CN109101930A - 一种人群计数方法及系统 - Google Patents

一种人群计数方法及系统 Download PDF

Info

Publication number
CN109101930A
CN109101930A CN201810943881.9A CN201810943881A CN109101930A CN 109101930 A CN109101930 A CN 109101930A CN 201810943881 A CN201810943881 A CN 201810943881A CN 109101930 A CN109101930 A CN 109101930A
Authority
CN
China
Prior art keywords
neural network
scale pyramid
samples pictures
width
density
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.)
Granted
Application number
CN201810943881.9A
Other languages
English (en)
Other versions
CN109101930B (zh
Inventor
桑农
陈新雅
宾言锐
高常鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201810943881.9A priority Critical patent/CN109101930B/zh
Publication of CN109101930A publication Critical patent/CN109101930A/zh
Application granted granted Critical
Publication of CN109101930B publication Critical patent/CN109101930B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Abstract

本发明公开了一种基于尺度金字塔神经网络的人群计数方法及系统，其中的尺度金字塔神经网络结构以VGG‑16为基本骨架，在高层嵌入尺度金字塔模块提取多尺度高层特征，其中的尺度金字塔模块由四个扩张率不同的空洞卷积平行组成。输入图片到网络，经过一系列卷积后得到高层特征并传递给尺度金字塔模块，产生四种特征图，这四种特征图与输入该模块的特征图在“通道”维度串联，传递给接下来的卷积层，最终通过1×1的卷积得到密度图。本发明方式相比于现有技术具有更高效、更准确、更简单的网络结构，并能将处理多尺度问题的模块应用于深网络中。

