CN109101929A - 一种行人计数方法及装置 - Google Patents
一种行人计数方法及装置 Download PDFInfo
- Publication number
- CN109101929A CN109101929A CN201810935219.9A CN201810935219A CN109101929A CN 109101929 A CN109101929 A CN 109101929A CN 201810935219 A CN201810935219 A CN 201810935219A CN 109101929 A CN109101929 A CN 109101929A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- image
- head
- shoulder
- region
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种行人计数方法及装置,方法包括:预先训练行人头肩检测模型;采集指定场所对应的指定区域的视频图像;将所述视频图像的每一帧原始图像依次输入所述行人头肩检测模型,使得所述行人头肩检测模型标记每一帧所述原始图像中分别携带的至少一个行人头肩区域以形成标记图像后输出;根据每一张所述标记图像中分别标记的各个所述行人头肩区域,确定至少一个行人在所述指定区域的运动轨迹;根据各个所述运动轨迹,确定通过所述指定区域进出所述指定场所的行人数量。通过本发明的技术方案,可更为准确的得出通过指定区域进出指定场所的行人数量。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种行人计数方法及装置。
背景技术
行人计数是用于评价人防安全的重要指标之一,在火车站、机场、公园等人流量较大的场所,确定出通过指定区域进出这些场所的人数之后,则可预估出相应场所的行人密度,在行人密度过大时,则可采用相应的措施对指定区域的行人流量进行控制而降低意外事故的发生。
目前,主要通过采集指定区域的图像,利用“方向梯度直方图+支持向量机”的方式对采集的图像进行分析,实现对通过指定区域进出指定场所的行人进行计数。
采用上述技术方案实现对通过指定区域进出指定场所的行人进行计数时,若采集的图像中任一行人的大部分图像区域被其他行人的图像区域所遮挡,则可能发生漏检现象而无法准确得出通过指定区域进出指定场所的行人数量。
发明内容
本发明提供一种行人计数方法及装置,可更为准确的得出通过指定区域进出指定场所的行人数量。
第一方面,本发明提供了一种行人计数方法,包括:
预先训练行人头肩检测模型;
采集指定场所对应的指定区域的视频图像;
将所述视频图像的每一帧原始图像依次输入所述行人头肩检测模型,并标记出所述原始图像中的行人头肩区域,以形成标记图像后输出;
根据每一张所述标记图像中分别标记的各个所述行人头肩区域,确定至少一个行人在所述指定区域的运动轨迹;
根据各个所述运动轨迹,确定通过所述指定区域进出所述指定场所的行人数量。
优选地,
所述根据每一张所述标记图像中分别标记的各个所述行人头肩区域,确定至少一个行人在所述指定区域的运动轨迹,包括:
通过跟踪算法对各张所述标记图像中分别标记的每一个所述行人头肩区域进行鉴定式追踪,以确定至少一个行人在所述指定区域的运动轨迹,其中,所述运动轨迹由其对应的每一个当前行人头肩区域分别在相应标记图像中的标记位置构成,且各个当前行人头肩区域对应于同一个行人。
优选地,
还包括:确定设置在所述指定区域的进出卡口对应在各张所述标记图像中的基线;
则,
所述根据各个所述运动轨迹,确定通过所述指定区域进出所述指定场所的行人数量,包括:
针对于每一个所述运动轨迹,当构成所述运动轨迹的各个所述标记位置中存在相邻两个目标标记位置分别位于所述基线的两侧时,确定所述两个目标标记位置所分别对应的标记图像之间的顺序关系,根据所述顺序关系将通过所述指定区域进入所述指定场所的进卡行人数量加1,或根据所述顺序关系将通过所述指定区域离开所述指定场所的出卡行人数量加1。
优选地,
还包括:
确定所述视频图像的第一帧所对应的起始采集时间点与所述视频图像的最后一帧所对应的截止采集时间点之间的时间差;
根据所述时间差以及所述进卡行人数量计算进卡行人流量;和/或,根据所述时间差以及所述出卡行人数量计算出卡行人流量。
优选地,
所述预先训练行人头肩检测模型,包括:
获取若干行人在多种不同姿态下分别对应的至少一张头肩区域图像;
获取所述指定区域不含行人时所对应的至少一张环境图像;
将采集的每一张所述头肩区域图像分别作为正样本图像,将采集的每一张所述环境图像作为负样本图像,利用每一张所述正样本图像以及每一张所述负样本图像训练行人头肩检测模型。
第二方面,本发明实施例提供了一种行人计数装置,包括:
训练处理模块,用于预先训练行人头肩检测模型;
图像采集模块,用于采集指定场所对应的指定区域的视频图像;
模型调用模块,用于将所述视频图像的每一帧原始图像依次输入所述行人头肩检测模型,,并标记出所述原始图像中的行人头肩区域,以形成标记图像后输出;
