CN108133197B - 用于生成信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：获取待检测图像序列；将该待检测图像序列中的待检测图像依次输入至预先训练的人体检测模型，得到与该待检测图像序列中的每一个待检测图像相对应的人体的识别信息和位置信息，其中，该人体识别模型用于对图像中所显示的人体进行识别和位置检测；对所得到的识别信息和位置信息进行解析，生成人流流向信息。该实施方式提高了信息生成的灵活性。

Description

用于生成信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于生成信息的方法和装置。

背景技术

机场、火车站等公共场所通常人流量较多，较为拥挤。当遇到需要进行人流疏散等情况时，需要基于当前人流走向进行及时疏散。

通常现有的方式通常仅能够计算公共场所的当前大致人数，或者获取监控设备采集到的视频、图像后，人工分析人流流向并人工汇总得到人流流向信息，无法自动对人流流向等进行统计和跟踪。

发明内容

本申请实施例提出了用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成信息的方法，该方法包括：获取待检测图像序列；将待检测图像序列中的待检测图像依次输入至预先训练的人体检测模型，得到与待检测图像序列中的每一个待检测图像相对应的人体的识别信息和位置信息，其中，人体识别模型用于对图像中所显示的人体进行识别和位置检测；对所得到的识别信息和位置信息进行解析，生成人流流向信息。

在一些实施例中，待检测图像序列中的每一个待检测图像包括监控摄像头采集的第一待检测图像和热成像摄像头在同一时刻采集的第二待检测图像。

在一些实施例中，人体检测模型通过如下步骤训练得到：提取训练样本，其中，训练样本包括多个预置图像，多个预置图像中的每一个预置图像带有用于表征对该预置图像所显示的人体的识别结果的识别标注和用于表征该预置图像所显示的人体区域所在位置的位置标注；利用机器学习方法，将每一个预置图像作为卷积神经网络的输入，将该预置图像带有的识别标注和位置标注作为输出，训练得到人体检测模型。

在一些实施例中，对所得到的识别信息和位置信息进行解析，生成人流流向信息，包括：对于待检测图像序列中的每一个待检测图像，基于所得到的该待检测图像的识别信息和位置信息，确定该待检测图像所呈现的每一个人体的位置；对于识别到的每一个人体，基于该人体在各个待检测图像中的位置，确定该人体的运动轨迹；对所识别到的各个人体的运动轨迹进行汇总，生成人流流向信息。

在一些实施例中，在生成人流流向信息之后，该方法还包括：确定所识别到的各个人体的运动轨迹所指示的运动方向；对相同的运动方向进行汇总，生成用于表征所确定的运动方向的运动方向分布图；向终端设备发送运动方向分布图。

第二方面，本申请实施例提供了一种用于生成信息的装置，该装置包括：获取单元，配置用于获取待检测图像序列；输入单元，配置用于将待检测图像序列中的待检测图像依次输入至预先训练的人体检测模型，得到与待检测图像序列中的每一个待检测图像相对应的人体的识别信息和位置信息，其中，人体识别模型用于对图像中所显示的人体进行识别和位置检测；生成单元，配置用于对所得到的识别信息和位置信息进行解析，生成人流流向信息。

在一些实施例中，待检测图像序列中的每一个待检测图像包括监控摄像头采集的第一待检测图像和热成像摄像头在同一时刻采集的第二待检测图像。

在一些实施例中，该装置还包括：提取单元，配置用于提取训练样本，其中，训练样本包括多个预置图像，多个预置图像中的每一个预置图像带有用于表征对该预置图像所显示的人体的识别结果的识别标注和用于表征该预置图像所显示的人体区域所在位置的位置标注；训练单元，配置用于利用机器学习方法，将每一个预置图像作为卷积神经网络的输入，将该预置图像带有的识别标注和位置标注作为输出，训练得到人体检测模型。

在一些实施例中，生成单元包括：第一确定模块，配置用于对于待检测图像序列中的每一个待检测图像，基于所得到的该待检测图像的识别信息和位置信息，确定该待检测图像所呈现的每一个人体的位置；第二确定模块，配置用于对于识别到的每一个人体，基于该人体在各个待检测图像中的位置，确定该人体的运动轨迹；生成模块，配置用于对所识别到的各个人体的运动轨迹进行汇总，生成人流流向信息。