Description

一种人群计数方法及系统
技术领域
本发明属于计算机视觉领域，更具体地，涉及一种人群计数或人群密度估计的方法及系统。
背景技术
人群计数是计算机视觉领域的一个重要研究方向，它在视频监控、公共安全、流量监测、交通监控及场景理解等领域有着广泛应用。该任务的一大难点是场景内及场景间的尺度变化，即多尺度问题。目前解决多尺度问题的方法主要分为三类：第一类是基于多列结构的方法，这种方法采用多列结构，每列卷积核设置不同的尺寸，以获取不同的感受野来适应不同尺寸的人头。第二类是基于图像金字塔的方法，该方法将图片缩放成多个尺度然后采样训练以获取多尺度信息。第三类是基于高低层特征融合的方法，该方法通过不同层提取不同尺度的信息。近几年大多工作采用第一类方法，该方法虽然在多尺度场景中具有一定的鲁棒性，但是存在两个明显的缺点，首先其多列结构和大尺寸的卷积核导致了参数的增加，从而导致训练时间和计算量的增加，其次这种结构需要预先训练每一列，再整合训练，这导致了训练复杂度和训练时间的增加，而且大尺寸的卷积核也导致训练难度的增加。这些缺点致使这种方法难以应用于较深的网络，而一个单列的深网络已经被证明拥有更好的效果。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种人群计数方法及系统，由此解决现有基于多列结构的方法存在的训练时间较长、计算量较大、训练复杂度较高及训练难度较大的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种人群计数方法，包括：
对于给定的具有标注信息的数据集，分别根据所述数据集中每幅样本图片中的人头位置信息生成每幅样本图片对应的初始密度真值图，对各样本图片进行数据增强处理得到训练样本集，并对所述训练样本集进行适应于尺度金字塔神经网络结构的处理，得到每幅样本图片对应于所述尺度金字塔神经网络输出尺寸的目标密度真值图，其中，所述数据集中包含样本图片及各样本图片中每个人头中心位置的坐标信息；
构建所述尺度金字塔神经网络结构，其中，所述尺度金字塔神经网络结构以VGG-16为基本骨架，去除所述VGG-16中的所有全连接层以及最后两个最大池化层，并在Conv4_3与Conv5_1之间嵌入提取多尺度高层特征的尺度金字塔模块，以得到每幅样本图片对应的密度估计图；
基于所述训练样本集对所述尺度金字塔神经网络进行训练，对于从所述VGG-16中引入的层采用预训练模型进行初始化，对于剩余层采用高斯核初始化，然后采用随机梯度下降与动量结合的方式优化损失函数，直到所述损失函数收敛到预设值，得到目标尺度金字塔神经网络模型，进而根据所述目标尺度金字塔神经网络模型来对输入图片进行人群计数，其中，所述损失函数为所述密度估计图与所述目标密度真值图之间的欧式距离。
优选地，所述初始密度真值图为：其中，N为单张图片中的总人数，xi为第i个人头位置的像素坐标，δ(x-xi)为δ函数，为第i个人头对应的高斯核，σi为高斯核的方差。
优选地，所述对各样本图片进行数据增强处理得到训练样本集，包括：
分别对每幅样本图片进行随机裁剪得到若干个尺寸小于对应样本图片尺寸的子样本，然后对各样本图片对应的每个子样本进行水平方向的镜像，最终得到训练样本集。
优选地，将每幅样本图片对应的初始密度真值图缩小至初始的1/64得到每幅样本图片对应于所述尺度金字塔神经网络输出尺寸的目标密度真值图。
优选地，所述得到每幅样本图片对应的密度估计图，包括：
由Conv4_3输出的特征图通过所述尺度金字塔模块的四种空洞卷积后得到四种特征图，所述四种特征图与Conv4_3输出的特征图在通道维度上连接，传递到Conv5_1，最后在Con5_3后进行卷积及Relu激活函数激活后得到密度估计图，其中，所述尺度金字塔模块由四种扩张率不同的空洞卷积平行组成。
优选地，所述损失函数为：其中，M为输入所述尺度金字塔神经网络的图片数量，Xi为第i幅输入图片，F(Xi；Θ)为第i幅输入图片对应的密度估计图，Fi为第i幅输入图片对应的目标密度真值图，Θ表示网络待学习参数。
