CN109740486A - 一种对图像包含的人类数量进行识别的方法及系统 - Google Patents
一种对图像包含的人类数量进行识别的方法及系统 Download PDFInfo
- Publication number
- CN109740486A CN109740486A CN201811609060.8A CN201811609060A CN109740486A CN 109740486 A CN109740486 A CN 109740486A CN 201811609060 A CN201811609060 A CN 201811609060A CN 109740486 A CN109740486 A CN 109740486A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- synthesized
- region
- recognized
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的一种对图像包含的人类数量进行识别的方法及系统,可以获得待识别图像,将所述待识别图像输入预设人脸识别模型中,获得所述预设人脸识别模型输出的识别结果,当所述识别结果为所述待识别图像中包含人脸图像时,从所述待识别图像中获得前景图像,对所述前景图像进行人类的头部检测,获得所述前景图像中的各人脸所在的图像区域,根据各人脸所在的图像区域的数量,确定所述待识别图像中包含的人类数量。本发明可以通过地铁车厢内的实时图像确定地铁各车厢内的人数,为人们合理地选择合适的地铁车厢进行地铁搭乘,提供重要的参考依据,解决地铁各车厢空间利用不平衡的问题。
Description
技术领域:
本发明涉及图像识别领域,尤其涉及一种对图像包含的人类数量进行识别的方法及系统。
背景技术:
随着城市基础设施的不断完善,以及人们环保意识的不断加强,人们更多地选择地铁和轻轨等交通方式出行。
人们在地铁站等待地铁时,会在对应着地铁各个车厢的等待区候车。在选择哪一个等待区进行候车这个问题上,人们普遍倾向于选择人数比较少的等待区,而地铁站内的引导员也会引导人数比较多的等待区里的人们向人数比较少的等待区进行分流。
然而,在地铁到达一个地铁站之前,地铁各个车厢的人数是未知的,可能存在着人数比较多的等待区对应的地铁车厢人数比较少,人数比较少的等待区对应的地铁车厢人数比较多的情况。在这种情况下,如果人们依然选择人数比较少的等待区候车的话,当等待区的人们上车后,可能会使人数比较多的地铁车厢更加拥挤,而人数比较少的地铁车厢还有较大地空闲空间。
发明内容:
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种对图像包含的人类数量进行识别的方法及系统,技术方案如下:
一种对图像包含的人类数量进行识别的方法,包括:
获得待识别图像;
将所述待识别图像输入预设人脸识别模型中,获得所述预设人脸识别模型输出的识别结果;
当所述识别结果为所述待识别图像中包含人脸图像时,从所述待识别图像中获得前景图像;
对所述前景图像进行人类的头部检测,获得所述前景图像中的各人脸所在的图像区域;
根据各人脸所在的图像区域的数量,确定所述待识别图像中包含的人类数量。
可选的,所述根据各人脸所在的图像区域的数量,确定所述待识别图像中包含的人类数量,包括:
对所述前景图像中的各人脸所在的图像区域进行梯度分析,获得所述前景图像中的各人脸所在的图像区域中各像素的梯度信息,将区域内像素的梯度信息满足预设梯度要求的人脸所在的图像区域确定为兴趣区域;
对各兴趣区域进行标注,对标注的各兴趣区域进行聚类,根据聚类结果从标注的各兴趣区域中确定头像区域;
将所述头像区域的数量确定为所述待识别图像中包含的人类数量。
可选的,所述对标注的各兴趣区域进行聚类,根据聚类结果从标注的各兴趣区域中确定头像区域,包括:
根据各兴趣区域携带的颜色对各兴趣区域进行聚类,获得多个区域簇,每个区域簇中包括至少一个兴趣区域;
将满足头发颜色要求的区域簇中各兴趣区域确定为头像区域,其中,所述满足头发颜色要求的区域簇中包括的各兴趣区域携带的颜色均位于预设头发颜色范围内。
可选的,在所述获得待识别图像之前,所述方法还包括:
获得多个待合成图像;