在一些实施例中，该装置还包括：确定单元，配置用于确定所识别到的各个人体的运动轨迹所指示的运动方向；汇总单元，配置用于对相同的运动方向进行汇总，生成用于表征所确定的运动方向的运动方向分布图；发送单元，配置用于向终端设备发送运动方向分布图。

第三方面，本申请实施例提供了一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如用于生成信息的方法中任一实施例的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如用于生成信息的方法中任一实施例的方法。

本申请实施例提供的用于生成信息的方法和装置，通过将获取到的待检测图像序列中的待检测图像依次输入至预先训练的人体检测模型，以便得到与该待检测图像序列中的每一个待检测图像相对应的人体的识别信息和位置信息，之后对所得到的识别信息和位置信息进行解析，生成人流流向信息，从而可以基于采集到的图像序列自动生成人流流向信息，提高了信息生成的灵活性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成信息的方法的一个实施例的流程图；

图3是根据本申请的用于生成信息的方法的一个应用场景的示意图；

图4是根据本申请的用于生成信息的装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请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申请。

图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104、106，服务器105和监控设备107、108、109。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质，网络106用以在服务器105和监控设备107、108、109之间提供通信链路的介质。网络104、106可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像浏览类应用、监控类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

监控设备107、108、109可以是各种用于进行图像采集、视频采集的电子设备，例如监控摄像头、热成像摄像头等。监控设备可以试试地或周期性地将采集到的图像等信息通过网络106发送给服务器105。

服务器105可以是提供各种服务的服务器，例如对监控设备107、108、109所发送的图像进行处理的图像处理服务器。图像处理服务器可以对接收到的图像等数据进行识别、解析等处理，并将处理结果(例如人流流向信息)反馈给终端设备101、102、103。

需要说明的是，本申请实施例所提供的用于生成信息的方法一般由服务器105执行，相应地，用于生成信息的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络、服务器和监控设备。

继续参考图2，示出了根据本申请的用于生成信息的方法的一个实施例的流程200。所述的用于生成信息的方法，包括以下步骤：

步骤201，获取待检测图像序列。

在本实施例中，用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接或者无线连接方式获取监控设备(例如图1所示的监控设备107、108、109)采集到的待检测图像序列。需要说明的是，上述待检测图像序列可以是由多个待检测图像(例如预设时间段内监控设备采集到的图像)按照采集时间的先后顺序依次构成的。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

在本实施例的一些可选的实现方式中，在获取到上述待检测图像序列后，上述电子设备还可以对待检测图像序列中的各个待检测图像进行图像预处理，例如进行灰度校正、噪声过滤等、光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等图像预处理操作。需要说明的是，上述各图像预处理操作是目前广泛研究和应用的公知技术，在此不再赘述。

在本实施例的一些可选的实现方式中，上述待检测图像序列中的每一个待检测图像包括监控摄像头采集的第一待检测图像和热成像摄像头在同一时刻采集的第二待检测图像。需要说明的是，上述监控摄像头和热成像摄像头所采集图像的角度和位置可以认为是相同的。

步骤202，将待检测图像序列中的待检测图像依次输入至预先训练的人体检测模型，得到与待检测图像序列中的每一个待检测图像相对应的人体的识别信息和位置信息。

在本实施例中，上述电子设备可以将上述待检测图像序列中的待检测图像依次输入至预先训练的人体检测模型，得到与上述待检测图像序列中的每一个待检测图像相对应的人体的识别信息和位置信息。其中，上述位置信息可以是待检测图像中的人体所在区域的坐标(例如左上角坐标和右下角坐标等)。上述识别信息可以是人体的特征信息，上述特征信息可以是用于对图像中的人体特征进行表征的信息(例如，可以以向量的形式进行表示)，人体特征可以是与人体相关的各种基本要素(例如圆脸、方脸、高个子、矮个子、胖、瘦、衣服颜色、背包颜色、发型、戴眼镜、未戴眼镜、戴帽子、未戴帽子、戴口罩、未戴口罩等)。此外，上述识别信息也可以是用于区分和确定人体的人体标识(例如由字母或者数字等字符构成的字符串)等信息，在此不再赘述。