优选地，所述根据所述目标尺度金字塔神经网络模型来对输入图片进行人群计数，包括：
输入图片至所述目标尺度金字塔神经网络模型，得到与所述输入图片对应的密度估计图，对所述密度估计图进行积分得到估计人数。
按照本发明的另一方面，提供了一种人群计数系统，包括：
样本集制作模块，用于分别根据每幅样本图片中的人头位置信息生成每幅样本图片对应的初始密度真值图，对各样本图片进行数据增强处理得到训练样本集，并对所述训练样本集进行适应于尺度金字塔神经网络结构的处理，得到每幅样本图片对应于所述尺度金字塔神经网络输出尺寸的目标密度真值图；
网络构建模块，用于构建所述尺度金字塔神经网络结构，其中，所述尺度金字塔神经网络结构以VGG-16为基本骨架，去除所述VGG-16中的所有全连接层以及最后两个最大池化层，并在Conv4_3与Conv5_1之间嵌入提取多尺度高层特征的尺度金字塔模块，以得到每幅样本图片对应的密度估计图；
训练模块，用于基于所述训练样本集对所述尺度金字塔神经网络进行训练，对于从所述VGG-16中引入的层采用预训练模型进行初始化，对于剩余层采用高斯核初始化，然后采用随机梯度下降与动量结合的方式优化损失函数，直到所述损失函数收敛到预设值，得到目标尺度金字塔神经网络模型，其中，所述损失函数为所述密度估计图与所述目标密度真值图之间的欧式距离；
测试模块，用于根据所述目标尺度金字塔神经网络模型来对输入图片进行人群计数。
总体而言，本发明所设计的网络结构更高效、更准确、更简单，并能将处理多尺度问题的模块应用于深网络。
附图说明
图1是本发明实施例提供的一种人群计数方法的流程示意图；
图2是本发明实施例提供的一种尺度金字塔神经网络的网络结构，其中，Conv表示卷积操作，Conv下方的数字表示卷积核大小-通道数-扩张率，Max pooling表示最大池化；
图3中第一列为输入图像，第二列为对应的实际人群密度图，第三列为通过本发明生成的人群密度图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示为本发明实施例提供的一种人群计数方法的流程示意图，包括以下步骤：
(1)制作样本集：对于给定的具有标注信息的数据集，其中数据集中包含图片及每个人头中心位置的坐标信息，分别根据每幅样本图片中的人头位置信息生成每幅样本图片对应的初始密度真值图，对各样本图片进行数据增强处理得到训练样本集，并对训练样本集进行适应于尺度金字塔神经网络结构的处理，得到每幅样本图片对应于尺度金字塔神经网络输出尺寸的目标密度真值图；
在本发明实施例中，每幅样本图片对应的初始密度真值图为：
其中，N为单张图片中的总人数，xi为第i个人头位置的像素坐标，δ(x-xi)为δ函数，为第i个人头对应的高斯核，σ由样本集中的人头尺寸来决定，密度真值图的积分即为总人数，σi为为高斯核的方差。
在本发明实施例中，通过以下方式对各样本图片进行数据增强：
分别对每幅样本图片进行随机裁剪得到若干个尺寸小于对应样本拖尺寸的子样本，然后对各样本图片对应的每个子样本进行水平方向的镜像，最终得到训练样本集。
作为一种可选的实施方式，可以对每张图片随机裁剪得到9个尺寸为原来1/4的子样本。
在本发明实施例中，由于尺度金字塔神经网络结构存在三个最大池化层，因此将初始密度真值图F(x)缩小至初始的1/64得到每幅样本图片对应于尺度金字塔神经网络输出尺寸的目标密度真值图。
(2)构建尺度金字塔神经网络结构，其中，建立的尺度金字塔神经网络结构如图2所示，该结构以VGG-16为基本骨架，但去除VGG-16中的所有全连接层以及最后两个最大池化层，然后在Conv4_3与Conv5_1之间嵌入提取多尺度高层特征的尺度金字塔模块，该模块由四个扩张率不同的空洞卷积平行组成，扩张率可以为2，4，8，12。Conv4_3输出的特征图通过尺度金字塔模块的四种空洞卷积后得到四种特征图，这四种特征图与Conv4_3输出的特征图在“通道”维度上串联连接，传递到Conv5_1，最后在Con5_3后进行卷积(该卷积核大小为1×1)及Relu激活函数激活后得到密度估计图。
