CN109697499A - 行人流量漏斗生成方法及装置、存储介质、电子设备 - Google Patents
行人流量漏斗生成方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN109697499A CN109697499A CN201711002265.5A CN201711002265A CN109697499A CN 109697499 A CN109697499 A CN 109697499A CN 201711002265 A CN201711002265 A CN 201711002265A CN 109697499 A CN109697499 A CN 109697499A
- Authority
- CN
- China
- Prior art keywords
- head
- shoulder region
- frame image
- pedestrian
- shoulder
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06M—COUNTING MECHANISMS; COUNTING OF OBJECTS NOT OTHERWISE PROVIDED FOR
- G06M11/00—Counting of objects distributed at random, e.g. on a surface
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- 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
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30196—Human being; Person
-
- 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
- G06T2207/30232—Surveillance
-
- 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
- G06T2207/30241—Trajectory
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及数据处理技术领域,尤其涉及一种行人流量漏斗生成方法及装置、存储介质、电子设备。该方法可以包括获取当前帧图像,根据多目标跟踪算法在所述当前帧图像中对跟踪序列集合中的头肩区域进行跟踪和更新;根据头肩识别模型获取所述当前帧图像中的头肩区域,并根据所述当前帧图像中的头肩区域对所述跟踪序列集合进行更新;分析所述跟踪序列集合中各头肩区域的运动轨迹以对所述行人进行计数,并在所述当前帧图像为最后一帧图像时,基于所述行人的计数结果生成一行人流量漏斗。本公开提高了检测头肩区域的准确率,避免了头肩区域的漏检,进而提高了行人计数的准确率,从而提高了行人流量漏斗的准确率。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种行人流量漏斗生成方法及装置、存储介质、电子设备。
背景技术
随着社会的不断进步,视频监控系统的应用范围越来越广。在超市、商场、体育馆以及机场车站等场所的出入口常安装有监控摄像机,以便保安人员和管理者对这些场所的出入口进行监控。另一方面,超市、商场、体育馆以及机场车站等场所进出的人流量对于上述场所的经营者或管理者来说有着重要的意义,其中,人流量是指按一定方向流动的人数,本文中特指按进入/离开两个方向流动的人数。
现有的视频监控中,人流量统计主要是通过监控人员人工清点来实现。这种人工统计人流量的方法在监控时间短、人流量稀疏的情况下比较可靠,但由于人眼生物特性的限制,当监控时间较长,人流量密集时,统计的准确性将大大下降(即出现漏检),而且人工统计的方式需要耗费大量的人力成本。在此基础上,若要统计人流量的性别和年龄,会更进一步的降低统计的效率和准确率,且增加成了本。此外,由于人流量和性别年龄的统计准确率低,因此,基于不准确的人流量和性别年龄的统计数据得到的流量漏斗的准确度也不高,从而使得统计人员通过该流量漏斗无法得到到更加准确的分析数据。
因此,需要提供一种行人流量漏斗生成方法,以更加快速且准确的获取人流量数据和性别年龄统计数据,进而基于准确的人流量数据和性别年龄统计数据生成更加准确的行人流量漏斗。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种行人流量漏斗生成方法及装置、存储介质、电子设备,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本公开的一个方面,提供一种行人流量漏斗生成方法,包括:
获取当前帧图像,根据多目标跟踪算法在所述当前帧图像中对跟踪序列集合中的头肩区域进行跟踪和更新;
根据头肩识别模型获取所述当前帧图像中的头肩区域,并根据所述当前帧图像中的头肩区域对所述跟踪序列集合进行更新;
分析所述跟踪序列集合中各头肩区域的运动轨迹以对所述行人进行计数,并在所述当前帧图像为最后一帧图像时,基于所述行人的计数结果生成一行人流量漏斗。
在本公开的一种示例性实施例中,在所述获取当前帧图像之前还包括:
获取第一帧图像,并根据所述头肩识别模型获取所述第一帧图像中的头肩区域,并通过所述头肩区域对所述跟踪序列集合进行初始化。
在本公开的一种示例性实施例中,所述方法还包括:
根据一性别年龄识别模型识别所述跟踪序列集合中的各头肩区域的年龄段和性别。
在本公开的一种示例性实施例中,所述基于所述行人的计数结果生成一行人流量漏斗包括:
基于所述行人的计数结果并结合所述跟踪序列集合中的各头肩区域的年龄段和性别生成所述行人流量漏斗。
在本公开的一种示例性实施例中,所述根据多目标跟踪算法在所述当前帧图像中对跟踪序列集合中的头肩区域进行跟踪和更新包括:
根据核相关滤波跟踪算法在所述当前帧图像中分别对所述跟踪序列集合中的头肩区域进行跟踪和更新。
在本公开的一种示例性实施例中,所述根据核相关滤波跟踪算法在所述当前帧图像中分别对所述跟踪序列集合中的头肩区域进行跟踪和更新包括:
分别基于所述跟踪序列集合中的各头肩区域在上一帧图像中的位置在所述当前帧图像中获取与所述跟踪序列集合中的各头肩区域对应的候选跟踪目标;
分别根据与各所述头肩区域对应的跟踪器对应的计算与各所述头肩区域对应的候选跟踪目标的响应值;
将各所述头肩区域对应的候选跟踪目标中的响应值最大的候选跟踪目标确定为对应的头肩区域在所述当前帧图像中的跟踪目标;以及
根据各所述头肩区域在所述当前帧图像中的跟踪目标对应的更新所述跟踪序列集合中的各头肩区域。
在本公开的一种示例性实施例中,所述方法还包括:计算各所述头肩区域对应的跟踪器,包括:
分别基于所述跟踪序列集合中的各头肩区域在所述上一帧图像中的位置在所述上一帧图像中获取与所述跟踪序列集合中的各头肩区域对应的第一训练样本集;
分别根据与各所述头肩区域对应的第一训练样本集训练一回归模型,以得到与各所述头肩区域对应的跟踪器。
在本公开的一种示例性实施例中,所述方法还包括根据卷积神经网络生成所述头肩识别模型,包括:
根据ImageNet分类数据集训练MobileNet网络,以得到所述MobileNet网络的权重值;
在所述MobileNet网络之上增加一预设层数的卷基层以得到头肩检测网络,其中,所述卷基层的大小逐层递减;
获取标记出所述头肩区域的第二训练样本集,并根据所述第二训练样本集对保留有所述MobileNet网络的权重值的所述头肩检测网络进行训练,以得到所述头肩识别模型。