通过图像特征提取,确定所有所述待合成图像的特征点;
根据各个所述待合成图像的特征点,从多个所述待合成图像中确定出至少一个匹配图像组,所述匹配图像组由至少两个待合成图像构成;
对同一匹配图像组中的各待合成图像进行拼接,获得所述待识别图像。
可选的,所述通过图像特征提取,确定所有所述待合成图像的特征点,包括:
使用尺度不变特征变换法,获得所有所述待合成图像的特征点。
可选的,所述根据各个所述待合成图像的特征点,从多个所述待合成图像中确定出至少一个匹配图像组,包括:
通过各个所述待合成图像的特征点,计算各个所述待合成图像间的特征点距离,根据所述待合成图像间的特征点距离确定各个所述待合成图像间的特征距离比,根据各个所述待合成图像间的特征距离比从多个所述待合成图像中确定出至少一个匹配图像组,其中,同一匹配图像组包括的每个待合成图像均与该匹配图像组中的至少一个待合成图像间的特征距离比满足预设特征距离比要求。
可选的,在所述根据各个所述待合成图像的特征点,从多个所述待合成图像中确定出至少一个匹配图像组之后,所述方法还包括:
将同一匹配图像组的待合成图像进行图像配准;
所述对同一匹配图像组中的各待合成图像进行拼接,获得所述待识别图像,包括:
对进行图像配准后的同一匹配图像组中的各待合成图像进行拼接,获得所述待识别图像。
可选的,所述对同一匹配图像组中的各待合成图像进行拼接,获得所述待识别图像,包括:
对匹配成功的多个所述待合成图像进行拼接,对拼接区域进行图像融合处理,获得所述待识别图像。
可选的,在所述根据各人脸所在的图像区域的数量,确定所述待识别图像中包含的人类数量之后,所述方法还包括:
根据所述待识别图像中包含的人类数量,对所述人类数量信息进行显示。
一种对图像包含的人类数量进行识别的系统,包括:第一获得单元、第二获得单元、第三获得单元、第四获得单元和第一确定单元,
所述第一获得单元,用于获得待识别图像;
所述第二获得单元,用于将所述待识别图像输入预设人脸识别模型中,获得所述预设人脸识别模型输出的识别结果;
所述第三获得单元,用于当所述识别结果为所述待识别图像中包含人脸图像时,从所述待识别图像中获得前景图像;
所述第四获得单元,用于对所述前景图像进行人类的头部检测,获得所述前景图像中的各人脸所在的图像区域;
所述第一确定单元,用于根据各人脸所在的图像区域的数量,确定所述待识别图像中包含的人类数量。
借由上述技术方案,本发明提供的一种对图像包含的人类数量进行识别的方法及系统,可以获得待识别图像,将所述待识别图像输入预设人脸识别模型中,获得所述预设人脸识别模型输出的识别结果,当所述识别结果为所述待识别图像中包含人脸图像时,从所述待识别图像中获得前景图像,对所述前景图像进行人类的头部检测,获得所述前景图像中的各人脸所在的图像区域,根据各人脸所在的图像区域的数量,确定所述待识别图像中包含的人类数量。本发明通过地铁车厢内的实时图像确定地铁各车厢内的人数,为人们合理地选择合适的地铁车厢进行地铁搭乘,提供重要的参考依据,解决地铁各车厢空间利用不平衡的问题。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。在附图中:
图1示出了本发明实施例提供的一种对图像包含的人类数量进行识别的方法的流程图;
图2示出了本发明实施例提供的另一种对图像包含的人类数量进行识别的方法的流程图;
图3示出了本发明实施例提供的另一种对图像包含的人类数量进行识别的方法的流程图;
图4示出了本发明实施例提供的另一种对图像包含的人类数量进行识别的方法的流程图;
图5示出了本发明实施例提供的另一种对图像包含的人类数量进行识别的方法的流程图;
图6示出了本发明实施例提供的另一种对图像包含的人类数量进行识别的方法的流程图;
图7示出了本发明实施例提供的另一种对图像包含的人类数量进行识别的方法的流程图;
图8示出了本发明实施例提供的一种对图像包含的人类数量进行识别的系统的结构示意图;
图9示出了本发明实施例提供的另一种对图像包含的人类数量进行识别的系统的结构示意图;
图10示出了本发明实施例提供的另一种对图像包含的人类数量进行识别的系统的结构示意图;
图11示出了本发明实施例提供的一副图像中特征点的示意图;
图12示出了本发明实施例提供的另一副图像中特征点的示意图;