(3)对尺度金字塔神经网络进行训练：首先对网络进行初始化，对于从VGG-16中引入的层采用预训练模型进行初始化，剩余层采用高斯核(该高斯核的标准差可以为0.01)初始化；然后采用随机梯度下降与动量结合的方式优化损失函数L(Θ)，直到损失函数收敛到预设值，得到目标尺度金字塔神经网络模型。
其中，预设值为一个较小的值，其可以根据实际需要进行确定。
其中，损失函数L(Θ)为密度估计图与目标密度真值图之间的欧式距离，并采用L2正则化防止过拟合，其中，动量设置可以为0.9，权重衰减设置可以为0.0005。
其中，M为输入尺度金字塔神经网络中的图片数量，Xi为第i幅输入图片，F(Xi；Θ)为第i幅输入图片对应的密度估计图，Fi为第i幅输入图片对应的目标密度真值图，Θ表示网络待学习参数。
(4)利用训练得到的目标尺度金字塔神经网络模型对图片进行人数估计：输入图片至目标尺度金字塔神经网络模型，得到密度估计图，对密度估计图进行积分得到估计人数。
通过在三个公共数据集(ShanghaiTech数据集、UCF_CC_50数据集、UCSD数据集)上与其它方法进行了比较，采用平均绝对误差(Mean Absolute Error，MAE)和均方误差(Mean-Square Error，MSE)来衡量各方法的准确性，其中，
其中，N为图片数量，zi为第i幅图像中的真值人头数，为估计的人头数。
在ShanghaiTech数据集上，本发明与现有技术的对比，如下表1所示(SPN为本发明得到的模型)：
表1
在UCF_CC_50数据集上，本发明与现有技术的对比，如下表2所示：
表2
方法 MAE MSE
Idrees et al. 419.5 541.6
Zhang et al. 467.0 498.5
MCNN 377.6 509.1
Hydra-2s 333.7 425.2
Hydra-3s 465.7 371.8
Walach et al. 364.4 341.4
Marsden et al, 338.6 424.5
Cascaded-MTL 322.8 397.9
Switching-CNN 318.1 439.2
SaCNN 314.9 424.8
CP-CNN 295.8 320.9
AMDCN 390.82 -
Liu et al.(keyword) 279.6 388.9
CSRNet 266.1 397.5
SPN 259.2 335.9
在UCSD数据集上，本发明与现有技术的对比，如下表3所示:
表3
方法 MAE MSE
Zhang et al. 1.60 3.31
CCNN 1.51 -
Switching-CNN 1.62 2.10
FCN-rLSTM 1.54 3.02
CSRNet 1.16 1.47
MCNN 1.07 1.35
SPN 1.16 1.46
如图3所示，第一列为输入图像，第二列为对应的实际人群密度图，第三列为通过本发明生成的人群密度图。从图3可以看出本发明所设计的尺度金字塔神经网络可以得到较为准确的人数估计。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种人群计数方法，其特征在于，包括：
对于给定的具有标注信息的数据集，分别根据所述数据集中每幅样本图片中的人头位置信息生成每幅样本图片对应的初始密度真值图，对各样本图片进行数据增强处理得到训练样本集，并对所述训练样本集进行适应于尺度金字塔神经网络结构的处理，得到每幅样本图片对应于所述尺度金字塔神经网络输出尺寸的目标密度真值图，其中，所述数据集中包含样本图片及各样本图片中每个人头中心位置的坐标信息；
构建所述尺度金字塔神经网络结构，其中，所述尺度金字塔神经网络结构以VGG-16为基本骨架，去除所述VGG-16中的所有全连接层以及最后两个最大池化层，并在Conv4_3与Conv5_1之间嵌入提取多尺度高层特征的尺度金字塔模块，以得到每幅样本图片对应的密度估计图；