在本公开的一种示例性实施例中,所述根据所述当前帧图像中的头肩区域对所述跟踪序列集合进行更新包括:
计算所述当前帧图像中的各头肩区域与所述跟踪序列集合中的各头肩区域的相似度;
根据所述相似度对所述跟踪序列集合进行更新。
在本公开的一种示例性实施例中,所述计算所述当前帧图像中的各头肩区域与所述跟踪序列集合中的各头肩区域的相似度包括:
根据下式计算所述当前帧图像中的各头肩区域与所述跟踪序列集合中的各头肩区域的相似度:
其中,sim(Qi,Qj)为所述当前帧图像中的第i个头肩区域Qi与所述跟踪目标集合中的第j个头肩区域Qj的相似度,Qiarea为所述当前帧图像中的第i个头肩区域Qi的面积,Qjarea为所述跟踪序列集合中的第j个头肩区域Qj的的面积。
在本公开的一种示例性实施例中,所述根据所述相似度对所述跟踪序列集合进行更新包括:
根据所述相似度与一相似度阈值,分别将所述当前帧图像中的各头肩区域与所述跟踪序列集合中的各头肩区域进行匹配;
若匹配成功,用所述当前帧图像中的匹配成功的头肩区域对应的替换所述跟踪序列集合中的头肩区域;
若匹配失败,将所述当前帧图像中的匹配失败的头肩区域添加至所述跟踪序列集合中。
在本公开的一种示例性实施例中,所述用所述当前帧图像中的匹配成功的头肩区域对应的替换所述跟踪序列集合中的头肩区域包括:
分别计算所述当前帧图像中的匹配成功的头肩区域和对应的所述跟踪序列集合中的头肩区域的置信度;
在所述当前帧图像中的匹配成功的头肩区域的置信度大于对应的所述跟踪序列集合中的头肩区域的置信度时,用所述当前帧图像中的匹配成功的头肩区域对应的替换所述跟踪序列集合中的头肩区域。
在本公开的一种示例性实施例中,所述置信度的计算公式为:
其中:conf(obj)为obj的置信度,obj为所述当前帧图像中的头肩区域或所述跟踪序列集合中的头肩区域,area(obj)为obj的面积,Score(obj)为所述头肩识别模型计算的obj的类别归属概率,α取0.5,B取1000。
在本公开的一种示例性实施例中,在所述分析所述跟踪序列集合中各头肩区域的运动轨迹以对所述行人进行计数之前还包括:
在所述跟踪序列集合中存在在第一预设帧数的图像中均未被从每帧图像中获取的头肩区域更新的处于跟踪状态的头肩区域时,将在第一预设帧数的图像中均未被从每帧图像中获取的头肩区域更新头肩区域从跟踪状态改为非正常状态;
在所述跟踪序列集合中存在在第二预设帧数的图像中均未被从每帧图像中获取的头肩区域更新的处于非正常状态的头肩区域时,在跟踪序列集合中删除在第二预设帧数的图像中均未被从每帧图像中获取的头肩区域更新的处于非正常状态的头肩区域。
在本公开的一种示例性实施例中,所述分析所述跟踪序列集合中各头肩区域的运动轨迹以对所述行人进行计数包括:
分析所述跟踪序列集合中各头肩区域的运动轨迹;
根据各头肩区域的运动轨迹并结合一虚拟计数线对行人进行计数。
在本公开的一种示例性实施例中,所述方法还包括:构建所述性别年龄识别模型,包括:
在LFW数据集和社交网站中获取标记性别和年龄段的第三训练样本集;
利用所述第三训练样本集对性别年龄网络进行训练,以得到所述性别年龄识别模型,其中,所述性别年龄网络包括3个卷积层和3各全连接层。
根据本公开的一个方面,提供一种行人流量漏斗生成装置,包括:
跟踪更新模块,用于获取当前帧图像,根据多目标跟踪算法在所述当前帧图像中对跟踪序列集合中的头肩区域进行跟踪和更新;
检测更新模块,用于根据头肩识别模型获取所述当前帧图像中的头肩区域,并根据所述当前帧图像中的头肩区域对所述跟踪序列集合进行更新;
技术生成模块,用于分析所述跟踪序列集合中各头肩区域的运动轨迹以对所述行人进行计数,并在所述当前帧图像为最后一帧图像时,基于所述行人的计数结果生成一行人流量漏斗。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的行人流量漏斗生成方法。
根据本公开的一个方面,提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述中任意一项所述的行人流量漏斗生成方法。
本公开一种示例实施例提供的行人流量漏斗生成方法及装置、存储介质、电子设备。首先获取当前帧图像,根据多目标跟踪算法在所述当前帧图像中对跟踪序列集合中的头肩区域进行跟踪和更新,然后根据头肩识别模型获取所述当前帧图像中的头肩区域,并根据所述当前帧图像中的头肩区域对所述跟踪序列集合进行更新,最后分析所述跟踪序列集合中各头肩区域的运动轨迹以对所述行人进行计数,并在所述当前帧图像为最后一帧图像时,基于所述行人的计数结果生成一行人流量漏斗。一方面,通过多目标跟踪算法并结合头肩识别模型可以避免头肩区域的漏检,提高了检测头肩区域的准确率,进而提高了行人计数的准确率,从而提高了行人流量漏斗的准确率;另一方面,通过头肩识别模型可以快速的获取头肩区域且成本低,从而提高了头肩区域的计数速度并降低了计数成本,进而也提高了生成行人流量漏斗的速度并降低了生成行人流量漏斗的成本。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
通过参照附图来详细描述其示例性实施例,本公开的上述和其它特征及优点将变得更加明显。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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。在附图中:
图1为本公开一种行人流量漏斗生成方法的流程图;
图2为本公开一示例性实施例提供的掩膜版图的示意图;
图3为本公开一种行人流量漏斗生成方法的框图;
图4为本公开示一示例性实施例中的电子设备的模块示意图;
图5为本公开示一示例性实施例中的程序产品示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有所述特定细节中的一个或更多,或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下,不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例性实施例中首先公开了一种行人流量漏斗生成方法,参照图1所示,所述行人流量漏斗生成方法可以包括以下步骤:
步骤S1、获取当前帧图像,根据多目标跟踪算法在所述当前帧图像中对跟踪序列集合中的头肩区域进行跟踪和更新;
步骤S2、根据头肩识别模型获取所述当前帧图像中的头肩区域,并根据所述当前帧图像中的头肩区域对所述跟踪序列集合进行更新;
步骤S3、分析所述跟踪序列集合中各头肩区域的运动轨迹以对所述行人进行计数,并在所述当前帧图像为最后一帧图像时,基于所述行人的计数结果生成一行人流量漏斗。
根据本示例性实施例中的行人流量漏斗生成方法一方面,通过多目标跟踪算法并结合头肩识别模型可以避免头肩区域的漏检,提高了检测头肩区域的准确率,进而提高了行人计数的准确率,从而提高了行人流量漏斗的准确率;另一方面,通过头肩识别模型可以快速的获取头肩区域且成本低,从而提高了头肩区域的计数速度并降低了计数成本,进而也提高了生成行人流量漏斗的速度并降低了生成行人流量漏斗的成本。
下面,将参照图1,对本示例性实施例中的行人流量漏斗生成方法作进一步说明。
步骤S1、获取当前帧图像,根据多目标跟踪算法在所述当前帧图像中对跟踪序列集合中的头肩区域进行跟踪和更新。