需要说明的是，上述人体识别模型可以用于对图像中所显示的人体进行识别和位置检测。上述人体识别模型可以通过各种方式训练得到。

在本实施例的一些可选的实现方式中，上述人体识别模型可以是利用机器卷积神经网络(Convolutional Neural Network，CNN)训练得到。上述卷积神经网络可以包括用于提取图像特征的多个卷积层和至少一个池化层，其中，卷积层可以用于提取图像特征，池化层可以用于对输入的信息进行降采样(downsample)。实践中，卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于图像处理有出色表现，因而，可以利用卷积神经网络进行图像处理。需要指出的是，上述卷积神经网络可以是预先建立的各种现有的卷积神经网络结构(例如DenseBox、VGGNet、ResNet、SegNet等)。此处，上述电子设备可以首先提取训练样本，其中，上述训练样本可以包括多个预置图像，上述多个预置图像中的每一个预置图像可以带有用于表征对该预置图像所显示的人体的识别结果的识别标注(例如识别信息)和用于表征该预置图像所显示的人体区域所在位置的位置标注(例如坐标)。而后，上述电子设备可以利用机器学习方法，将每一个预置图像作为卷积神经网络的输入，将该预置图像带有的识别标注和位置标注作为输出，训练得到人体检测模型。可选的，每一个预置图像可以包括监控摄像头采集的第一预置图像和热成像摄像头在同一时刻采集的第二预置图像，上述每一个第一预置图像可以带有用于表征对该预置图像所显示的人体的识别结果的识别标注(例如识别信息)和用于表征该预置图像所显示的人体区域所在位置的位置标注(例如坐标)。

在本实施例的一些可选的实现方式中，上述人体识别模型可以是利用现有的用于进行目标物检测的R-CNN(Regions with Convolutional Neural Network Features)进行有监督训练得到。此处，可以预先设置有回归损失函数和分类损失函数。上述回归损失函数可以用于表征上述人体检测模型输出的位置信息与所输入的图像中的人体所在区域的位置的差异程度，上述分类损失函数可以用于表征所人体检测模型输出的识别信息与所输入的图像中的人体的实际识别信息的差异程度。实践中，上述回归损失函数可以是各种用于回归的损失函数(例如Smooth L2Loss函数)，上述分类损失函数可以是各种用于分类的损失函数(例如Softmax函数)。上述电子设备可以首先提取训练样本，其中，上述训练样本可以包括多个预置图像，上述多个预置图像中的每一个预置图像可以带有用于表征对该预置图像所显示的人体的识别结果的识别标注(例如识别信息)和用于表征该预置图像所显示的人体区域所在位置的位置标注(例如坐标)。而后，上述电子设备可以利用机器学习方法，将每一个预置图像作为上述RCNN的输入，将该预置图像带有的识别标注和位置标注作为输出，训练得到人体检测模型。在训练过程中，回归损失函数和分类损失函数可以约束卷积核修改的方式和方向，训练的目标为使回归损失函数和分类损失函数的值最小，因而，训练后得到的卷积神经网络的参数即为回归损失函数的值与分类损失函数的值之和为最小值时所对应的参数。可选的，每一个预置图像可以包括监控摄像头采集的第一预置图像和热成像摄像头在同一时刻采集的第二预置图像，上述每一个第一预置图像可以带有用于表征对该预置图像所显示的人体的识别结果的识别标注(例如识别信息)和用于表征该预置图像所显示的人体区域所在位置的位置标注(例如坐标)。

在本实施例的一些可选的实现方式中，上述人体检测模型可以通过训练生成式对抗网络(Generative Adversarial Nets，GAN)的方式得到。上述生成式对抗网络可以包括生成网络和判别网络，上述生成网络可以用于对所输入的待检测图像进行处理并输出该待检测图像中的人体的识别信息和位置信息，上述判别网络可以用于确定所输入的识别信息和位置信息是否准确。需要说明的是，上述生成网络可以是用于进行图像处理的卷积神经网络(例如包含卷积层、池化层的各种卷积神经网络结构)；上述判别网络可以是卷积神经网络(例如包含全连接层的各种卷积神经网络结构，其中，上述全连接层可以实现分类功能)。此外，上述判别网络也可以是可以用于实现分类功能的其他模型结构，例如支持向量机(Support Vector Machine，SVM)。上述电子设备可以依次迭代训练上述生成网络和上述判别网络，将最终训练后的生成网络确定为人体检测模型。需要说明的是，生成式对抗网络的训练方法为是目前广泛研究和应用的公知技术，在此不再赘述。