轨迹确定模块,用于根据每一张所述标记图像中分别标记的各个所述行人头肩区域,确定至少一个行人在所述指定区域的运动轨迹;
计数处理模块,用于根据各个所述运动轨迹,确定通过所述指定区域进出所述指定场所的行人数量。
优选地,
所述轨迹确定模块,用于通过跟踪算法对各张所述标记图像中分别标记的每一个所述行人头肩区域进行鉴定式追踪,以确定至少一个行人在所述指定区域的运动轨迹,其中,所述运动轨迹由其对应的每一个当前行人头肩区域分别在相应标记图像中的标记位置构成,且各个当前行人头肩区域对应于同一个行人。
优选地,
还包括:基线确定模块;其中,
所述基线确定模块,用于确定设置在所述指定区域的进出卡口对应在各张所述标记图像中的基线;
则,
所述计数处理模块,用于针对于每一个所述运动轨迹,当构成所述运动轨迹的各个所述标记位置中存在相邻两个目标标记位置分别位于所述基线的两侧时,确定所述两个目标标记位置所分别对应的标记图像之间的顺序关系,根据所述顺序关系将通过所述指定区域进入所述指定场所的进卡行人数量加1,或根据所述顺序关系将通过所述指定区域离开所述指定场所的出卡行人数量加1。
优选地,
还包括:时间差确定模块及流量计算模块;其中,
所述时间差确定模块,用于确定所述视频图像的第一帧所对应的起始采集时间点与所述视频图像的最后一帧所对应的截止采集时间点之间的时间差;
所述流量计算模块,用于根据所述时间差以及所述进卡行人数量计算进卡行人流量;和/或,根据所述时间差以及所述出卡行人数量计算出卡行人流量。
优选地,
所述训练处理模块,用于执行如下步骤:
获取若干行人在多种不同姿态下分别对应的至少一张头肩区域图像;
获取所述指定区域不含行人时所对应的至少一张环境图像;
将采集的每一张所述头肩区域图像分别作为正样本图像,将采集的每一张所述环境图像作为负样本图像,利用每一张所述正样本图像以及每一张所述负样本图像训练行人头肩检测模型。
本发明提供了一种行人计数方法及装置,该方法通过预先训练行人头肩检测模型,当需要了解通过指定区域进出指定场所的行人数量时,则可对指定场所对应的指定区域的视频图像进行采集,并将采集的视频图像的每一帧依次输入到行人头肩检测模型,各个行人的头部及肩部对应在原始图像中的图像区域不易被遮挡,因此,行人头肩检测模型可以标记出输入的每一帧原始图像中分别携带的各个行人头肩区域,即标记出指定区域的每一个行人的肩部、头部对应在原始图像中的行人头肩区域,从而依次形成每一帧原始图像所分别对应的标记图像后输出,后续则可根据行人头肩检测模型输出的每一张标记图像中分别标记的各个行人头肩区域,确定至少一个行人在指定区域的运动轨迹,并根据各个运动轨迹确定通过指定区域进出指定场所的行人数量,不会因行人躯干及四肢等其他大部分区域因发生遮挡而造成漏检,可更为准确的得出通过指定区域进出指定场所的行人数量。
附图说明
为了更清楚地说明本发明提供的技术方案或现有的技术方案,下面将对本发明提供的技术方案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一些较佳实施例所对应的附图,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种行人计数方法的流程示意图;
图2为本发明一实施例提供的另一种行人计数方法的流程示意图;
图3为本发明一实施例提供的一种行人计数装置的结构示意图;
图4为本发明一实施例提供的另一种行人计数装置的结构示意图;
图5为本发明一实施例提供的又一种行人计数装置的结构示意图;
图6为本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明提供的实施例,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。
如图1所示,本发明实施例提供了一种行人计数方法,包括:
步骤101,预先训练行人头肩检测模型;
步骤102,采集指定场所对应的指定区域的视频图像;
步骤103,将所述视频图像的每一帧原始图像依次输入所述行人头肩检测模型,并标记出所述原始图像中的行人头肩区域,以形成标记图像后输出;
步骤104,根据每一张所述标记图像中分别标记的各个所述行人头肩区域,确定至少一个行人在所述指定区域的运动轨迹;
步骤105,根据各个所述运动轨迹,确定通过所述指定区域进出所述指定场所的行人数量。
如图1所示的实施例,该方法通过预先训练行人头肩检测模型,当需要了解通过指定区域进出指定场所的行人数量时,则可对指定场所对应的指定区域的视频图像进行采集,并将采集的视频图像的每一帧依次输入到行人头肩检测模型,各个行人的头部及肩部对应在原始图像中的图像区域不易被遮挡,因此,行人头肩检测模型可以标记出输入的每一帧原始图像中分别携带的各个行人头肩区域,即标记出指定区域的每一个行人的肩部、头部对应在原始图像中的行人头肩区域,从而依次形成每一帧原始图像所分别对应的标记图像后输出,后续则可根据行人头肩检测模型输出的每一张标记图像中分别标记的各个行人头肩区域,确定至少一个行人在指定区域的运动轨迹,并根据各个运动轨迹确定通过指定区域进出指定场所的行人数量,不会因行人躯干及四肢等其他大部分区域因发生遮挡而造成漏检,可更为准确的得出通过指定区域进出指定场所的行人数量。