在本示例性实施例中,在所述获取当前帧图像之前还可以包括:获取第一帧图像,并根据所述头肩识别模型获取所述第一帧图像中的头肩区域,并通过所述头肩区域对所述跟踪序列集合进行初始化。在本示例性实施例中,可以实时接收监控设备传送的视频资料,并在视频资料中截取第一帧图像。例如,在统计商场营业期间内的人流量和性别年龄段时,可以获取商场营业开始时间的图像作为第一帧图像,例如,从八点开始获取图像。在获取到第一帧图像时,根据头肩识别模型对第一帧图像中的头肩区域进行识别;在识别出头肩区域之后,根据识别出的头肩区域对跟踪序列集合进行初始化,即将识别出的头肩区域加入跟踪序列集合中。需要说明的是,在通过头肩识别模型识别第一帧图像中的头肩区域时,还可以通过头肩识别模型计算出每个头肩区域的Score值,即每个头肩区域的类别归属概率。
在本示例性实施例中,可以根据卷积神经网络生成所述头肩识别模型,具体的,根据卷积神经网络生成所述头肩识别模型的过程包括以下步骤:
步骤S111,根据ImageNet分类数据集训练MobileNet网络,以得到所述MobileNet网络的权重值。
在本示例性实施例中,所述ImageNet是目前世界上图像识别最大的数据库。所述MobileNet网络为一种基于一个流线型的架构,使用深度可分离的卷积轻量级的深层神经网络,其可以将标准卷积分解成一个深度卷积和一个点卷积,即将每个卷积核应用到每一个通道,而1×1卷积用来组合通道卷积的输出。已经证明,这种分解可以有效减少计算量,降低模型大小,网络性能较好同时速度也非常快。在步骤S11中可以将ImageNet分类数据集中的每个标记过头肩区域的图像输入至MobileNet网络中,以得到MobileNet网络的权重值。
步骤S112,在所述MobileNet网络之上增加一预设层数的卷基层以得到头肩检测网络,其中,所述卷基层的大小逐层递减。
在本示例性实施例中,所述预设层数可以根据具体的需求进行设置,例如,可以为3层,还可以为6层,本示例性实施例对此不作特殊限定。所述卷基层的大小逐层递减,以利用大小逐层递减的卷基层完成多维度的头肩区域的预测。
步骤S113,获取标记出所述头肩区域的第二训练样本集,并根据所述第二训练样本集对保留有所述MobileNet网络的权重值的所述头肩检测网络进行训练,以得到所述头肩识别模型。
在本示例性实施例中,为了保证第二训练样本集的多样性,以提高头肩识别模型对头肩区域的识别的准确率,可以通过图像获取模块获取不同角度以及不同背景(树枝遮挡、建筑物遮挡等背景)中的头肩图像,并对每个头肩图像中的头肩区域进行标记,以得到标记出头肩区域的第二训练样本集。基于第二训练样本集并利用迁移率学习方法对保留有所述MobileNet网络的权重值的所述头肩检测网络进行训练,以得到头肩识别模型。具体的,将第二训练样本集中的标记出头肩区域的图像输入至头肩检测网络,以得到头肩检测网络中的权重值,在头肩检测网络的loss基本稳定不在下降,且平均值为0.8时,该头肩检测网络即为头肩识别模型。
在本示例性实施例中,在步骤S1中的跟踪序列集合为在当前帧图像的上一帧图形中经过更新的跟踪序列集合。需要说明的是,在当前帧图像的上一帧图像为第一帧图像时,此时的跟踪序列集合为在第一帧图像中经过初始或后的跟踪序列集合。
在步骤S1中,所述根据多目标跟踪算法在所述当前帧图像中对跟踪序列集合中的头肩区域进行跟踪和更新可以包括:根据核相关滤波跟踪算法在所述当前帧图像中分别对所述跟踪序列集合中的头肩区域进行跟踪和更新。具体的,所述根据核相关滤波跟踪算法在所述当前帧图像中分别对所述跟踪序列集合中的头肩区域进行跟踪和更新可以包括:
步骤S121,分别基于所述跟踪序列集合中的各头肩区域在上一帧图像中的位置在所述当前帧图像中获取与所述跟踪序列集合中的各头肩区域对应的候选跟踪目标。
在本示例性实施例中,可以依次获取跟踪序列集合中的各头肩区域对应的候选跟踪目标,其中,每个头肩区域对应的候选跟踪目标可以包括多个。下面,以获取跟踪序列集合中的第一个头肩区域对应的候选跟踪目标为例进行说明,在当前帧图像中以第一个头肩区域在上一帧图像中的位置为中心,在预设范围内,获取多个候选跟踪目标,该多个候选跟踪目标即为第一头肩区域对应的候选跟踪目标,所述预设范围可以由开发商进行设置。在获取跟踪序列集合中的其他头肩区域对应的候选跟踪目标时,其获取原则与获取第一头肩区域对应的候选跟踪目标相同,仅获取位置发生了变化,因此此处不再赘述。
步骤122,分别根据与各所述头肩区域对应的跟踪器对应的计算与各所述头肩区域对应的候选跟踪目标的响应值。
在本示例性实施例中,先对计算各所述头肩区域对应的跟踪器的过程进行说明。所述计算各所述头肩区域对应的跟踪器可以包括:分别基于所述跟踪序列集合中的各头肩区域在所述上一帧图像中的位置在所述上一帧图像中获取与所述跟踪序列集合中的各头肩区域对应的第一训练样本集;分别根据与各所述头肩区域对应的第一训练样本集训练一回归模型,以得到与各所述头肩区域对应的跟踪器。
在本示例性实施例中,以计算跟踪序列集合中的第一头肩区域对应的跟踪器为例进行说明。在上一帧图像中以第一头肩区域在上一帧图像中的位置为中心,获取多个第一训练样本,以组成第一头肩区域对应的第一训练样本集,将第一训练样本集中的所有第一训练样本输入回归模型,以对回归模型进行训练,将该训练后的回归模型确定为第一头肩区域对应的跟踪器。计算跟踪序列集合中的其他头肩区域对应的跟踪器的过程与上述计算第一头肩区域对应的跟踪器的过程相同,仅获取第一训练样本集的位置不同,因此此处不再赘述。
由上可知,由于在计算头肩区域对应的跟踪器时,基于头肩区域在上一帧图像中的位置在上一帧图像中获取与头肩区域对应的第一训练样本集,又由于在不同帧图形中,同一头肩区域的位置不同,因此,对于不同帧图形中的同一头肩区域对应的跟踪器是不同的。基于此,通过每一帧对应的跟踪器计算得出的响应值更加准确,从而使得跟踪目标的跟踪确定更加准确。
基于此,以根据与第一头肩区域对应的跟踪器计算与第一头肩区域对应的候选跟踪目标的响应值为例进行说明,分别将第一头肩区域对应的各候选跟踪目标代入与第一头肩区域对应的跟踪器中,以得到第一头肩区域对应的各候选目标的响应值。计算跟踪序列集合中的其他头肩区域对应的候选跟踪目标的响应值与上述计算第一头肩区域对应的候选跟踪目标的响应值的过程相同,仅仅改变了跟踪器,即跟踪器要与头肩区域对应,因此此处不再赘述。
步骤123,将各所述头肩区域对应的候选跟踪目标中的响应值最大的候选跟踪目标确定为对应的头肩区域在所述当前帧图像中的跟踪目标。
在本示例性实施例中,以跟踪序列集合中的第一头肩区域进行说明,分别将第一头肩区域对应的各候选跟踪目标的响应值进行比对,将响应值最大的候选跟踪目标确定为第一头肩区域在当前帧图像中的跟踪目标,即,该候选跟踪目标为当前帧图像中的第一头肩区域。需要说明的是,跟踪序列集合中的其他头肩区域在当前帧图像中的跟踪目标的确定与上述第一头肩区域在当前帧图像中的跟踪目标的确定方式相同,因此,此处不作赘述。
步骤124,根据各所述头肩区域在所述当前帧图像中的跟踪目标对应的更新所述跟踪序列集合中的各头肩区域。
在本示例性实施例中,用当前帧图像中与跟踪序列集合中的各头肩区域对应的跟踪目标对应的替换跟踪序列集合中的各头肩区域,以更新跟踪序列集合中的各头肩区域。
综上所述,在头肩区域从开阔的背景中走进有树枝等遮挡物遮挡的背景中时,头肩识别模型可能无法在有遮挡物的背景图形中检测到该头肩区域,基于此,在仅仅通过头肩识别模型对的当前帧中的头肩区域进行检测以实现对跟踪序列集合中的头肩区域进行跟踪时,可以无法检测跟踪序列中的头肩区域,从而造成头肩区域的漏检。而在本示例性实施例中,通过多目标跟踪算法可以对跟踪序列集合中的所有头肩区域进行跟踪,避免了头肩区域的漏检,提高了检测头肩区域的准确率,进而提高了行人计数的准确率,从而提高了行人流量漏斗的准确率。
在步骤S2中,根据头肩识别模型获取所述当前帧图像中的头肩区域,并根据所述当前帧图像中的头肩区域对所述跟踪序列集合进行更新。
