去重处理是将所述采集区域采集的新的人脸目标与在第一时间阈值内所述采集区域存储的已去重的历史人脸目标进行比对，如低于设定的相似度阈值则认定为新增目标，所述新增目标进入所述第一去重样本，作为更新后的历史人脸目标，如高于设定的相似度阈值则认定为相同目标，删除所述相同目标；
将N个所述第一去重样本汇入预先建立的去重共享池；
将所述去重共享池进行第二去重处理得到第二去重样本，所述第二去重处理是将汇入所述去重共享池的新的人脸目标与第二时间阈值内所述去重共享池存储的已去重的的历史人脸目标进行比对，如低于设定的相似度阈值则认定为新增目标，所述新增目标进入所述第二去重样本，作为更新后的历史人脸目标，如高于设定的相似度阈值则认定为相同目标，删除所述相同目标；第二时间阈值的时间长度大于所述第一时间阈值的时间长度；
统计所述第二去重样本中的人数。
2.如权利要求1所述的人数统计方法，其特征在于，所述去重共享池的数据达到预设阈值时对所述更新后的历史人脸目标进行分线程处理，从而得到M个线程的历史人脸目标，所述M为正整数。
3.如权利要求2所述的人数统计方法，其特征在于，所述分线程处理具体为：
将汇入所述去重共享池的新的人脸目标同时M个线程的历史人脸目标逐一进行比对，如低于设定的相似度阈值则认定为新增目标，所述新增目标进入所述第二去重样本，如高于设定的相似度阈值则认定为相同目标，删除所述相同目标。
4.如权利要求1所述的人数统计方法，其特征在于，所述N个采集区域为人流汇入交叉区域和/或采集点位视角交叉的区域。
5.一种人数统计方法，用于在监控场所根据采集的图像进行识别处理实现人数的统计，其特征在于，包括以下步骤：
将所述监控场所划分为入口采集区域和出口采集区域；
所述入口采集区域和出口采集区域分别通过权利要求1至4任意一项所述的人数统计方法实现人数统计，并通过获取所述入口采集区域与所述出口采集区域人数统计的差值得到所述监控场所的人数。
6.一种人数统计设备，用于在监控场所根据采集的图像进行识别处理实现人数的统计，其特征在于，所述人数统计设备包括划分模块、第踩踩踩一去重模块、汇入模块、第二去重模块及统计模块：
所述划分模块，用于将所述监控场所划分为N个采集区域，所述N为正整数；
所述第一去重模块，用于将N个所述采集区域并行进行第一去重处理得到N个第一去重样本，所述第一去重处理是将所述采集区域采集的新的人脸目标与在第一时间阈值内所述采集区域存储的已去重的历史人脸目标进行比对，如低于设定的相似度阈值则认定为新增目标，所述新增目标进入所述第一去重样本，作为更新后的历史人脸目标，如高于设定的相似度阈值则认定为相同目标，删除所述相同目标；
所述汇入模块，用于将N个所述第一去重样本汇入预先建立的去重共享池；
所述第二去重模块，用于将所述去重共享池进行第二去重处理得到第二去重样本，所述第二去重处理是将汇入所述去重共享池的新的人脸目标与第二时间阈值内所述去重共享池存储的已去重的的历史人脸目标进行比对，如低于设定的相似度阈值则认定为新增目标，所述新增目标进入所述第二去重样本，作为更新后的历史人脸目标，如高于设定的相似度阈值则认定为相同目标，删除所述相同目标；第二时间阈值的时间长度大于所述第一时间阈值的时间长度；
所述统计模块，用于统计所述第二去重样本中的人数。
7.如权利要求6所述的人数统计设备，其特征在于，所述第二去重模块，还用于当所述去重共享池的数据达到预设阈值时对所述更新后的历史人脸目标进行分线程处理，从而得到M个线程的历史人脸目标，所述M为正整数。
8.如权利要求7所述的人数统计设备，其特征在于，所述第二去重模块，还用于将汇入所述去重共享池的新的人脸目标同时M个线程的历史人脸目标逐一进行比对，如低于设定的相似度阈值则认定为新增目标，所述新增目标进入所述第二去重样本，作为更新后的历史人脸目标，如高于设定的相似度阈值则认定为相同目标，删除所述相同目标。
9.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5任意一项所述的方法。
10.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711288980.XA CN108021895A (zh) | 2017-12-07 | 2017-12-07 | 人数统计方法、设备、可读存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711288980.XA CN108021895A (zh) | 2017-12-07 | 2017-12-07 | 人数统计方法、设备、可读存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108021895A true CN108021895A (zh) | 2018-05-11 |
Family
ID=62079065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711288980.XA Pending CN108021895A (zh) | 2017-12-07 | 2017-12-07 | 人数统计方法、设备、可读存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108021895A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109726656A (zh) * | 2018-12-18 | 2019-05-07 | 广东中安金狮科创有限公司 | 监控设备及其尾随监测方法、装置、可读存储介质 |
| WO2020020022A1 (zh) * | 2018-07-25 | 2020-01-30 | 卢帆 | 视觉识别方法及其系统 |
| CN110765874A (zh) * | 2019-09-20 | 2020-02-07 | 深圳云天励飞技术有限公司 | 基于无人机的监控方法及相关产品 |
| CN111680569A (zh) * | 2020-05-13 | 2020-09-18 | 北京中广上洋科技股份有限公司 | 基于图像分析的出勤率检测方法、装置、设备及存储介质 |
| CN112000293A (zh) * | 2020-08-21 | 2020-11-27 | 饶志昌 | 基于大数据的监控数据保存方法、装置、设备及存储介质 |