步骤102采集的视频图像,具体可以是设置在指定位置且与指定区域存在一定距离及角度的图像采集设备(比如,一个或多个摄像头)采集并提供的视频图像,一般的,用于采集视频图像的图像采集设备采集视频图像时,可以位于指定区域的上方,其采集视频图像时与指定区域水平面之间的夹角可在45度左右,如此,可进一步降低指定区域的行人因身高差过大而导致行人的头部及肩部对应在原始图像中的行人头肩区域被遮挡的发生概率。
基于如图1所示的实施例,本发明一个优选实施例中,所述根据每一张所述标记图像中分别标记的各个所述行人头肩区域,确定至少一个行人在所述指定区域的运动轨迹,包括:通过跟踪算法对各张所述标记图像中分别标记的每一个所述行人头肩区域进行鉴定式追踪,以确定至少一个行人在所述指定区域的运动轨迹,其中,所述运动轨迹由其对应的每一个当前行人头肩区域分别在相应标记图像中的标记位置构成,且各个当前行人头肩区域对应于同一个行人。
该实施例中,具体可以通过改进KCF跟踪算法来实现,KCF跟踪算法运算速度较快,且对光照以及被标记的各个行人头肩区域的形变具有较好的鲁棒性。
同时,由于用于实现采集指定场所对应的指定区域的视频图像的一个或多个图像采集设备(比如,摄像头)距离指定区域中行人的肩部及头部具有一定的距离,各张标记图像中对应于同一个行人的各个行人头肩区域的尺寸变化相对较小,改进的KCF跟踪算法中,对应于同一个行人的行人头肩区域则可采用固定尺寸进行搜索以实现鉴定式追踪,从行人头肩检测模型输出的各张标记图像中更为快速的确定出对应于同一个行人的多个行人头肩区域,并确定出对应于同一个行人的多个行人头肩区域分别在相应标记图像中的标记位置以形成相应行人在指定区域的运动轨迹。
举例来说,在连续的三帧原始图像A1、B1、C1,行人头肩检测模型对A1、B1、C1中分别携带的各个行人头肩区域进行标记后对应输出的标记图像依次为A2、B2、C2,通过改进的KCF算法搜索出A2、B2、C2中分别对应标记的行人头肩区域a、b、c对应于同一个行人,那么,则可利用a在A2中的标记位置(比如,行人头肩区域a的中心对应在A2中的像素点)、b在B2中的标记位置、c在C2中的标记位置构成该行人在指定区域的运动轨迹。
显而易见的,这里仅利用同一个行人的肩部、头部分别对应的不同标记图像中的标记位置来构成该行人在指定区域的运动轨迹,轨迹轨迹在实际业务场景中也可以利用其它形式的数据来表示。
基于前述实施例,本发明一个实施例中,还包括:确定设置在所述指定区域的进出卡口对应在各张所述标记图像中的基线;
则,所述根据各个所述运动轨迹,确定通过所述指定区域进出所述指定场所的行人数量,包括:针对于每一个所述运动轨迹,当构成所述运动轨迹的各个所述标记位置中存在相邻两个目标标记位置分别位于所述基线的两侧时,确定所述两个目标标记位置所分别对应的标记图像之间的顺序关系,根据所述顺序关系将通过所述指定区域进入所述指定场所的进卡行人数量加1,或根据所述顺序关系将通过所述指定区域离开所述指定场所的出卡行人数量加1。
该实施例中,指定区域可能存在大量行人通过设置在指定区域的进出卡口分别进入或离开指定卡口,通过确定出设置在指定区域的进出卡口对应在各张标记图像(或者原始图像)中的基线,当构成运动轨迹的各个标记位置中存在相邻两个目标标记位置分别位于基线的两侧时,确定两个目标标记位置所分别对应的标记图像之间的顺序关系,进而根据顺序关系将通过指定区域进入指定场所的进卡行人数量加1或将通过指定区域离开指定场所的出卡行人数量加1,从而实现对通过指定区域进入指定场所及通过指定区域离开指定场所的进卡行人数量、出卡行人数量进行分别计数,便于后续过程中根据确定的进卡行人数量及出卡行人数量确定指定场所内的行人密度,并根据行人密度控制通过该指定区域进入指定区域的行人流量进行控制以降低意外事故的发生。
该实施例中,确定设置在指定区域的进出卡口对应在各张标记图像中的基线时,具体可以利用该基线对应的各张标记图像中的像素点位置来描述该基线;举例来说,以各张标记图像及原始图像的像素大小均是n*n,基线对应在各张标记图像(或,原始图像)中的像素坐标依次是(3,5)、(4,5)、(5,5)、(6,5)、(7,5),且构成轨迹1的各个标记位置(即像素坐标)依次是(5,2)、(5,4)、(5,6),构成轨迹2的各个标记位置(即像素坐标)依次是(6,2)、(6,4)为例,显而易见的,轨迹1中存在相邻两个目标标记位置(6,5)和(7,5)分别位于基线的两侧,轨迹2中不存在相邻连个目标标记位置分别位于基线两侧,那么,针对于轨迹1,则需要确定出目标标记位置(6,5)所对应的标记图像X和(7,5)所对应的标记图像Y之间的顺序关系,即目标标记图像X、Y所分别对应的原始图像在视频图像中的采集顺序,若X所对应的原始图像顺序上先于Y所对应的原始图像(即X所对应的原始图像是Y所对应的原始图像的前一帧),那么则可确定出轨迹1所对应的用户的行进方向是标记位置(6,5)朝向标记位置(7,5),若该方向对应的指定区域为进入指定场所的方向,则可将进卡行人数量加1,反之,则可将出卡行人数量加1。
基于前述实施例,本发明一个优选实施例中,还包括:确定所述视频图像的第一帧所对应的起始采集时间点与所述视频图像的最后一帧所对应的截止采集时间点之间的时间差;