基于所述训练样本集对所述尺度金字塔神经网络进行训练，对于从所述VGG-16中引入的层采用预训练模型进行初始化，对于剩余层采用高斯核初始化，然后采用随机梯度下降与动量结合的方式优化损失函数，直到所述损失函数收敛到预设值，得到目标尺度金字塔神经网络模型，进而根据所述目标尺度金字塔神经网络模型来对输入图片进行人群计数，其中，所述损失函数为所述密度估计图与所述目标密度真值图之间的欧式距离。
2.根据权利要求1所述的方法，其特征在于，所述初始密度真值图为：其中，N为单张图片中的总人数，xi为第i个人头位置的像素坐标，δ(x-xi)为δ函数，为第i个人头对应的高斯核，σi为高斯核的方差。
3.根据权利要求1所述的方法，其特征在于，所述对各样本图片进行数据增强处理得到训练样本集，包括：
分别对每幅样本图片进行随机裁剪得到若干个尺寸小于对应样本图片尺寸的子样本，然后对各样本图片对应的每个子样本进行水平方向的镜像，最终得到训练样本集。
4.根据权利要求2所述的方法，其特征在于，将每幅样本图片对应的初始密度真值图缩小至初始的1/64得到每幅样本图片对应于所述尺度金字塔神经网络输出尺寸的目标密度真值图。
5.根据权利要求4所述的方法，其特征在于，所述得到每幅样本图片对应的密度估计图，包括：
由Conv4_3输出的特征图通过所述尺度金字塔模块的四种空洞卷积后得到四种特征图，所述四种特征图与Conv4_3输出的特征图在通道维度上连接，传递到Conv5_1，最后在Con5_3后进行卷积及Relu激活函数激活后得到密度估计图，其中，所述尺度金字塔模块由四种扩张率不同的空洞卷积平行组成。
6.根据权利要求5所述的方法，其特征在于，所述损失函数为：其中，M为输入所述尺度金字塔神经网络的图片数量，Xi为第i幅输入图片，F(Xi；Θ)为第i幅输入图片对应的密度估计图，Fi为第i幅输入图片对应的目标密度真值图，Θ表示网络待学习参数。
7.根据权利要求1至6任意一项所述的方法，其特征在于，所述根据所述目标尺度金字塔神经网络模型来对输入图片进行人群计数，包括：
输入图片至所述目标尺度金字塔神经网络模型，得到与所述输入图片对应的密度估计图，对所述密度估计图进行积分得到估计人数。
8.一种人群计数系统，其特征在于，包括：
样本集制作模块，用于对于给定的具有标注信息的数据集，分别根据所述数据集中每幅样本图片中的人头位置信息生成每幅样本图片对应的初始密度真值图，对各样本图片进行数据增强处理得到训练样本集，并对所述训练样本集进行适应于尺度金字塔神经网络结构的处理，得到每幅样本图片对应于所述尺度金字塔神经网络输出尺寸的目标密度真值图，其中，所述数据集中包含样本图片及各样本图片中每个人头中心位置的坐标信息；
网络构建模块，用于构建所述尺度金字塔神经网络结构，其中，所述尺度金字塔神经网络结构以VGG-16为基本骨架，去除所述VGG-16中的所有全连接层以及最后两个最大池化层，并在Conv4_3与Conv5_1之间嵌入提取多尺度高层特征的尺度金字塔模块，以得到每幅样本图片对应的密度估计图；
训练模块，用于基于所述训练样本集对所述尺度金字塔神经网络进行训练，对于从所述VGG-16中引入的层采用预训练模型进行初始化，对于剩余层采用高斯核初始化，然后采用随机梯度下降与动量结合的方式优化损失函数，直到所述损失函数收敛到预设值，得到目标尺度金字塔神经网络模型，其中，所述损失函数为所述密度估计图与所述目标密度真值图之间的欧式距离；
测试模块，用于根据所述目标尺度金字塔神经网络模型来对输入图片进行人群计数。
CN201810943881.9A 2018-08-18 2018-08-18 一种人群计数方法及系统 Active CN109101930B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810943881.9A CN109101930B (zh) 2018-08-18 2018-08-18 一种人群计数方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810943881.9A CN109101930B (zh) 2018-08-18 2018-08-18 一种人群计数方法及系统