| CN112906725A (zh) * | 2019-11-19 | 2021-06-04 | 北京金山云网络技术有限公司 | 统计人流特征的方法、装置及服务器 |
| CN113190700A (zh) * | 2021-07-02 | 2021-07-30 | 成都旺小宝科技有限公司 | 用于房产交易的人脸抓拍、筛选和存储的方法及系统 |
| CN113554764A (zh) * | 2020-04-26 | 2021-10-26 | 杭州海康威视数字技术股份有限公司 | 基于人脸的验票方法、装置及设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103605969A (zh) * | 2013-11-28 | 2014-02-26 | Tcl集团股份有限公司 | 一种人脸录入的方法及装置 |
| CN104123714A (zh) * | 2013-04-27 | 2014-10-29 | 华中科技大学 | 一种人流量统计中最优目标检测尺度的生成方法 |
| US20140369565A1 (en) * | 2008-03-14 | 2014-12-18 | Verint Systems Ltd. | Systems and Methods for Multi-Pass Adaptive People Counting |
| CN105243373A (zh) * | 2015-10-27 | 2016-01-13 | 北京奇虎科技有限公司 | 人脸图像滤重抓拍方法、服务器、智能监控设备及系统 |
| CN105930822A (zh) * | 2016-05-11 | 2016-09-07 | 北京格灵深瞳信息技术有限公司 | 一种人脸抓拍方法及系统 |
| CN106529408A (zh) * | 2016-10-10 | 2017-03-22 | 深圳云天励飞技术有限公司 | 一种人脸检测的方法及装置 |
| CN106570465A (zh) * | 2016-10-31 | 2017-04-19 | 深圳云天励飞技术有限公司 | 一种基于图像识别的人流量统计方法及装置 |
| CN107358163A (zh) * | 2017-06-14 | 2017-11-17 | 广东数相智能科技有限公司 | 基于人脸识别的游客线路跟踪统计方法、电子设备及存储介质 |
| CN107368770A (zh) * | 2016-05-12 | 2017-11-21 | 深圳市维杰乐思科技有限公司 | 一种回头客自动识别方法及系统 |
-
2017
- 2017-12-07 CN CN201711288980.XA patent/CN108021895A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140369565A1 (en) * | 2008-03-14 | 2014-12-18 | Verint Systems Ltd. | Systems and Methods for Multi-Pass Adaptive People Counting |
| CN104123714A (zh) * | 2013-04-27 | 2014-10-29 | 华中科技大学 | 一种人流量统计中最优目标检测尺度的生成方法 |
| CN103605969A (zh) * | 2013-11-28 | 2014-02-26 | Tcl集团股份有限公司 | 一种人脸录入的方法及装置 |
| CN105243373A (zh) * | 2015-10-27 | 2016-01-13 | 北京奇虎科技有限公司 | 人脸图像滤重抓拍方法、服务器、智能监控设备及系统 |
| CN105930822A (zh) * | 2016-05-11 | 2016-09-07 | 北京格灵深瞳信息技术有限公司 | 一种人脸抓拍方法及系统 |
| CN107368770A (zh) * | 2016-05-12 | 2017-11-21 | 深圳市维杰乐思科技有限公司 | 一种回头客自动识别方法及系统 |
| CN106529408A (zh) * | 2016-10-10 | 2017-03-22 | 深圳云天励飞技术有限公司 | 一种人脸检测的方法及装置 |
| CN106570465A (zh) * | 2016-10-31 | 2017-04-19 | 深圳云天励飞技术有限公司 | 一种基于图像识别的人流量统计方法及装置 |
| CN107358163A (zh) * | 2017-06-14 | 2017-11-17 | 广东数相智能科技有限公司 | 基于人脸识别的游客线路跟踪统计方法、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 杨杰，张翔: "《视频目标检测和跟踪及其应用》", 31 August 2012 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020020022A1 (zh) * | 2018-07-25 | 2020-01-30 | 卢帆 | 视觉识别方法及其系统 |
| CN109726656A (zh) * | 2018-12-18 | 2019-05-07 | 广东中安金狮科创有限公司 | 监控设备及其尾随监测方法、装置、可读存储介质 |
| CN110765874A (zh) * | 2019-09-20 | 2020-02-07 | 深圳云天励飞技术有限公司 | 基于无人机的监控方法及相关产品 |
| CN110765874B (zh) * | 2019-09-20 | 2023-03-03 | 深圳云天励飞技术有限公司 | 基于无人机的监控方法及相关产品 |
| CN112906725A (zh) * | 2019-11-19 | 2021-06-04 | 北京金山云网络技术有限公司 | 统计人流特征的方法、装置及服务器 |
| CN112906725B (zh) * | 2019-11-19 | 2024-11-12 | 北京金山云网络技术有限公司 | 统计人流特征的方法、装置及服务器 |