根据所述时间差以及所述进卡行人数量计算进卡行人流量;和/或,根据所述时间差以及所述出卡行人数量计算出卡行人流量。
该实施例中,通过确定出视频图像的第一帧所对应的起始采集时间点最后一帧所对应的截止采集时间点之间的时间差,并根据所时间差以及进卡行人数量计算进卡行人流量、根据时间差以及出卡行人数量计算出卡行人流量,可方便工作人员根据进卡行人流量及出卡行人流量的大小分别采取相应的措施对进卡行人及出卡行人进行引导或限流,比如,进卡行人流量过大时,在指定区域增加用于引导行人行进的护栏,并同时起到限流作用,避免行人在指定区域大量无序行进而带来安全性威胁(比如,避免发生踩踏现象)。
本发明一个实施例中,为了提高行人头肩检测模型的检测效率,确保行人头肩检测模型能够对输入的原始图像中所携带的每一个行人头肩区域进行识别并标记,本发明一个实施例中,所述预先训练行人头肩检测模型,包括:
获取若干行人在多种不同姿态下分别对应的至少一张头肩区域图像;
获取所述指定区域不含行人时所对应的至少一张环境图像;
将采集的每一张所述头肩区域图像分别作为正样本图像,将采集的每一张所述环境图像作为负样本图像,利用每一张所述正样本图像以及每一张所述负样本图像训练行人头肩检测模型。
具体地,若干行人应当具体涉及不同性别及不同年龄段;多种不同姿态具体可以包括正面、侧面和背面;作为正样本图像的头肩区域图像数量应相对较多,较佳的,头肩区域图像数量应不小于2万张;作为负样本图像的环境图像数量可相对较少,较佳的,环境图像数量可取约1万张。
为了更加清楚的本发明的技术方案,本发明实施例还提供了另一种行人计数方法,如图2所示,具体可以包括如下各个步骤:
步骤201,获取若干行人在多种不同姿态下分别对应的至少一张头肩区域图像。
步骤202,获取指定场所对应的指定区域不含行人时的至少一张环境图像。
步骤203,将采集的每一张头肩区域图像分别作为正样本图像,将采集的每一张环境图像作为负样本图像,利用每一张正样本图像以及每一张负样本图像训练行人头肩检测模型。
步骤204,确定设置在指定区域的进出卡口对应在标记图像或原始图像中的基线。
这里,具体可以预先利用固定设置在相应位置且用于采集指定区域的视频图像的设备预先采集一张样本图像,该样本图像的像素尺寸与后续采集的视频图像的每一帧以及形成的相应标记图像的像素尺寸相同;进而确定出进出卡口对应在样本图像(即对应在后续采集的原始图像或形成的标记图像)中的基线,该基线的描述方式具体可以时样本图像中构成该基线的多个连续的像素坐标。
步骤205,当需要对通过指定区域进入指定场所及通过指定区域离开指定场所的行人数量进行计数时,采集指定场所对应的指定区域的视频图像。
步骤206,将视频图像的每一帧原始图像依次输入训练的行人头肩检测模型,使得行人头肩检测模型标记每一帧原始图像中分别携带的至少一个行人头肩区域以形成标记图像后输出。
步骤207,通过跟踪算法对行人头肩检测模型输出的各张标记图像中分别标记的每一个行人头肩区域进行鉴定式追踪,以确定至少一个行人在指定区域的运动轨迹。
其中,运动轨迹由其对应的每一个当前行人头肩区域分别在相应标记图像中的标记位置(像素坐标)构成,且各个当前行人头肩区域对应于同一个行人。
步骤208,针对于每一个运动轨迹,当构成运动轨迹的各个标记位置中存在相邻两个目标标记位置分别位于基线的两侧时,确定两个目标标记位置所分别对应的标记图像之间的顺序关系,根据顺序关系将通过指定区域进入指定场所的进卡行人数量加1,或根据顺序关系将通过指定区域离开指定场所的出卡行人数量加1。
步骤209,确定视频图像的第一帧所对应的起始采集时间点与视频图像的最后一帧所对应的截止采集时间点之间的时间差。
步骤210,根据时间差以及进卡行人数量计算进卡行人流量;根据时间差以及出卡行人数量计算出卡行人流量。
通过如图2所示的实施例的各个步骤,在实现更为准确的得出通过指定区域进入指定场所的进卡行人数量以及离开指定场所的出卡行人数量的同时,相应的,可以更为准确的计算出采集视频图像时所对应的时间段内指定区域的进卡行人流量及出卡行人流量。
基于与本发明方法实施例相同的构思,请参考图3,本发明实施例提供了一种行人计数装置,包括:
训练处理模块301,用于预先训练行人头肩检测模型;
图像采集模块302,用于采集指定场所对应的指定区域的视频图像;
模型调用模块303,用于将所述视频图像的每一帧原始图像依次输入所述行人头肩检测模型,并标记出所述原始图像中的行人头肩区域,以形成标记图像后输出;;
轨迹确定模块304,用于根据每一张所述标记图像中分别标记的各个所述行人头肩区域,确定至少一个行人在所述指定区域的运动轨迹;
计数处理模块305,用于根据各个所述运动轨迹,确定通过所述指定区域进出所述指定场所的行人数量。
基于如图3所示的实施例,本发明一个优选实施例中,所述轨迹确定模块304,用于通过跟踪算法对各张所述标记图像中分别标记的每一个所述行人头肩区域进行鉴定式追踪,以确定至少一个行人在所述指定区域的运动轨迹,其中,所述运动轨迹由其对应的每一个当前行人头肩区域分别在相应标记图像中的标记位置构成,且各个当前行人头肩区域对应于同一个行人。