图13示出了本发明实施例提供的图像拼接示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示,本发明实施例提供的一种对图像包含的人类数量进行识别的方法,可以包括:
S100、获得待识别图像;
S200、将所述待识别图像输入预设人脸识别模型中,获得所述预设人脸识别模型输出的识别结果;
具体的,预设人脸识别模型是对预设训练图像进行机器学习得到的,预设训练图像主要为具有人脸特征的图像和不具有人脸特征的图像。预设人脸识别模型主要是利用预设训练图像在不同尺度和纵横比下的表达,创建图像金字塔,将不同尺度和纵横比的同一个预设训练图像输入卷积神经网络中,得到不同尺度和纵横比下的人脸预测响应图,将在不同尺度和纵横比下的人脸预测响应图中的人脸区域映射在原始分辨率的预设训练图像中,从而识别所输入的预设训练图像的人脸区域。经过使用大量的预设训练图像对预设人脸模型的训练,会在预设人脸模型中产生一个二次分类器,二次分类器用于判断待识别图像中是否存在人脸。其中,图像金字塔是图像多尺度表达的一种,是一种以多分辨率来解释图像的有效但概念简单的结构。一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步降低,且来源于同一张原始图的图像集合。其通过梯次向下采样获得,直到达到某个终止条件才停止采样。我们将一层一层的图像比喻成金字塔,层级越高,则图像越小,分辨率越低。
S300、当所述识别结果为所述待识别图像中包含人脸图像时,从所述待识别图像中获得前景图像;
具体的,根据背景差分法,将待识别图像与背景图像模型进行差分,得到区别于背景图像模型的图像确定为前景图像。背景差分法是采用图像序列中的当前帧和背景参考模型比较来检测运动物体的一种方法,其性能依赖于所使用的背景建模技术。例如,通过预先对地铁车厢建立背景图像模型,当乘客上车后,从待识别图像中就可以分辨出不同于地铁车厢背景图像模型的乘客图像。
在实际情况中,在获得前景图像后,会将前景图像转换为灰度图,这样做的目的在于使后续的检测分析更加的准确。
S400、对所述前景图像进行人类的头部检测,获得所述前景图像中的各人脸所在的图像区域;
具体的,主要是通过人类头发、眼睛、鼻子、嘴巴等相对位置关系来判断一张人脸所在的图像区域。例如,在实际检测中,因为地铁车厢中人流密集,检测出的高个子乘客的嘴巴在低个子乘客的头发上,那么这个区域就不属于一张人脸所在的图像区域,也就是检测出的五官相对位置一定满足人类正常的五官相对位置。
S500、根据各人脸所在的图像区域的数量,确定所述待识别图像中包含的人类数量。
可以理解的,各人脸所在的图像区域的数量等于待识别图像中包含的人类数量。
可选的,基于图1所示的方法,如图2所示,本发明实施例提供的另一种对图像包含的人类数量进行识别的方法,步骤S500可以包括步骤S510、S520和S530,
S510、对所述前景图像中的各人脸所在的图像区域进行梯度分析,获得所述前景图像中的各人脸所在的图像区域中各像素的梯度信息,将区域内像素的梯度信息满足预设梯度要求的人脸所在的图像区域确定为兴趣区域;
具体的,梯度分析为计算图像中每一个像素点的梯度信息,梯度信息包括梯度值和梯度方向,将满足预设梯度值和梯度方向的像素点选为兴趣点,通过兴趣点确定出兴趣区域。对图像进行梯度分析,可以使图像阴影区域和/或高亮区域中的细节得到增强,在本发明实施例中,可以更准确地确定各人脸所在的图像区域。
S520、对各兴趣区域进行标注,对标注的各兴趣区域进行聚类,根据聚类结果从标注的各兴趣区域中确定头像区域;
可选的,基于图2所示方法,如图3所示,本发明实施例提供的另一种对图像包含的人类数量进行识别的方法,步骤S520可以包括步骤S521和S522,
S521、根据各兴趣区域携带的颜色对各兴趣区域进行聚类,获得多个区域簇,每个区域簇中包括至少一个兴趣区域;
具体的,聚类是指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。聚类分析的目标就是在相似的基础上收集数据来分类。对各兴趣区域进行聚类也就是根据各兴趣区域所反映的不同特征将不同类别的目标区分开来,主要基于特征建立的图像模型。同一个区域簇内的对象相似度高,不同区域簇之间相似度低。