步骤203，对所得到的识别信息和位置信息进行解析，生成人流流向信息。

在本实施例中，上述电子设备可以利用各种分析方法对所得到的识别信息和位置信息进行解析，生成人流流向信息。作为示例，上述电子设备可以基于从每一个待检测图像中得到的识别信息的数量，确定该待检测图像中的人体的数量；而后，可以统计各个待检测图像的数量，生成数量变化曲线，将该数量变化曲线确定为人流流向信息。作为又一示例，上述电子设备可以基于从每一个待检测图像中得到的位置信息确定人群集中区域；而后，可以基于各个待检测图像对应的人群集中区域的变化情况，生成用于表征人群集中区域位置变化的信息，将该信息确定为人流流向信息。作为又一示例，上述电子可以将上述数量变化曲线和上述用于表征人群集中区域位置变化的信息进行汇总，作为人流流向信息。

实践中，人流流向信息可以是各种形式，例如文本形式的信息、表格形式的信息、图片形式的信息等。

在本实施例的一些可选的实现方式中，上述电子设备可以按照如下步骤生成人流流向信息：第一步，对于上述待检测图像序列中的每一个待检测图像，上述电子设备可以基于所得到的该待检测图像的识别信息和位置信息，确定该待检测图像所呈现的每一个人体的位置。此处，对于每一个待检测图像，由于从该待检测图像中所识别出的每一个人体均具有一个对应的识别信息和位置信息，因此，可以直接确定该待检测图像所呈现的每一个人体的位置。第二步，上述电子设备对于识别到的每一个人体，可以基于该人体在各个待检测图像中的位置，确定该人体的运动轨迹。此处，上述电子设备可以利用将人体的识别信息进行相似度计算的方式(例如利用欧氏距离进行相似度计算)确定各待检测图像中的相同人体。例如，若第一张图像中的某个人体的识别信息与第二张图像中的某个人体的识别信息的相似度大于预设数值，则可以确定第一张图像中的该人体与第二图像中的该人体为相同的人体，进而，可以基于该人体在第一图像中的位置和该人体在第二图像中的位置，确定该人体的运动轨迹。第三步，上述电子设备可以对所识别到的各个人体的运动轨迹进行汇总，生成人流流向信息。作为示例，上述人流流向信息可以包含运动轨迹的总数、各个运动轨迹的起点和终点位置等信息。

在本实施例的一些可选的实现方式中，在上述生成人流流向信息之后，上述电子设备还可以确定所识别到的各个人体的运动轨迹所指示的运动方向；而后，可以对相同的运动方向进行汇总，生成用于表征所确定的运动方向的运动方向分布图；最后，可以向终端设备(例如图1所示的终端设备101、102、103)发送上述运动方向分布图。作为示例，运动方向分布图可以反映出多个预设方向(例如，可以包括从南到北、从北到南、从东到西、从西到东等)的运动轨迹的密度或数量等。在运动方向分布图中，运动方向从南到北的运动轨迹可以用绿色直线进行表示，运动方向从北到南的运动轨迹可以用红色虚线进行表示等。

继续参见图3，图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中，图像处理服务器301首先从监控摄像头302获取到了待检测图像序列303；而后，图像处理服务器301将获取到的待检测图像序列303中的待检测图像依次输入至预先训练的人体检测模型得到了每一个待检测图像相对应的人体的识别信息和位置信息；之后，图像处理服务器301对所得到的识别信息和位置信息进行解析，生成人流流向信息304；最后，图像处理服务器301将人流流向信息304发送给终端设备305。