基于如图3所示的实施例,请参考图4,本发明一个实施例中,还包括:基线确定模块401;其中,
所述基线确定模块401,用于确定设置在所述指定区域的进出卡口对应在各张所述标记图像中的基线;
则,
所述计数处理模块305,用于针对于每一个所述运动轨迹,当构成所述运动轨迹的各个所述标记位置中存在相邻两个目标标记位置分别位于所述基线的两侧时,确定所述两个目标标记位置所分别对应的标记图像之间的顺序关系,根据所述顺序关系将通过所述指定区域进入所述指定场所的进卡行人数量加1,或根据所述顺序关系将通过所述指定区域离开所述指定场所的出卡行人数量加1。
基于如图4所示的实施例,请参考图5,本发明一个优选实施例中,还包括:时间差确定模块501及流量计算模块502;其中,
所述时间差确定模块501,用于确定所述视频图像的第一帧所对应的起始采集时间点与所述视频图像的最后一帧所对应的截止采集时间点之间的时间差;
所述流量计算模块502,用于根据所述时间差以及所述进卡行人数量计算进卡行人流量;和/或,根据所述时间差以及所述出卡行人数量计算出卡行人流量。
基于如图3、图4及图5中任一所述的实施例,本发明一个优选实施例中,所述训练处理模块301,用于执行如下步骤:
获取若干行人在多种不同姿态下分别对应的至少一张头肩区域图像;
获取所述指定区域不含行人时所对应的至少一张环境图像;
将采集的每一张所述头肩区域图像分别作为正样本图像,将采集的每一张所述环境图像作为负样本图像,利用每一张所述正样本图像以及每一张所述负样本图像训练行人头肩检测模型。
图6是本发明一个实施例电子设备的结构示意图。在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry StandardArchitecture,工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended IndustryStandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
在一种可能实现的方式中,处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,也可从其它设备上获取相应的计算机程序,以在逻辑层面上形成行人计数装置。处理器,执行存储器所存放的程序,以通过执行的程序实现本发明任一实施例中提供的行人计数方法。
如图6所示实施例中行人计数装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,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。
结合本发明各个实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
本发明实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行本发明任一实施例中提供的行人计数方法,并具体用于执行如图1/图2所示的方法。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元或模块分别描述。当然,在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本发明中的各个实施例均采用递进的方式描述,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,对于装置及系统实施例而言,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实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理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权利要求范围之内。
Claims (10)
1.一种行人计数方法,其特征在于,包括:
预先训练行人头肩检测模型;
采集指定场所对应的指定区域的视频图像;
将所述视频图像的每一帧原始图像依次输入所述行人头肩检测模型,并标记出所述原始图像中的行人头肩区域,以形成标记图像后输出;
根据每一张所述标记图像中分别标记的各个所述行人头肩区域,确定至少一个行人在所述指定区域的运动轨迹;
根据各个所述运动轨迹,确定通过所述指定区域进出指定场所的行人数量。
2.根据权利要求1所述的方法,其特征在于,
所述根据每一张所述标记图像中分别标记的各个所述行人头肩区域,确定至少一个行人在所述指定区域的运动轨迹,包括:
通过跟踪算法对各张所述标记图像中分别标记的每一个所述行人头肩区域进行鉴定式追踪,以确定至少一个行人在所述指定区域的运动轨迹,其中,所述运动轨迹由其对应的每一个当前行人头肩区域分别在相应标记图像中的标记位置构成,且各个当前行人头肩区域对应于同一个行人。
3.根据权利要求2所述的方法,其特征在于,
还包括:确定设置在所述指定区域的进出卡口对应在各张所述标记图像中的基线;
则,