在本示例性实施例中,将当前帧图像输入头肩识别模型中,以获得当前帧图像中的头肩区域,并根据所述当前帧图像中的头肩区域对所述跟踪序列集合进行更新,即将新的头肩区域加入跟踪序列集合中,并对跟踪序列中的原有的头肩区域进行更新。通过头肩识别模型可以快速的获取头肩区域且成本低,从而提高了头肩区域的计数速度并降低了计数成本,进而也提高了生成行人流量漏斗的速度并降低了生成行人流量漏斗的成本。
所述根据所述当前帧图像中的头肩区域对所述跟踪序列集合进行更新可以包括:计算所述当前帧图像中的各头肩区域与所述跟踪序列集合中的各头肩区域的相似度;根据所述相似度对所述跟踪序列集合进行更新。
所述计算所述当前帧图像中的各头肩区域与所述跟踪序列集合中的各头肩区域的相似度可以包括:根据下式计算所述当前帧图像中的各头肩区域与所述跟踪序列集合中的各头肩区域的相似度:
其中,sim(Qi,Qj)为所述当前帧图像中的第i个头肩区域Qi与所述跟踪目标集合中的第j个头肩区域Qj的相似度,Qiarea为所述当前帧图像中的第i个头肩区域Qi的面积,Qjarea为所述跟踪序列集合中的第j个头肩区域Qj的的面积。
以计算当前帧图像中的第一个头肩区域分别与跟踪序列集合中的各头肩区域的相似度为例进行说明,获取当前帧图像中的第一头肩区域的面积以及跟踪序列集合中的各头肩区域的面积,结合上述公式计算当前帧图像中的第一头肩区域分别与跟踪序列集合中的各头肩区域的相似度。需要说明的是,重复上述步骤可以计算当前帧图像中的其他头肩区域分别与跟踪序列集合中的各头肩区域的相似度的。
所述根据所述相似度对所述跟踪序列集合进行更新可以包括:
步骤S21,根据所述相似度与一相似度阈值,分别将所述当前帧图像中的各头肩区域与所述跟踪序列集合中的各头肩区域进行匹配。
在本示例性实施例中,所述相似度阈值可以为0.5,但本示例性实施例对此不作特殊限定。下面以当前帧图像中的第一头肩区域的匹配过程进行说明,首先获取第一头肩区域与跟踪序列集合中的各头肩区域的最大相似度,并判断该最大相似度是否大于相似度阈值,在判断该最大相似度大于相似度阈值时,认为匹配成功,即该第一头肩区域与对应的跟踪序列集合中的头肩区域为同一个头肩区域。在判断该最大相似度不大于相似度阈值时,认为匹配失败,即该头肩区域为一个新的头肩区域。
步骤S22,若匹配成功,用所述当前帧图像中的匹配成功的头肩区域对应的替换所述跟踪序列集合中的头肩区域。
在本示例性实施例中,以当前帧图像中的第一头肩区域为例进行说明,在第一头肩区域与跟踪序列集合中的各头肩区域的最大相似度大于相似度阈值时,用该第一头肩区域对应的替换跟踪序列集合中的头肩区域。
为了更进一步的增加匹配的精度,所述用所述当前帧图像中的匹配成功的头肩区域对应的替换所述跟踪序列集合中的头肩区域可以包括:分别计算所述当前帧图像中的匹配成功的头肩区域和对应的所述跟踪序列集合中的头肩区域的置信度;在所述当前帧图像中的匹配成功的头肩区域的置信度大于对应的所述跟踪序列集合中的头肩区域的置信度时,用所述当前帧图像中的匹配成功的头肩区域对应的替换所述跟踪序列集合中的头肩区域。
在本示例性实施例中,所述置信度的计算公式为:
其中:conf(obj)为obj的置信度,obj为所述当前帧图像中的头肩区域或所述跟踪序列集合中的头肩区域,area(obj)为obj的面积,Score(obj)为所述头肩识别模型计算的obj的类别归属概率,α取0.5,B取1000。
以当前帧图像中的第一头肩区域与跟踪序列集合中的第三个头肩区域匹配成功为例对上述过程进行说明,通过上述置信度公式分别计算当前帧图像中的第一头肩区域的置信度与跟踪序列集合中的第三个头肩区域的置信度;在当前帧图像中的第一头肩区域的置信度大于跟踪序列集合中的第三个头肩区域的置信度时,用当前帧图像中的第一头肩区域替换跟踪序列集合中的第三个头肩区域。
步骤S23,若匹配失败,将所述当前帧图像中的匹配失败的头肩区域添加至所述跟踪序列集合中。
在本示例性实施例中,以当前帧图像中的第一头肩区域为例进行说明,在第一头肩区域与跟踪序列集合中的各头肩区域的最大相似度不大于相似度阈值时,将该第一头肩区域加入跟踪序列集合中,以成为新的跟踪目标。
由上可知,通过肩识别模型获取当前帧图像中的头肩区域,并通过计算所述当前帧图像中的各头肩区域与所述跟踪序列集合中的各头肩区域的相似度,以及根据所述相似度对所述跟踪序列集合进行更新,可以将检测到的新的头肩区域加入跟踪序列集合中,并对跟踪序列集合中原有的头肩区域进行更新,提高了头肩区域检测的准确性,从而提高了计数的真确率,避免了跟踪目标的漏检,进而提高了行人流量漏斗的准确率。
在步骤S3中,分析所述跟踪序列集合中各头肩区域的运动轨迹以对所述行人进行计数,并在所述当前帧图像为最后一帧图像时,基于所述行人的计数结果生成一行人流量漏斗。
在本示例性实施例中,为了提供跟目标的准确性,进而提高行人计数的准确率,在所述分析所述跟踪序列集合中各头肩区域的运动轨迹以对所述行人进行计数之前还可以包括:
步骤S31、在所述跟踪序列集合中存在在第一预设帧数的图像中均未被从每帧图像中获取的头肩区域更新的处于跟踪状态的头肩区域时,将在第一预设帧数的图像中均未被从每帧图像中获取的头肩区域更新头肩区域从跟踪状态改为非正常状态。
在本示例性实施例中,所述第一预设帧数的图像可以为连续的5帧图像或连续的10帧图像,本示例性实施例对此不作特殊限定。以连续的5帧图像为例对步骤S31进行说明,根据头肩识别模型分别获取上述5帧图像对应的头肩区域,在上述5帧图像对应的头肩区域中均没有与跟踪序列集合中的其中一个处于跟踪状态头肩区域匹配成功的头肩区域,即认定该头肩区域为不正常的头肩区域,将该头肩区域从跟踪状态改为非正常状态。
步骤S32、在所述跟踪序列集合中存在在第二预设帧数的图像中均未匹配成功的处于非正常状态的头肩区域时,在所述跟踪序列集合中删除在第二预设帧数的图像中均匹配成功的处于非正常状态的头肩区域。
在本示例性实施例中,所述第二预设帧数的图像可以为连续的5帧图像或连续的10帧图像,本示例性实施例对此不作特殊限定。以连续的5帧图像为例对步骤S32进行说明,根据头肩识别模型分别获取上述5帧图像对应的头肩区域,在上述5帧图像对应的头肩区域中均没有与跟踪序列集合中的其中一个处于非正常状态的头肩区域匹配成功的头肩区域,即认定该头肩区域为误检测头肩区域,将该头肩区域从跟踪序列集合中删除。
在步骤S3中,所述分析所述跟踪序列集合中各头肩区域的运动轨迹以对所述行人进行计数可以包括:分析所述跟踪序列集合中各头肩区域的运动轨迹;根据各头肩区域的运动轨迹并结合一虚拟计数线对行人进行计数。
在本示例性实施例中,可以根据跟踪序列集合中的各头肩区域的不同帧图像中位置,生成各头肩区域的运动轨迹。为了方便为计数,在本示例性实施例中,可以设置一虚拟计数线,并通过判断头肩区域的运动轨迹是否跨越该虚拟计数线以及跨越虚拟计数线的方向随不同方向的行人进行计数。具体的,通过判断头肩区域的运动轨迹是否跨越该虚拟计数线以及跨越虚拟计数线的方向对不同方向的行人进行计数的过程包括:可以使用掩膜版图MASK表示虚拟计数线两边的区域(如图2所示),如第一区域和第二区域,在此基础上,根据各头肩区域的运动轨迹的像素值,判断各头肩区域是否从第一区域跨越到第二区域;或者判断各头肩区域是否从第二区域跨越至第一区域。
例如,第一区域为以小区内,第二区域为小区外,在一头肩区域从第一区域跨域到第二区域时,在出小区的人数上加1,在一头肩区域从第二区域跨越到第一区域时,在进入小区的人数上加1。
需要说明的是,为了防止重复计数,可以对已经记过数的头肩区域进行标记。由上可知,根据所述各头肩区域的运动轨迹和一虚拟计数线对所述行人进行计数,计数方法简单,易于实现,计数准确率高。