| CN113554764A (zh) * | 2020-04-26 | 2021-10-26 | 杭州海康威视数字技术股份有限公司 | 基于人脸的验票方法、装置及设备 |
| CN111680569A (zh) * | 2020-05-13 | 2020-09-18 | 北京中广上洋科技股份有限公司 | 基于图像分析的出勤率检测方法、装置、设备及存储介质 |
| CN111680569B (zh) * | 2020-05-13 | 2024-04-19 | 北京中广上洋科技股份有限公司 | 基于图像分析的出勤率检测方法、装置、设备及存储介质 |
| CN112000293A (zh) * | 2020-08-21 | 2020-11-27 | 饶志昌 | 基于大数据的监控数据保存方法、装置、设备及存储介质 |
| CN112000293B (zh) * | 2020-08-21 | 2022-10-18 | 嘉兴混绫迪聚科技有限公司 | 基于大数据的监控数据保存方法、装置、设备及存储介质 |
| CN113190700A (zh) * | 2021-07-02 | 2021-07-30 | 成都旺小宝科技有限公司 | 用于房产交易的人脸抓拍、筛选和存储的方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108021895A (zh) | 人数统计方法、设备、可读存储介质及电子设备 | |
| Singh et al. | A deeply coupled ConvNet for human activity recognition using dynamic and RGB images | |
| Cowton et al. | Automated individual pig localisation, tracking and behaviour metric extraction using deep learning | |
| CN111178208B (zh) | 基于深度学习的行人检测方法、装置及介质 | |
| CN109726658B (zh) | 人群计数及定位方法、系统、电子终端及存储介质 | |
| CN106709449B (zh) | 一种基于深度学习和强化学习的行人重识别方法及系统 | |
| US9001199B2 (en) | System and method for human detection and counting using background modeling, HOG and Haar features | |
| US20160259980A1 (en) | Systems and methodologies for performing intelligent perception based real-time counting | |
| Khan et al. | Analyzing crowd behavior in naturalistic conditions: Identifying sources and sinks and characterizing main flows | |
| US9098737B2 (en) | Efficient 360 degree video processing | |
| WO2021063056A1 (zh) | 人脸属性识别方法、装置、电子设备和存储介质 | |
| WO2010004514A1 (en) | Apparatus and method of classifying movement of objects in a monitoring zone | |
| WO2021212725A1 (zh) | 一种人像识别算法性能评测方法和装置 | |
| Rabiee et al. | Crowd behavior representation: an attribute-based approach | |
| CN102592138A (zh) | 基于多模块稀疏投影的密集场景目标跟踪方法 | |
| CN113569657A (zh) | 一种行人重识别方法、装置、设备及存储介质 | |
| Zheng et al. | Fatigue driving detection based on Haar feature and extreme learning machine | |
| Ngeni et al. | Solving traffic data occlusion problems in computer vision algorithms using DeepSORT and quantum computing | |
| Sun et al. | Automated human use mapping of social infrastructure by deep learning methods applied to smart city camera systems | |
| Wang et al. | Motion pattern analysis in crowded scenes based on hybrid generative-discriminative feature maps | |
| CN115329265A (zh) | 图码轨迹关联度确定方法、装置、设备及存储介质 | |
| CN105740819A (zh) | 一种基于整数规划的人群密度估计方法 | |
| Voronov et al. | Software Complex of Biometric Identification Based on Neural Network Face Recognition | |
| Usman | Anomalous crowd behavior detection in time varying motion sequences | |
| CN110765817A (zh) | 人群计数模型的选择方法、装置、设备及其存储介质 |
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: 20180511 |
|
| RJ01 | Rejection of invention patent application after publication |