Publications (2)

Publication Number Publication Date
CN109101930A true CN109101930A (zh) 2018-12-28
CN109101930B CN109101930B (zh) 2020-08-18

Family

ID=64850300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810943881.9A Active CN109101930B (zh) 2018-08-18 2018-08-18 一种人群计数方法及系统

Country Status (1)

Country Link
CN (1) CN109101930B (zh)

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109766848A (zh) * 2019-01-15 2019-05-17 四川大学 一种基于监控视频的行人视力状况调查分析方法
CN109815919A (zh) * 2019-01-28 2019-05-28 上海七牛信息技术有限公司 一种人群计数方法、网络、系统和电子设备
CN109919112A (zh) * 2019-04-02 2019-06-21 郑州大学 一种复杂场景中流动人群的分布与计数检测的方法
CN110020606A (zh) * 2019-03-13 2019-07-16 北京工业大学 一种基于多尺度卷积神经网络的人群密度估计方法
CN110084155A (zh) * 2019-04-12 2019-08-02 苏州大学 一种密集人数计数的方法、装置、设备以及存储介质
CN110188597A (zh) * 2019-01-04 2019-08-30 北京大学 一种基于注意力机制循环缩放的密集人群计数与精确定位方法和系统
CN110210603A (zh) * 2019-06-10 2019-09-06 长沙理工大学 人群的计数模型构建方法、计数方法和装置
CN110765833A (zh) * 2019-08-19 2020-02-07 中云智慧（北京）科技有限公司 一种基于深度学习的人群密度估计方法
CN110853025A (zh) * 2019-11-15 2020-02-28 苏州大学 基于多列残差空洞卷积神经网络的人群密度预测方法
CN111091093A (zh) * 2019-12-17 2020-05-01 苏州大学 一种高密度人群的数量估测方法、系统及相关装置
CN111126281A (zh) * 2019-12-25 2020-05-08 重庆紫光华山智安科技有限公司 一种人群密度估计方法、装置、存储介质及电子设备
CN111209892A (zh) * 2020-01-19 2020-05-29 浙江中创天成科技有限公司 一种基于卷积神经网络的人群密度及数量估计方法
CN111274864A (zh) * 2019-12-06 2020-06-12 长沙千视通智能科技有限公司 人群聚集的判断方法及人群聚集的判断装置
CN111310805A (zh) * 2020-01-22 2020-06-19 中能国际建筑投资集团有限公司 一种对图像中的目标进行密度预测的方法、装置及介质
CN111428809A (zh) * 2020-04-02 2020-07-17 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 基于空间信息融合与卷积神经网络的人群计数方法
CN111476188A (zh) * 2020-04-14 2020-07-31 山东师范大学 基于特征金字塔的人群计数方法、系统、介质及电子设备
WO2020169043A1 (zh) * 2019-02-21 2020-08-27 苏州大学 一种密集人群计数的方法、装置、设备以及存储介质
CN111611878A (zh) * 2020-04-30 2020-09-01 杭州电子科技大学 一种基于视频图像的人群计数和未来人流量预测的方法
CN111626184A (zh) * 2020-05-25 2020-09-04 齐鲁工业大学 一种人群密度估计方法及系统
CN111709290A (zh) * 2020-05-18 2020-09-25 杭州电子科技大学 基于编解码-跳跃连接尺度金字塔网络的人群计数方法
CN111709300A (zh) * 2020-05-20 2020-09-25 杭州电子科技大学 基于视频图像的人群计数方法
CN111951260A (zh) * 2020-08-21 2020-11-17 苏州大学 基于部分特征融合卷积神经网络实时目标计数系统及方法
CN112364788A (zh) * 2020-11-13 2021-02-12 润联软件系统(深圳)有限公司 基于深度学习的监控视频人群数量监测方法及其相关组件
CN112767316A (zh) * 2020-12-31 2021-05-07 山东师范大学 一种基于多尺度交互式网络的人群计数方法及系统
WO2022222233A1 (zh) * 2021-04-23 2022-10-27 上海海事大学 一种基于usv的障碍物分割网络及其生成方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650913A (zh) * 2016-12-31 2017-05-10 中国科学技术大学 一种基于深度卷积神经网络的车流密度估计方法
US20180018524A1 (en) * 2015-12-16 2018-01-18 Intel Corporation Fully convolutional pyramid networks for pedestrian detection
CN107657226A (zh) * 2017-09-22 2018-02-02 电子科技大学 一种基于深度学习的人数估计方法
CN107742099A (zh) * 2017-09-30 2018-02-27 四川云图睿视科技有限公司 一种基于全卷积网络的人群密度估计、人数统计的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180018524A1 (en) * 2015-12-16 2018-01-18 Intel Corporation Fully convolutional pyramid networks for pedestrian detection
CN106650913A (zh) * 2016-12-31 2017-05-10 中国科学技术大学 一种基于深度卷积神经网络的车流密度估计方法
CN107657226A (zh) * 2017-09-22 2018-02-02 电子科技大学 一种基于深度学习的人数估计方法
CN107742099A (zh) * 2017-09-30 2018-02-27 四川云图睿视科技有限公司 一种基于全卷积网络的人群密度估计、人数统计的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DEEPAK BABU SAM ET AL.: ""Divide and Grow: Capturing Huge Diversity in Crowd Images with Incrementally Growing CNN"", 《ARXIV:1807.09993V1》 *
VISHWANATH A. SINDAGI ET AL.: ""Generating High-Quality Crowd Density Maps using Contextual Pyramid CNNs"", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 *
时增林 等: ""基于序的空间金字塔池化网络的人群计数方法"", 《自动化学报》 *