在根据各头肩区域的运动轨迹对行人进行计数后,判断当前帧图像是否为最后一帧图像,在当前帧图像不为最后一帧图像时,重复步骤S2,以及步骤S3,以对行人继续进行计数。在当前帧图像为最后一帧图像时基于所述行人的计数结果生成一行人流量漏斗。例如,可以分析不同时段的人流量,以生成行人流量漏斗,以使工作人员可以根据该行人流量漏斗分析业务流程问题等,以对宏观数据进行把控。
为了使得成行人流量漏斗可以涵盖更多的维度的数据,以使工作人员可以根据该行人流量漏斗从多个维度分析业务流程问题等,以对宏观数据进行把控,所述方法还包括:根据一性别年龄识别模型识别所述跟踪序列集合中的各头肩区域的年龄段和性别;以及基于所述行人的计数结果并结合所述跟踪序列集合中的各头肩区域的年龄段和性别生成所述行人流量漏斗。
在本示例性实施例中,首先对构建所述性别年龄识别模型的过程进行说明,其中,构建所述性别年龄识别模型可以包括:在LFW数据集和社交网站中获取标记性别和年龄段的第三训练样本集;利用所述第三训练样本集对性别年龄网络进行训练,以得到所述性别年龄识别模型,其中,所述性别年龄网络包括3个卷积层和3各全连接层。
在本示例性实施例中,建立一个包括3各卷基层和3各全连接层的性别年龄网络;在LFW数据集合社交平台中获取第三训练样本集,并以第三训练样本集中的每个第三训练样本的人脸为中心进行裁剪,例如,以人脸为中心将大小为256*256大小的第三训练样本裁剪为大小为227*227大小的第三训练样本,以及对经过裁剪后的训练样本进行性别和年龄段的标识,其中,将性别标识为男或女,将年龄根据年龄段进行标识,例如,将年龄段可以分为8各阶段进行标识,分别为0~3、4~7、8~14、15~24、25~37、38~47、48~59、60+。需要说明的是,年龄段的划分不限于此,开发商可以根据需求进行设置;采用标准差为0.01,均值为0的正太高斯分布对性别年龄网络中的权重值进行初始化;通过随机梯度下降的方法并集合dropout对所述初始化后的性别年龄网络进行训练以得到性别年龄识别模型。其中dropout比例采用0.5。
基于该性别年龄识别模型对每个跟踪序列集合中的各头肩区域的年龄段和性别进行识别,需要说明的是,只需要对第一次加入跟踪序列集合中的头肩区域的年龄段和性别进行识别。此外由于年龄段识别和性别识别采用同一个性别年龄识别模型,因此,识别年龄时,性别年龄识别模型输出为2,在识别性别时,性别年龄识别模型输出为8。
在此基础上,在识别出头肩区域的性别和年龄后,基于所述行人的计数结果并结合所述跟踪序列集合中的各头肩区域的年龄段和性别生成所述行人流量漏斗。例如,可以分析不同时间段的人流量和性别比例以及年龄比例得到行人流量漏斗,以使工作人员可以根据该行人流量漏斗分析从多个维度业务流程问题等,以对宏观数据进行把控。
需要说明的是,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
在本公开的示例性实施例中,还提供了行人流量漏斗生成装置,如图3所示,所述行人流量漏斗生成装置100可以包括跟踪更新模块101、检测更新模块102、技术生成模块103其中:
跟踪更新模块101可以用于获取当前帧图像,根据多目标跟踪算法在所述当前帧图像中对跟踪序列集合中的头肩区域进行跟踪和更新;
检测更新模块102可以用于根据头肩识别模型获取所述当前帧图像中的头肩区域,并根据所述当前帧图像中的头肩区域对所述跟踪序列集合进行更新;
技术生成模块103可以用于分析所述跟踪序列集合中各头肩区域的运动轨迹以对所述行人进行计数,并在所述当前帧图像为最后一帧图像时,基于所述行人的计数结果生成一行人流量漏斗。
上述中各行人流量漏斗生成装置模块的具体细节已经在对应的行人流量漏斗生成方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图4来描述根据本发明的这种实施方式的电子设备600。图4显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示的步骤S1、获取当前帧图像,根据多目标跟踪算法在所述当前帧图像中对跟踪序列集合中的头肩区域进行跟踪和更新;步骤S2、根据头肩识别模型获取所述当前帧图像中的头肩区域,并根据所述当前帧图像中的头肩区域对所述跟踪序列集合进行更新;步骤S3、分析所述跟踪序列集合中各头肩区域的运动轨迹以对所述行人进行计数,并在所述当前帧图像为最后一帧图像时,基于所述行人的计数结果生成一行人流量漏斗。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图5所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
计算机可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
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、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (19)
1.一种行人流量漏斗生成方法,其特征在于,包括:
获取当前帧图像,根据多目标跟踪算法在所述当前帧图像中对跟踪序列集合中的头肩区域进行跟踪和更新;
根据头肩识别模型获取所述当前帧图像中的头肩区域,并根据所述当前帧图像中的头肩区域对所述跟踪序列集合进行更新;
分析所述跟踪序列集合中各头肩区域的运动轨迹以对所述行人进行计数,并在所述当前帧图像为最后一帧图像时,基于所述行人的计数结果生成一行人流量漏斗。
2.根据权利要求1所述的行人流量漏斗生成方法,其特征在于,在所述获取当前帧图像之前还包括:
获取第一帧图像,并根据所述头肩识别模型获取所述第一帧图像中的头肩区域,并通过所述头肩区域对所述跟踪序列集合进行初始化。
3.根据权利要求1所述的行人流量漏斗生成方法,其特征在于,所述方法还包括:
根据一性别年龄识别模型识别所述跟踪序列集合中的各头肩区域的年龄段和性别。
4.根据权利要求2所述的行人流量漏斗生成方法,其特征在于,所述基于所述行人的计数结果生成一行人流量漏斗包括:
基于所述行人的计数结果并结合所述跟踪序列集合中的各头肩区域的年龄段和性别生成所述行人流量漏斗。
5.根据权利要求1所述的行人流量漏斗生成方法,其特征在于,所述根据多目标跟踪算法在所述当前帧图像中对跟踪序列集合中的头肩区域进行跟踪和更新包括:
根据核相关滤波跟踪算法在所述当前帧图像中分别对所述跟踪序列集合中的头肩区域进行跟踪和更新。
6.根据权利要求5中的行人流量漏斗生成方法,其特征在于,所述根据核相关滤波跟踪算法在所述当前帧图像中分别对所述跟踪序列集合中的头肩区域进行跟踪和更新包括:
分别基于所述跟踪序列集合中的各头肩区域在上一帧图像中的位置在所述当前帧图像中获取与所述跟踪序列集合中的各头肩区域对应的候选跟踪目标;
分别根据与各所述头肩区域对应的跟踪器对应的计算与各所述头肩区域对应的候选跟踪目标的响应值;
将各所述头肩区域对应的候选跟踪目标中的响应值最大的候选跟踪目标确定为对应的头肩区域在所述当前帧图像中的跟踪目标;以及
根据各所述头肩区域在所述当前帧图像中的跟踪目标对应的更新所述跟踪序列集合中的各头肩区域。
7.根据权利要求6中的行人流量漏斗生成方法,其特征在于,所述方法还包括:计算各所述头肩区域对应的跟踪器,包括:
分别基于所述跟踪序列集合中的各头肩区域在所述上一帧图像中的位置在所述上一帧图像中获取与所述跟踪序列集合中的各头肩区域对应的第一训练样本集;
分别根据与各所述头肩区域对应的第一训练样本集训练一回归模型,以得到与各所述头肩区域对应的跟踪器。
8.根据权利要求1所述的行人流量漏斗生成方法,其特征在于,所述方法还包括根据卷积神经网络生成所述头肩识别模型,包括:
根据ImageNet分类数据集训练MobileNet网络,以得到所述MobileNet网络的权重值;
在所述MobileNet网络之上增加一预设层数的卷基层以得到头肩检测网络,其中,所述卷基层的大小逐层递减;
获取标记出所述头肩区域的第二训练样本集,并根据所述第二训练样本集对保留有所述MobileNet网络的权重值的所述头肩检测网络进行训练,以得到所述头肩识别模型。
9.根据权利要求1所述的行人流量漏斗生成方法,其特征在于,所述根据所述当前帧图像中的头肩区域对所述跟踪序列集合进行更新包括:
计算所述当前帧图像中的各头肩区域与所述跟踪序列集合中的各头肩区域的相似度;
根据所述相似度对所述跟踪序列集合进行更新。
10.根据权利要求9所述的行人流量漏斗生成方法,其特征在于,所述计算所述当前帧图像中的各头肩区域与所述跟踪序列集合中的各头肩区域的相似度包括:
根据下式计算所述当前帧图像中的各头肩区域与所述跟踪序列集合中的各头肩区域的相似度:
其中,sim(Qi,Qj)为所述当前帧图像中的第i个头肩区域Qi与所述跟踪目标集合中的第j个头肩区域Qj的相似度,Qiarea为所述当前帧图像中的第i个头肩区域Qi的面积,Qjarea为所述跟踪序列集合中的第j个头肩区域Qj的的面积。
11.根据权利要求9所述的行人流量漏斗生成方法,其特征在于,所述根据所述相似度对所述跟踪序列集合进行更新包括:
根据所述相似度与一相似度阈值,分别将所述当前帧图像中的各头肩区域与所述跟踪序列集合中的各头肩区域进行匹配;
若匹配成功,用所述当前帧图像中的匹配成功的头肩区域对应的替换所述跟踪序列集合中的头肩区域;
若匹配失败,将所述当前帧图像中的匹配失败的头肩区域添加至所述跟踪序列集合中。
12.根据权利要求11所述的行人流量漏斗生成方法,其特征在于,所述用所述当前帧图像中的匹配成功的头肩区域对应的替换所述跟踪序列集合中的头肩区域包括:
分别计算所述当前帧图像中的匹配成功的头肩区域和对应的所述跟踪序列集合中的头肩区域的置信度;
在所述当前帧图像中的匹配成功的头肩区域的置信度大于对应的所述跟踪序列集合中的头肩区域的置信度时,用所述当前帧图像中的匹配成功的头肩区域对应的替换所述跟踪序列集合中的头肩区域。
13.根据权利要求12所述的行人流量漏斗生成方法,其特征在于,所述置信度的计算公式为:
其中:conf(obj)为obj的置信度,obj为所述当前帧图像中的头肩区域或所述跟踪序列集合中的头肩区域,area(obj)为obj的面积,Score(obj)为所述头肩识别模型计算的obj的类别归属概率,α取0.5,B取1000。
14.根据权利要求11所述的行人流量漏斗生成方法,其特征在于,在所述分析所述跟踪序列集合中各头肩区域的运动轨迹以对所述行人进行计数之前还包括:
在所述跟踪序列集合中存在在第一预设帧数的图像中均未被从每帧图像中获取的头肩区域更新的处于跟踪状态的头肩区域时,将在第一预设帧数的图像中均未被从每帧图像中获取的头肩区域更新头肩区域从跟踪状态改为非正常状态;
在所述跟踪序列集合中存在在第二预设帧数的图像中均未被从每帧图像中获取的头肩区域更新的处于非正常状态的头肩区域时,在跟踪序列集合中删除在第二预设帧数的图像中均未被从每帧图像中获取的头肩区域更新的处于非正常状态的头肩区域。
15.根据权利要求1所述的行人流量漏斗生成方法,其特征在于,所述分析所述跟踪序列集合中各头肩区域的运动轨迹以对所述行人进行计数包括:
分析所述跟踪序列集合中各头肩区域的运动轨迹;
根据各头肩区域的运动轨迹并结合一虚拟计数线对行人进行计数。
16.根据权利要求3所述的行人流量漏斗生成方法,其特征在于,所述方法还包括:构建所述性别年龄识别模型,包括:
在LFW数据集和社交网站中获取标记性别和年龄段的第三训练样本集;
利用所述第三训练样本集对性别年龄网络进行训练,以得到所述性别年龄识别模型,其中,所述性别年龄网络包括3个卷积层和3各全连接层。
17.一种行人流量漏斗生成装置,其特征在于,包括:
跟踪更新模块,用于获取当前帧图像,根据多目标跟踪算法在所述当前帧图像中对跟踪序列集合中的头肩区域进行跟踪和更新;
检测更新模块,用于根据头肩识别模型获取所述当前帧图像中的头肩区域,并根据所述当前帧图像中的头肩区域对所述跟踪序列集合进行更新;
技术生成模块,用于分析所述跟踪序列集合中各头肩区域的运动轨迹以对所述行人进行计数,并在所述当前帧图像为最后一帧图像时,基于所述行人的计数结果生成一行人流量漏斗。
18.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~16中任意一项所述的行人流量漏斗生成方法。
19.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1~16中任意一项所述的行人流量漏斗生成方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711002265.5A CN109697499B (zh) | 2017-10-24 | 2017-10-24 | 行人流量漏斗生成方法及装置、存储介质、电子设备 |
JP2020520032A JP7270617B2 (ja) | 2017-10-24 | 2018-10-24 | 歩行者流量ファネル生成方法及び装置、プログラム、記憶媒体、電子機器 |
PCT/CN2018/111713 WO2019080881A1 (zh) | 2017-10-24 | 2018-10-24 | 行人流量漏斗生成方法及装置、存储介质、电子设备 |
US16/758,958 US11210795B2 (en) | 2017-10-24 | 2018-10-24 | Pedestrian flow funnel generation method and apparatus, storage medium and electronic device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711002265.5A CN109697499B (zh) | 2017-10-24 | 2017-10-24 | 行人流量漏斗生成方法及装置、存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109697499A true CN109697499A (zh) | 2019-04-30 |
CN109697499B CN109697499B (zh) | 2021-09-07 |
Family
ID=66227762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711002265.5A Active CN109697499B (zh) | 2017-10-24 | 2017-10-24 | 行人流量漏斗生成方法及装置、存储介质、电子设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11210795B2 (zh) |
JP (1) | JP7270617B2 (zh) |
CN (1) | CN109697499B (zh) |
WO (1) | WO2019080881A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380960A (zh) * | 2020-11-11 | 2021-02-19 | 广东电力信息科技有限公司 | 一种人群计数方法、装置、设备和存储介质 |
CN112434566A (zh) * | 2020-11-04 | 2021-03-02 | 深圳云天励飞技术股份有限公司 | 客流统计方法、装置、电子设备及存储介质 |