本申请的上述实施例提供的方法，通过将获取到的待检测图像序列中的待检测图像依次输入至预先训练的人体检测模型，以便得到与该待检测图像序列中的每一个待检测图像相对应的人体的识别信息和位置信息，之后对所得到的识别信息和位置信息进行解析，生成人流流向信息，从而可以基于采集到的图像序列自动生成人流流向信息，提高了信息生成的灵活性。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于生成信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例所述的用于生成信息的装置400包括：获取单元401，配置用于获取待检测图像序列；输入单元402，配置用于将上述待检测图像序列中的待检测图像依次输入至预先训练的人体检测模型，得到与上述待检测图像序列中的每一个待检测图像相对应的人体的识别信息和位置信息，其中，上述人体识别模型用于对图像中所显示的人体进行识别和位置检测；生成单元403，配置用于对所得到的识别信息和位置信息进行解析，生成人流流向信息。

在本实施例的一些可选的实现方式中，上述待检测图像序列中的每一个待检测图像可以包括监控摄像头采集的第一待检测图像和热成像摄像头在同一时刻采集的第二待检测图像。

在本实施例的一些可选的实现方式中，该装置还可以包括提取单元和训练单元(图中未示出)。其中，上述提取单元可以配置用于提取训练样本，其中，上述训练样本包括多个预置图像，上述多个预置图像中的每一个预置图像带有用于表征对该预置图像所显示的人体的识别结果的识别标注和用于表征该预置图像所显示的人体区域所在位置的位置标注。上述训练单元可以配置用于利用机器学习方法，将每一个预置图像作为卷积神经网络的输入，将该预置图像带有的识别标注和位置标注作为输出，训练得到人体检测模型。

在本实施例的一些可选的实现方式中，上述生成单元403可以包括第一确定模块、第二确定模块和生成模块(图中未示出)。其中，上述第一确定模块可以配置用于对于上述待检测图像序列中的每一个待检测图像，基于所得到的该待检测图像的识别信息和位置信息，确定该待检测图像所呈现的每一个人体的位置。上述第二确定模块可以配置用于对于识别到的每一个人体，基于该人体在各个待检测图像中的位置，确定该人体的运动轨迹。上述生成模块可以配置用于对所识别到的各个人体的运动轨迹进行汇总，生成人流流向信息。

在本实施例的一些可选的实现方式中，该装置还可以包括确定单元、汇总单元和发送单元(图中未示出)。其中，上述确定单元可以配置用于确定所识别到的各个人体的运动轨迹所指示的运动方向。上述汇总单元可以配置用于对相同的运动方向进行汇总，生成用于表征所确定的运动方向的运动方向分布图。上述发送单元可以配置用于向终端设备发送上述运动方向分布图。

本申请的上述实施例提供的装置，通过输入单元402将获取单元401获取到的待检测图像序列中的待检测图像依次输入至预先训练的人体检测模型，以便得到与该待检测图像序列中的每一个待检测图像相对应的人体的识别信息和位置信息，之后生成单元403对所得到的识别信息和位置信息进行解析，生成人流流向信息，从而可以基于采集到的图像序列自动生成人流流向信息，提高了信息生成的灵活性。

下面参考图5，其示出了适于用来实现本申请实施例的服务器的计算机系统500的结构示意图。图5示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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，该模块、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，两个接连地表示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操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。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、输入单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待检测图像序列的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：将该待检测图像序列中的待检测图像依次输入至预先训练的人体检测模型，得到与该待检测图像序列中的每一个待检测图像相对应的人体的识别信息和位置信息，其中，该人体识别模型用于对图像中所显示的人体进行识别和位置检测；对所得到的识别信息和位置信息进行解析，生成人流流向信息。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种用于生成信息的方法，包括：

获取待检测图像序列，其中，所述待检测图像序列中的每一个待检测图像包括监控摄像头采集的第一待检测图像和热成像摄像头在同一时刻采集的第二待检测图像；

将所述待检测图像序列中的待检测图像依次输入至预先训练的人体检测模型，得到与所述待检测图像序列中的每一个待检测图像相对应的人体的识别信息和位置信息，其中，所述人体检测模型用于对图像中所显示的人体进行识别和位置检测，所述识别信息是用于对图像中的人体特征进行表征的信息，所述人体特征包括与人体相关的基本要素，所述人体检测模型为卷积神经网络；