S522、将满足头发颜色要求的区域簇中各兴趣区域确定为头像区域,其中,所述满足头发颜色要求的区域簇中包括的各兴趣区域携带的颜色均位于预设头发颜色范围内。
在本发明实施例的实际使用过程中,在将前景图像转换为灰度图后,根据人类头发的灰度值明显高于地铁车厢以及其它物品的灰度值的实际情况,可以准确定位头像区域。
可以理解的,在非灰度图的情况下,也可以通过预设多个头发颜色像素值范围,将满足预设头发颜色像素值范围内的各兴趣区域确定头像区域。
S530、将所述头像区域的数量确定为所述待识别图像中包含的人类数量。
本发明实施例提供的一种对图像包含的人类数量进行识别的方法,可以获得待识别图像,将所述待识别图像输入预设人脸识别模型中,获得所述预设人脸识别模型输出的识别结果,当所述识别结果为所述待识别图像中包含人脸图像时,从所述待识别图像中获得前景图像,对所述前景图像进行人类的头部检测,获得所述前景图像中的各人脸所在的图像区域,根据各人脸所在的图像区域的数量,确定所述待识别图像中包含的人类数量。本发明可以通过地铁车厢内的实时图像确定地铁各车厢内的人数,为人们合理地选择合适的地铁车厢进行地铁搭乘,提供重要的参考依据,解决地铁各车厢空间利用不平衡的问题。
可选的,基于图1所示的方法,如图4所示,本发明实施例提供的另一种对图像包含的人类数量进行识别的方法,在步骤S100之前,所述方法还可以包括步骤S010、S020、S030和S040,
S010、获得多个待合成图像;
在实际情况中,可以在地铁的各个车厢中安装多个摄像头,具体摄像头数量以能拍摄完整车厢内部情况为准。例如,可以分别在每个车厢中都安排三个摄像头对车厢进行拍摄,实时获得三个待合成图像。
S020、通过图像特征提取,确定所有所述待合成图像的特征点;
图像特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息,决定每个图像的点是否属于一个特征点。特征点所具有的特征可以包括:边缘、角、区域、脊等。
可选的,本发明实施例提供的另一种对图像包含的人类数量进行识别的方法,步骤S020可以为步骤S021,
S021、使用尺度不变特征变换法,获得所有所述待合成图像的特征点。
具体的,尺度不变特征变换法主要是在各个待合成图像的不同的尺度空间上查找特征点,并计算出特征点的方向,得到各个特征点的特征向量。通过尺度不变特征变换法所查找到的特征点是一些十分突出,不会因光照,仿射变换和噪音等因素而变化的点,如角点、边缘点、暗区的亮点及亮区的暗点等。
S030、根据各个所述待合成图像的特征点,从多个所述待合成图像中确定出至少一个匹配图像组,所述匹配图像组由至少两个待合成图像构成;
可选的,基于图4所示方法,如图5所示,本发明实施例提供的另一种对图像包含的人类数量进行识别的方法,步骤S030可以包括步骤S031、S032和S033,
S031、通过各个所述待合成图像的特征点,对每个所述待合成图像:计算该待合成图像的特征点之间的特征点距离;
S032、根据所述特征点距离确定各待合成图像之间的特征距离比。
其中,各待合成图像之间的特征距离比包括:各待合成图像中任意两个不同的待合成图像之间的特征距离比。具体的,两个不同的待合成图像之间的特征距离比为一个待合成图像的特征点距离与另一个待合成图像的特征点距离的比值。由于一个待合成图像中可以有多个特征距离,因此两个待合成图像之间的特征距离比也可以有多个。
S033、根据各待合成图像之间的特征距离比从多个所述待合成图像中确定出至少一个匹配图像组。
其中,同一匹配图像组包括的每个待合成图像均与该匹配图像组中的至少一个待合成图像间的特征距离比满足预设特征距离比要求。
其中,预设特征距离比要求可以为两个待合成图像之间的多个特征距离比中位于预设数值范围内的特征距离比的数量不低于第一数量。其中,预设数值范围可以为1-A至1+A。其中,A小于0.5。可以理解的是,当第一图像中的第一特征点距离与第二图像中第二特征点距离的特征距离比接近1甚至等于1时,说明第一特征点距离与第二特征点距离相近甚至相同。这在一定程度上代表了第一图像中第一特征点距离对应的两个特征点和第二图像中第二特征点距离对应的两个特征点的相似度。当两个待合成图像之间的多个特征距离比中接近1的特征距离比较多时,说明这两个待合成图像之间具有较多的相似特征点。可以将这两个待合成图像确定为匹配图像组中的图像。相应的,这两个待合成图像中的相似特征点所在的区域即为图像重合区域,可以根据图像重合区域进行图像拼接。