CN114677651A (zh) * | 2022-05-30 | 2022-06-28 | 山东极视角科技有限公司 | 一种基于低画质低帧率视频的客流统计方法及相关装置 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368650B (zh) * | 2020-02-18 | 2024-03-12 | 北京交通大学 | 一种基于轨迹数据的人群拥挤行为识别方法 |
US11341650B2 (en) * | 2020-03-19 | 2022-05-24 | At&T Intellectual Property I, L.P. | Method for accelerating three-dimensional object segmentation with point cloud simplifications |
CN112270381B (zh) * | 2020-11-16 | 2022-06-03 | 电子科技大学 | 基于深度学习的人流量检测方法 |
CN112464917A (zh) * | 2021-01-06 | 2021-03-09 | 希望银蕨智能科技有限公司 | 一种非接触式测温系统的人数统计方法 |
CN112906590A (zh) * | 2021-03-02 | 2021-06-04 | 东北农业大学 | 一种基于FairMOT的多目标跟踪人流量监测方法 |
CN113673342A (zh) * | 2021-07-19 | 2021-11-19 | 浙江大华技术股份有限公司 | 行为检测方法、电子装置和存储介质 |
CN114372994B (zh) * | 2022-01-10 | 2022-07-22 | 北京中电兴发科技有限公司 | 视频浓缩中背景图像的生成方法 |
CN116330658B (zh) * | 2023-01-12 | 2024-05-28 | 珠海视熙科技有限公司 | 基于深度图像的目标跟踪方法、装置、系统及摄像设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7492924B2 (en) * | 2003-07-18 | 2009-02-17 | Intel Corporation | Face tracking |
CN101777114A (zh) * | 2009-01-08 | 2010-07-14 | 北京中星微电子有限公司 | 视频监控智能分析系统和方法及头肩检测跟踪系统和方法 |
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 |
CN106203513A (zh) * | 2016-07-08 | 2016-12-07 | 浙江工业大学 | 一种基于行人头肩多目标检测及跟踪的统计方法 |
CN106530340A (zh) * | 2016-10-24 | 2017-03-22 | 深圳市商汤科技有限公司 | 一种指定物体跟踪方法 |
KR20170032033A (ko) * | 2015-09-14 | 2017-03-22 | 한화테크윈 주식회사 | 전경 추출 방법 및 장치 |
CN107066990A (zh) * | 2017-05-04 | 2017-08-18 | 厦门美图之家科技有限公司 | 一种目标跟踪方法及移动设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009211311A (ja) | 2008-03-03 | 2009-09-17 | Canon Inc | 画像処理装置及び方法 |
CN101877058B (zh) * | 2010-02-10 | 2012-07-25 | 杭州海康威视软件有限公司 | 人流量统计的方法及系统 |
US9367733B2 (en) * | 2012-11-21 | 2016-06-14 | Pelco, Inc. | Method and apparatus for detecting people by a surveillance system |
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 |
CN103425967B (zh) * | 2013-07-21 | 2016-06-01 | 浙江大学 | 一种基于行人检测和跟踪的人流监控方法 |
JP2017097510A (ja) * | 2015-11-20 | 2017-06-01 | ソニー株式会社 | 画像処理装置と画像処理方法およびプログラム |
US9911198B2 (en) * | 2015-12-17 | 2018-03-06 | Canon Kabushiki Kaisha | Method, system and apparatus for matching moving targets between camera views |
JP6688611B2 (ja) | 2016-01-06 | 2020-04-28 | パナソニックi−PROセンシングソリューションズ株式会社 | 動線分析システム及び動線分析方法 |
US10402633B2 (en) * | 2016-05-23 | 2019-09-03 | Intel Corporation | Human detection in high density crowds |
-
2017
- 2017-10-24 CN CN201711002265.5A patent/CN109697499B/zh active Active
-
2018
- 2018-10-24 JP JP2020520032A patent/JP7270617B2/ja active Active
- 2018-10-24 WO PCT/CN2018/111713 patent/WO2019080881A1/zh active Application Filing
- 2018-10-24 US US16/758,958 patent/US11210795B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7492924B2 (en) * | 2003-07-18 | 2009-02-17 | Intel Corporation | Face tracking |
CN101777114A (zh) * | 2009-01-08 | 2010-07-14 | 北京中星微电子有限公司 | 视频监控智能分析系统和方法及头肩检测跟踪系统和方法 |
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 |
KR20170032033A (ko) * | 2015-09-14 | 2017-03-22 | 한화테크윈 주식회사 | 전경 추출 방법 및 장치 |
CN106203513A (zh) * | 2016-07-08 | 2016-12-07 | 浙江工业大学 | 一种基于行人头肩多目标检测及跟踪的统计方法 |
CN106530340A (zh) * | 2016-10-24 | 2017-03-22 | 深圳市商汤科技有限公司 | 一种指定物体跟踪方法 |