对所得到的识别信息和位置信息进行解析，生成人流流向信息；

其中，所述对所得到的识别信息和位置信息进行解析，生成人流流向信息，包括：

利用将人体的识别信息进行相似度计算的方式，确定各待检测图像中的相同人体；基于所述相同人体在各待检测图像中的位置，确定所述相同人体的运动轨迹；

在所述生成人流流向信息之后，所述方法还包括：

确定所识别到的各个人体的运动轨迹所指示的运动方向；对相同的运动方向进行汇总，生成用于表征所确定的运动方向的运动方向分布图。

2.根据权利要求1所述的用于生成信息的方法，其中，所述人体检测模型通过如下步骤训练得到：

提取训练样本，其中，所述训练样本包括多个预置图像，所述多个预置图像中的每一个预置图像带有用于表征对该预置图像所显示的人体的识别结果的识别标注和用于表征该预置图像所显示的人体区域所在位置的位置标注；

利用机器学习方法，将每一个预置图像作为卷积神经网络的输入，将该预置图像带有的识别标注和位置标注作为输出，训练得到人体检测模型。

3.根据权利要求1所述的用于生成信息的方法，其中，所述对所得到的识别信息和位置信息进行解析，生成人流流向信息，包括：

对于所述待检测图像序列中的每一个待检测图像，基于所得到的该待检测图像的识别信息和位置信息，确定该待检测图像所呈现的每一个人体的位置；

对于识别到的每一个人体，基于该人体在各个待检测图像中的位置，确定该人体的运动轨迹；

对所识别到的各个人体的运动轨迹进行汇总，生成人流流向信息。

4.根据权利要求3所述的用于生成信息的方法，其中，在所述生成人流流向信息之后，所述方法还包括：

向终端设备发送所述运动方向分布图。

5.一种用于生成信息的装置，包括：

获取单元，配置用于获取待检测图像序列，其中，所述待检测图像序列中的每一个待检测图像包括监控摄像头采集的第一待检测图像和热成像摄像头在同一时刻采集的第二待检测图像；

输入单元，配置用于将所述待检测图像序列中的待检测图像依次输入至预先训练的人体检测模型，得到与所述待检测图像序列中的每一个待检测图像相对应的人体的识别信息和位置信息，其中，所述人体检测模型用于对图像中所显示的人体进行识别和位置检测，所述识别信息是用于对图像中的人体特征进行表征的信息，所述人体特征包括与人体相关的基本要素，所述人体检测模型为卷积神经网络；

生成单元，配置用于对所得到的识别信息和位置信息进行解析，生成人流流向信息；

所述生成单元进一步配置用于：利用将人体的识别信息进行相似度计算的方式，确定各待检测图像中的相同人体；基于所述相同人体在各待检测图像中的位置，确定所述相同人体的运动轨迹；

所述装置还包括：

确定单元，配置用于确定所识别到的各个人体的运动轨迹所指示的运动方向；汇总单元，配置用于对相同的运动方向进行汇总，生成用于表征所确定的运动方向的运动方向分布图。

6.根据权利要求5所述的用于生成信息的装置，其中，所述装置还包括：

提取单元，配置用于提取训练样本，其中，所述训练样本包括多个预置图像，所述多个预置图像中的每一个预置图像带有用于表征对该预置图像所显示的人体的识别结果的识别标注和用于表征该预置图像所显示的人体区域所在位置的位置标注；

训练单元，配置用于利用机器学习方法，将每一个预置图像作为卷积神经网络的输入，将该预置图像带有的识别标注和位置标注作为输出，训练得到人体检测模型。

7.根据权利要求5所述的用于生成信息的装置，其中，所述生成单元包括：

第一确定模块，配置用于对于所述待检测图像序列中的每一个待检测图像，基于所得到的该待检测图像的识别信息和位置信息，确定该待检测图像所呈现的每一个人体的位置；

第二确定模块，配置用于对于识别到的每一个人体，基于该人体在各个待检测图像中的位置，确定该人体的运动轨迹；

生成模块，配置用于对所识别到的各个人体的运动轨迹进行汇总，生成人流流向信息。

8.根据权利要求7所述的用于生成信息的装置，其中，所述装置还包括：

发送单元，配置用于向终端设备发送所述运动方向分布图。

9.一种服务器，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。

Images