为了方便理解,此处进行举例说明:如图11所示,甲图像中包含特征点A1、B1、C1。如图12所示,乙图像中包含特征点A2、B2、C2。其中,甲乙两图中的特征点均为人的左眼。图11的甲图像中的A1至B1的距离为3,B1至C1的距离为4,A1至C1的距离为5。图12的乙图像中的A2至B2的距离为3,B2至C2的距离为4,A2至C2的距离为5。本发明可以确定甲图像中的A1至B1的距离与的乙图像中的A2至B2的距离的特征距离比为1,相应的,本发明可以确定甲图像中的B1至C1的距离与的乙图像中的B2至C2的距离的特征距离比为1,本发明可以确定甲图像中的A1至C1的距离与的乙图像中的A2至C2的距离的特征距离比为1。
由于甲乙两图之间的特征距离比接近1甚至为1的较多,因此可以将这两幅图确定为一个匹配图像组。当然,当其他图与甲图或乙图之间的特征距离比中接近1甚至为1的也较多时,也可以将其他图加入该匹配图像组中。
S040、对同一匹配图像组中的各待合成图像进行拼接,获得所述待识别图像。
可选的,基于图4所示的方法,如图6所示,本发明实施例提供的另一种对图像包含的人类数量进行识别的方法,在步骤S030之后还可以包括:S050、将同一匹配图像组的待合成图像进行图像配准;
在此基础上,步骤S040可以具体包括:S041、对进行图像配准后的同一匹配图像组中的各待合成图像进行拼接,获得所述待识别图像。
具体的,图像配准也就是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程,上述例子中的一对匹配点中的两个特征点分别来自不同的图像,那么这两个特征点的位置参数也处在两个不同的坐标下,所以需要将这个两个特征点的位置参数转换在同一坐标下进行参数表达,也就是求出两个特征点的位置参数的变换矩阵。
可选的,本发明实施例提供的另一种对图像包含的人类数量进行识别的方法,步骤S040可以为步骤S042,
S042、对匹配成功的多个所述待合成图像进行拼接,对拼接区域进行图像融合处理,获得所述待识别图像;
具体的,融合处理也就是利用图像融合技术,将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等,最大限度的提取各自信道中的有利信息,最后综合成高质量的图像,以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率,利于监测。本发明利用图像融合技术中加权融合的方法,将拼接区域的像素值按预设的权值相加,使拼接区域更加自然,方便观察。
其中,图13为对图11和图12进行拼接后得到的待识别图像。
可选的,基于图1所示的方法,如图7所示,本发明实施例提供的另一种对图像包含的人类数量进行识别的方法,在步骤S500之后,所述方法还包括步骤S600,
S600、根据所述待识别图像中包含的人类数量,对所述人类数量信息进行显示。
具体的,在确定待识别图像中包含的人类数量之后,得到标注头像区域的已识别图像,将已识别图像通过ZigBee技术发送到中控中心,中控中心接收到后将已识别图像中的人类数量信息在等级颜色条进行显示。其中,ZigBee技术是一种近距离、低复杂度、低功耗、低速率、低成本的双向无线通讯技术,主要用于距离短、功耗低且传输速率不高的各种电子设备之间进行数据传输以及典型的有周期性数据、间歇性数据和低反应时间数据传输的应用。等级颜色条可以有五个颜色等级,每个颜色等级代表不同的人类数量范围,比如,0人显示绿色,300至400人显示红色。等级颜色条可以设置在地铁的各个车厢外部,也可以设置在地铁站等候区旁的屏幕上,方便地铁乘客查看后选择合适的车厢对应的等候区,也利于地铁引导员合理安排各个等待区的人数。
与上述方法实施例相对应,本发明还提供了一种对图像包含的人类数量进行识别的系统。
如图8所示,本发明实施例提供的一种对图像包含的人类数量进行识别的系统,可以包括:第一获得单元100、第二获得单元200、第三获得单元300、第四获得单元400和第一确定单元500,
所述第一获得单元100,用于获得待识别图像;
所述第二获得单元200,用于将所述待识别图像输入预设人脸识别模型中,获得所述预设人脸识别模型输出的识别结果;