CN107066990A (zh) * | 2017-05-04 | 2017-08-18 | 厦门美图之家科技有限公司 | 一种目标跟踪方法及移动设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434566A (zh) * | 2020-11-04 | 2021-03-02 | 深圳云天励飞技术股份有限公司 | 客流统计方法、装置、电子设备及存储介质 |
CN112434566B (zh) * | 2020-11-04 | 2024-05-07 | 深圳云天励飞技术股份有限公司 | 客流统计方法、装置、电子设备及存储介质 |
CN112380960A (zh) * | 2020-11-11 | 2021-02-19 | 广东电力信息科技有限公司 | 一种人群计数方法、装置、设备和存储介质 |
CN114677651A (zh) * | 2022-05-30 | 2022-06-28 | 山东极视角科技有限公司 | 一种基于低画质低帧率视频的客流统计方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2020537240A (ja) | 2020-12-17 |
JP7270617B2 (ja) | 2023-05-10 |
CN109697499B (zh) | 2021-09-07 |
US20200349720A1 (en) | 2020-11-05 |
US11210795B2 (en) | 2021-12-28 |
WO2019080881A1 (zh) | 2019-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697499A (zh) | 行人流量漏斗生成方法及装置、存储介质、电子设备 | |
CN109819208A (zh) | 一种基于人工智能动态监控的密集人群安防监控管理方法 | |
Wu et al. | Long-term 4D trajectory prediction using generative adversarial networks | |
CN113642431A (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
Khosravi et al. | Crowd emotion prediction for human-vehicle interaction through modified transfer learning and fuzzy logic ranking | |
Htun et al. | Image processing technique and hidden Markov model for an elderly care monitoring system | |
Rokhana et al. | Multi-class image classification based on mobilenetv2 for detecting the proper use of face mask | |
Bhatia et al. | Quantum computing inspired framework of student performance assessment in smart classroom | |
Hu et al. | Building occupancy detection and localization using cctv camera and deep learning | |
Haq et al. | Implementation of smart social distancing for COVID-19 based on deep learning algorithm | |
Pi et al. | Deep learning for visual analytics of the spread of COVID-19 infection in crowded urban environments | |
Bhardwaj et al. | Machine Learning-Based Crowd Behavior Analysis and Forecasting | |
Levchuk et al. | Activity and function recognition for moving and static objects in urban environments from wide-area persistent surveillance inputs | |
Thomopoulos | Chapter Risk Assessment and Automated Anomaly Detection Using a Deep Learning Architecture | |
Das et al. | Accurate trajectory prediction in a smart building using recurrent neural networks | |
Elassal et al. | Unsupervised crowd counting | |
Zhong | A convolutional neural network based online teaching method using edge-cloud computing platform | |
Wang et al. | Analysis and research on human movement in sports scene | |
Putrada et al. | Knowledge distillation for a lightweight deep learning-based indoor positioning system on edge environments | |
Yang et al. | Inspection route prediction in substation using long short-term memory networks | |
Zhang et al. | Automatic construction and extraction of sports moment feature variables using artificial intelligence | |
Ma et al. | Data Mining and Video Target Detection-Based Analysis of Martial Arts Cultural Communication and Martial Arts Athletes’ Posture | |
Zhang et al. | DeepSafety: a deep neural network-based edge computing framework for detecting unsafe behaviors of construction workers | |
Khurana | Power Line Detection Method by Deep Learning for Safe Landing of UAVs | |
Fraser et al. | Reducing Viral Transmission through AI-based Crowd Monitoring and Social Distancing Analysis |
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 |