所述根据各个所述运动轨迹,确定通过所述指定区域进出所述指定场所的行人数量,包括:
针对于每一个所述运动轨迹,当构成所述运动轨迹的各个所述标记位置中存在相邻两个目标标记位置分别位于所述基线的两侧时,确定所述两个目标标记位置所分别对应的标记图像之间的顺序关系,根据所述顺序关系将通过所述指定区域进入所述指定场所的进卡行人数量加1,或根据所述顺序关系将通过所述指定区域离开所述指定场所的出卡行人数量加1。
4.根据权利要求3所述的方法,其特征在于,
还包括:
确定所述视频图像的第一帧所对应的起始采集时间点与所述视频图像的最后一帧所对应的截止采集时间点之间的时间差;
根据所述时间差以及所述进卡行人数量计算进卡行人流量;和/或,根据所述时间差以及所述出卡行人数量计算出卡行人流量。
5.根据权利要求1至4中任一所述的方法,其特征在于,
所述预先训练行人头肩检测模型,包括:
获取若干行人在多种不同姿态下分别对应的至少一张头肩区域图像;
获取所述指定区域不含行人时所对应的至少一张环境图像;
将采集的每一张所述头肩区域图像分别作为正样本图像,将采集的每一张所述环境图像作为负样本图像,利用每一张所述正样本图像以及每一张所述负样本图像训练行人头肩检测模型。
6.一种行人计数装置,其特征在于,包括:
训练处理模块,用于预先训练行人头肩检测模型;
图像采集模块,用于采集指定场所对应的指定区域的视频图像;
模型调用模块,用于将所述视频图像的每一帧原始图像依次输入所述行人头肩检测模型,并标记出所述原始图像中的行人头肩区域,以形成标记图像后输出;;
轨迹确定模块,用于根据每一张所述标记图像中分别标记的各个所述行人头肩区域,确定至少一个行人在所述指定区域的运动轨迹;
计数处理模块,用于根据各个所述运动轨迹,确定通过所述指定区域进出所述指定场所的行人数量。
7.根据权利要求6所述的装置,其特征在于,
所述轨迹确定模块,用于通过跟踪算法对各张所述标记图像中分别标记的每一个所述行人头肩区域进行鉴定式追踪,以确定至少一个行人在所述指定区域的运动轨迹,其中,所述运动轨迹由其对应的每一个当前行人头肩区域分别在相应标记图像中的标记位置构成,且各个当前行人头肩区域对应于同一个行人。
8.根据权利要求7所述的装置,其特征在于,
还包括:基线确定模块;其中,
所述基线确定模块,用于确定设置在所述指定区域的进出卡口对应在各张所述标记图像中的基线;
则,
所述计数处理模块,用于针对于每一个所述运动轨迹,当构成所述运动轨迹的各个所述标记位置中存在相邻两个目标标记位置分别位于所述基线的两侧时,确定所述两个目标标记位置所分别对应的标记图像之间的顺序关系,根据所述顺序关系将通过所述指定区域进入所述指定场所的进卡行人数量加1,或根据所述顺序关系将通过所述指定区域离开所述指定场所的出卡行人数量加1。
9.根据权利要求8所述的装置,其特征在于,
还包括:时间差确定模块及流量计算模块;其中,
所述时间差确定模块,用于确定所述视频图像的第一帧所对应的起始采集时间点与所述视频图像的最后一帧所对应的截止采集时间点之间的时间差;
所述流量计算模块,用于根据所述时间差以及所述进卡行人数量计算进卡行人流量;和/或,根据所述时间差以及所述出卡行人数量计算出卡行人流量。
10.根据权利要求6至9中任一所述的装置,其特征在于,
所述训练处理模块,用于执行如下步骤:
获取若干行人在多种不同姿态下分别对应的至少一张头肩区域图像;
获取所述指定区域不含行人时所对应的至少一张环境图像;
将采集的每一张所述头肩区域图像分别作为正样本图像,将采集的每一张所述环境图像作为负样本图像,利用每一张所述正样本图像以及每一张所述负样本图像训练行人头肩检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810935219.9A CN109101929A (zh) | 2018-08-16 | 2018-08-16 | 一种行人计数方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810935219.9A CN109101929A (zh) | 2018-08-16 | 2018-08-16 | 一种行人计数方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109101929A true CN109101929A (zh) | 2018-12-28 |
Family
ID=64849908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810935219.9A Pending CN109101929A (zh) | 2018-08-16 | 2018-08-16 | 一种行人计数方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109101929A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222616A (zh) * | 2019-05-28 | 2019-09-10 | 浙江大华技术股份有限公司 | 行人异常行为检测方法、图像处理装置及存储装置 |