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188597A (zh) * 2019-01-04 2019-08-30 北京大学 一种基于注意力机制循环缩放的密集人群计数与精确定位方法和系统
CN109766848B (zh) * 2019-01-15 2022-05-03 四川大学 一种基于监控视频的行人视力状况调查分析方法
CN109766848A (zh) * 2019-01-15 2019-05-17 四川大学 一种基于监控视频的行人视力状况调查分析方法
CN109815919A (zh) * 2019-01-28 2019-05-28 上海七牛信息技术有限公司 一种人群计数方法、网络、系统和电子设备
WO2020169043A1 (zh) * 2019-02-21 2020-08-27 苏州大学 一种密集人群计数的方法、装置、设备以及存储介质
CN110020606B (zh) * 2019-03-13 2021-03-30 北京工业大学 一种基于多尺度卷积神经网络的人群密度估计方法
CN110020606A (zh) * 2019-03-13 2019-07-16 北京工业大学 一种基于多尺度卷积神经网络的人群密度估计方法
CN109919112A (zh) * 2019-04-02 2019-06-21 郑州大学 一种复杂场景中流动人群的分布与计数检测的方法
CN110084155B (zh) * 2019-04-12 2022-04-12 苏州大学 一种密集人数计数的方法、装置、设备以及存储介质
CN110084155A (zh) * 2019-04-12 2019-08-02 苏州大学 一种密集人数计数的方法、装置、设备以及存储介质
CN110210603A (zh) * 2019-06-10 2019-09-06 长沙理工大学 人群的计数模型构建方法、计数方法和装置
CN110765833A (zh) * 2019-08-19 2020-02-07 中云智慧（北京）科技有限公司 一种基于深度学习的人群密度估计方法
CN110853025A (zh) * 2019-11-15 2020-02-28 苏州大学 基于多列残差空洞卷积神经网络的人群密度预测方法
CN111274864A (zh) * 2019-12-06 2020-06-12 长沙千视通智能科技有限公司 人群聚集的判断方法及人群聚集的判断装置
CN111091093A (zh) * 2019-12-17 2020-05-01 苏州大学 一种高密度人群的数量估测方法、系统及相关装置
CN111126281B (zh) * 2019-12-25 2021-03-09 重庆紫光华山智安科技有限公司 一种人群密度估计方法、装置、存储介质及电子设备
CN111126281A (zh) * 2019-12-25 2020-05-08 重庆紫光华山智安科技有限公司 一种人群密度估计方法、装置、存储介质及电子设备
CN111209892A (zh) * 2020-01-19 2020-05-29 浙江中创天成科技有限公司 一种基于卷积神经网络的人群密度及数量估计方法
CN111310805A (zh) * 2020-01-22 2020-06-19 中能国际建筑投资集团有限公司 一种对图像中的目标进行密度预测的方法、装置及介质
CN111310805B (zh) * 2020-01-22 2023-05-30 中能国际高新科技研究院有限公司 一种对图像中的目标进行密度预测的方法、装置及介质
CN111428809A (zh) * 2020-04-02 2020-07-17 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 基于空间信息融合与卷积神经网络的人群计数方法
CN111476188B (zh) * 2020-04-14 2023-09-12 山东师范大学 基于特征金字塔的人群计数方法、系统、介质及电子设备
CN111476188A (zh) * 2020-04-14 2020-07-31 山东师范大学 基于特征金字塔的人群计数方法、系统、介质及电子设备
CN111611878B (zh) * 2020-04-30 2022-07-22 杭州电子科技大学 一种基于视频图像的人群计数和未来人流量预测的方法
CN111611878A (zh) * 2020-04-30 2020-09-01 杭州电子科技大学 一种基于视频图像的人群计数和未来人流量预测的方法
CN111709290A (zh) * 2020-05-18 2020-09-25 杭州电子科技大学 基于编解码-跳跃连接尺度金字塔网络的人群计数方法
CN111709300A (zh) * 2020-05-20 2020-09-25 杭州电子科技大学 基于视频图像的人群计数方法
CN111626184A (zh) * 2020-05-25 2020-09-04 齐鲁工业大学 一种人群密度估计方法及系统
CN111626184B (zh) * 2020-05-25 2022-04-15 齐鲁工业大学 一种人群密度估计方法及系统
CN111951260A (zh) * 2020-08-21 2020-11-17 苏州大学 基于部分特征融合卷积神经网络实时目标计数系统及方法
CN112364788A (zh) * 2020-11-13 2021-02-12 润联软件系统(深圳)有限公司 基于深度学习的监控视频人群数量监测方法及其相关组件
CN112364788B (zh) * 2020-11-13 2021-08-03 润联软件系统(深圳)有限公司 基于深度学习的监控视频人群数量监测方法及其相关组件
CN112767316A (zh) * 2020-12-31 2021-05-07 山东师范大学 一种基于多尺度交互式网络的人群计数方法及系统
WO2022222233A1 (zh) * 2021-04-23 2022-10-27 上海海事大学 一种基于usv的障碍物分割网络及其生成方法