CN110472552A (zh) * | 2019-08-09 | 2019-11-19 | 杭州义顺科技有限公司 | 基于图像物体检测技术的利用摄像头的视频实物计数方法 |
CN110688884A (zh) * | 2019-02-28 | 2020-01-14 | 成都通甲优博科技有限责任公司 | 客流统计方法及装置 |
CN111382637A (zh) * | 2018-12-29 | 2020-07-07 | 深圳市优必选科技有限公司 | 行人检测跟踪方法、装置、终端设备及介质 |
CN111860067A (zh) * | 2019-04-30 | 2020-10-30 | 百度时代网络技术(北京)有限公司 | 用于获取跟踪轨迹的方法及装置 |
CN111950491A (zh) * | 2020-08-19 | 2020-11-17 | 成都飞英思特科技有限公司 | 一种人员密度的监控方法、装置及计算机可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103021059A (zh) * | 2012-12-12 | 2013-04-03 | 天津大学 | 一种基于视频监控的公交客流计数方法 |
CN103049787A (zh) * | 2011-10-11 | 2013-04-17 | 汉王科技股份有限公司 | 一种基于头肩特征的人数统计方法和系统 |
CN103646250A (zh) * | 2013-09-13 | 2014-03-19 | 魏运 | 基于距离图像头肩特征的行人监测方法及装置 |
CN104318263A (zh) * | 2014-09-24 | 2015-01-28 | 南京邮电大学 | 一种实时高精度人流计数方法 |
CN105139425A (zh) * | 2015-08-28 | 2015-12-09 | 浙江宇视科技有限公司 | 一种人数统计方法及装置 |
CN106570449A (zh) * | 2016-02-29 | 2017-04-19 | 浙江工业大学 | 一种基于区域定义的人流量与人气指数检测方法及检测系统 |
CN106951885A (zh) * | 2017-04-08 | 2017-07-14 | 广西师范大学 | 一种基于视频分析的人流量统计方法 |
CN107103279A (zh) * | 2017-03-09 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种在垂直视角下基于深度学习的客流计数方法 |
CN108363953A (zh) * | 2018-01-12 | 2018-08-03 | 浙江大华技术股份有限公司 | 一种行人检测的方法及双目监控设备 |
-
2018
- 2018-08-16 CN CN201810935219.9A patent/CN109101929A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049787A (zh) * | 2011-10-11 | 2013-04-17 | 汉王科技股份有限公司 | 一种基于头肩特征的人数统计方法和系统 |
CN103021059A (zh) * | 2012-12-12 | 2013-04-03 | 天津大学 | 一种基于视频监控的公交客流计数方法 |
CN103646250A (zh) * | 2013-09-13 | 2014-03-19 | 魏运 | 基于距离图像头肩特征的行人监测方法及装置 |
CN104318263A (zh) * | 2014-09-24 | 2015-01-28 | 南京邮电大学 | 一种实时高精度人流计数方法 |
CN105139425A (zh) * | 2015-08-28 | 2015-12-09 | 浙江宇视科技有限公司 | 一种人数统计方法及装置 |
CN106570449A (zh) * | 2016-02-29 | 2017-04-19 | 浙江工业大学 | 一种基于区域定义的人流量与人气指数检测方法及检测系统 |
CN107103279A (zh) * | 2017-03-09 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种在垂直视角下基于深度学习的客流计数方法 |
CN106951885A (zh) * | 2017-04-08 | 2017-07-14 | 广西师范大学 | 一种基于视频分析的人流量统计方法 |
CN108363953A (zh) * | 2018-01-12 | 2018-08-03 | 浙江大华技术股份有限公司 | 一种行人检测的方法及双目监控设备 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382637A (zh) * | 2018-12-29 | 2020-07-07 | 深圳市优必选科技有限公司 | 行人检测跟踪方法、装置、终端设备及介质 |