Also Published As

Publication number Publication date
CN109101930B (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
CN109101930A (zh) 一种人群计数方法及系统
Yu et al. Deep learning in remote sensing scene classification: a data augmentation enhanced convolutional neural network framework
CN108717568B (zh) 一种基于三维卷积神经网络的图像特征提取与训练方法
CN106548192B (zh) 基于神经网络的图像处理方法、装置和电子设备
CN105528589B (zh) 基于多列卷积神经网络的单张图像人群计数算法
Chen et al. Assessing four neural networks on handwritten digit recognition dataset (MNIST)
CN107330364A (zh) 一种基于cGAN网络的人群计数方法及系统
CN109726683A (zh) 目标对象检测方法和装置、电子设备和存储介质
CN107463920A (zh) 一种消除局部遮挡物影响的人脸识别方法
CN105608454B (zh) 基于文字结构部件检测神经网络的文字检测方法及系统
CN107529650A (zh) 网络模型的构建和闭环检测方法、相应装置及计算机设备
CN110363210A (zh) 一种图像语义分割模型的训练方法和服务器
CN108073888A (zh) 一种教学辅助方法及采用该方法的教学辅助系统
CN109190643A (zh) 基于卷积神经网络中药识别方法及电子设备
CN107886062B (zh) 图像处理方法、系统及服务器
CN107609638A (zh) 一种基于线性解码器和插值采样优化卷积神经网络的方法
CN109598234A (zh) 关键点检测方法和装置
CN109558902A (zh) 一种快速目标检测方法
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
CN110263835B (zh) 基于深度学习和贝叶斯网络的岩石类别自动识别方法
CN109598220A (zh) 一种基于多元输入多尺度卷积的人数统计方法
CN110378208A (zh) 一种基于深度残差网络的行为识别方法
CN110163567A (zh) 基于多任务级联卷积神经网络的课堂点名系统
CN107767416A (zh) 一种低分辨率图像中行人朝向的识别方法
CN109919085A (zh) 基于轻量型卷积神经网络的人人交互行为识别方法

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
GR01 Patent grant
GR01 Patent grant