CN111382637B (zh) * | 2018-12-29 | 2023-08-08 | 深圳市优必选科技有限公司 | 行人检测跟踪方法、装置、终端设备及介质 |
CN110688884A (zh) * | 2019-02-28 | 2020-01-14 | 成都通甲优博科技有限责任公司 | 客流统计方法及装置 |
CN111860067A (zh) * | 2019-04-30 | 2020-10-30 | 百度时代网络技术(北京)有限公司 | 用于获取跟踪轨迹的方法及装置 |
CN110222616A (zh) * | 2019-05-28 | 2019-09-10 | 浙江大华技术股份有限公司 | 行人异常行为检测方法、图像处理装置及存储装置 |
CN110222616B (zh) * | 2019-05-28 | 2021-08-31 | 浙江大华技术股份有限公司 | 行人异常行为检测方法、图像处理装置及存储装置 |
CN113408352A (zh) * | 2019-05-28 | 2021-09-17 | 浙江大华技术股份有限公司 | 行人异常行为检测方法、图像处理装置及存储装置 |
CN110472552A (zh) * | 2019-08-09 | 2019-11-19 | 杭州义顺科技有限公司 | 基于图像物体检测技术的利用摄像头的视频实物计数方法 |
CN111950491A (zh) * | 2020-08-19 | 2020-11-17 | 成都飞英思特科技有限公司 | 一种人员密度的监控方法、装置及计算机可读存储介质 |
CN111950491B (zh) * | 2020-08-19 | 2024-04-02 | 成都飞英思特科技有限公司 | 一种人员密度的监控方法、装置及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109101929A (zh) | 一种行人计数方法及装置 | |
US20130243343A1 (en) | Method and device for people group detection | |
TWI448977B (zh) | 基於視訊分析的物件計數方法與裝置 | |
CN109086734A (zh) | 一种对人眼图像中瞳孔图像进行定位的方法及装置 | |
CN109740420A (zh) | 车辆违法识别方法及相关产品 | |
CN107886104A (zh) | 一种图像的标注方法 | |
CN107808126A (zh) | 车辆检索方法及装置 | |
CN109190639A (zh) | 一种车辆颜色识别方法、装置及系统 | |
CN107591005A (zh) | 动静态检测相结合的停车区域管理方法、服务器及系统 | |
Wang et al. | When pedestrian detection meets nighttime surveillance: A new benchmark | |
CN109784290A (zh) | 一种目标检测方法、装置、设备及可读存储介质 | |
CN109102026A (zh) | 一种车辆图像检测方法、装置及系统 | |
CN103530638A (zh) | 多摄像头下的行人匹配方法 | |
CN111860494A (zh) | 图像目标检测的优化方法、装置、电子设备和存储介质 | |
CN107346414A (zh) | 行人属性识别方法和装置 | |
CN109271910A (zh) | 一种文字识别、文字翻译方法和装置 | |
Daniel Costea et al. | Fast boosting based detection using scale invariant multimodal multiresolution filtered features | |
CN105608209A (zh) | 一种视频标注方法和视频标注装置 | |
CN104463240A (zh) | 一种控制列表界面的方法及装置 | |
CN114998819A (zh) | 多维度检测跟踪的客流统计方法、装置、设备和介质 | |
CN103745197A (zh) | 一种车牌检测方法及装置 | |
CN110264523A (zh) | 一种确定测试图像中的目标图像的位置信息的方法与设备 | |
TWI738026B (zh) | 從多個臉部中選擇目標臉部及臉部識別比對方法、裝置 | |
Wu et al. | Vehicle Classification and Counting System Using YOLO Object Detection Technology. | |
CN110188607A (zh) | 一种多线程并行计算的交通视频目标检测方法及装置 |
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: 20181228 |
|
RJ01 | Rejection of invention patent application after publication |