具体的,预设人脸识别模型是对预设训练图像进行机器学习得到的,预设训练图像主要为具有人脸特征的图像和不具有人脸特征的图像。预设人脸识别模型主要是利用预设训练图像在不同尺度和纵横比下的表达,创建图像金字塔,将不同尺度和纵横比的同一个预设训练图像输入卷积神经网络中,得到不同尺度和纵横比下的人脸预测响应图,将在不同尺度和纵横比下的人脸预测响应图中的人脸区域映射在原始分辨率的预设训练图像中,从而识别所输入的预设训练图像的人脸区域。经过使用大量的预设训练图像对预设人脸模型的训练,会在预设人脸模型中产生一个二次分类器,二次分类器用于判断待识别图像中是否存在人脸。其中,图像金字塔是图像多尺度表达的一种,是一种以多分辨率来解释图像的有效但概念简单的结构。一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步降低,且来源于同一张原始图的图像集合。其通过梯次向下采样获得,直到达到某个终止条件才停止采样。我们将一层一层的图像比喻成金字塔,层级越高,则图像越小,分辨率越低。
所述第三获得单元300,用于当所述识别结果为所述待识别图像中包含人脸图像时,从所述待识别图像中获得前景图像;
具体的,根据背景差分法,将待识别图像与背景图像模型进行差分,得到区别于背景图像模型的图像确定为前景图像。背景差分法是采用图像序列中的当前帧和背景参考模型比较来检测运动物体的一种方法,其性能依赖于所使用的背景建模技术。例如,通过预先对地铁车厢建立背景图像模型,当乘客上车后,从待识别图像中就可以分辨出不同于地铁车厢背景图像模型的乘客图像。
在实际情况中,在获得前景图像后,会将前景图像转换为灰度图,这样做的目的在于使后续的检测分析更加的准确。
所述第四获得单元400,用于对所述前景图像进行人类的头部检测,获得所述前景图像中的各人脸所在的图像区域;
具体的,主要是通过人类头发、眼睛、鼻子、嘴巴等相对位置关系来判断一张人脸所在的图像区域。例如,在实际检测中,因为地铁车厢中人流密集,检测出的高个子乘客的嘴巴在低个子乘客的头发上,那么这个区域就不属于一张人脸所在的图像区域,也就是检测出的五官相对位置一定满足人类正常的五官相对位置。
所述第一确定单元500,用于根据各人脸所在的图像区域的数量,确定所述待识别图像中包含的人类数量。
本发明实施例提供的一种对图像包含的人类数量进行识别的系统,可以获得待识别图像,将所述待识别图像输入预设人脸识别模型中,获得所述预设人脸识别模型输出的识别结果,当所述识别结果为所述待识别图像中包含人脸图像时,从所述待识别图像中获得前景图像,对所述前景图像进行人类的头部检测,获得所述前景图像中的各人脸所在的图像区域,根据各人脸所在的图像区域的数量,确定所述待识别图像中包含的人类数量。本发明可以通过地铁车厢内的实时图像确定地铁各车厢内的人数,为人们合理地选择合适的地铁车厢进行地铁搭乘,提供重要的参考依据,解决地铁各车厢空间利用不平衡的问题。
可选的,基于图8所示的系统,如图9所示,本发明实施例提供的另一种对图像包含的人类数量进行识别的系统,所述第一确定单元500,可以包括:第一确定子单元510、第二确定子单元520和第三确定子单元530,
所述第一确定子单元510,用于对所述前景图像中的各人脸所在的图像区域进行梯度分析,获得所述前景图像中的各人脸所在的图像区域中各像素的梯度信息,将区域内像素的梯度信息满足预设梯度要求的人脸所在的图像区域确定为兴趣区域;
具体的,梯度分析为计算图像中每一个像素点的梯度信息,梯度信息包括梯度值和梯度方向,将满足预设梯度值和梯度方向的像素点选为兴趣点,通过兴趣点确定出兴趣区域。对图像进行梯度分析,可以使图像阴影区域和/或高亮区域中的细节得到增强,在本发明实施例中,可以更准确地确定各人脸所在的图像区域。
所述第二确定子单元520,用于对各兴趣区域进行标注,对标注的各兴趣区域进行聚类,根据聚类结果从标注的各兴趣区域中确定头像区域;
所述第三确定子单元530,用于将所述头像区域的数量确定为所述待识别图像中包含的人类数量。
可选的,如图9所示,本发明实施例提供的另一种对图像包含的人类数量进行识别的系统,所述第三确定子单元530,可以包括:第一获得子单元531和第四确定子单元532,
所述第一获得子单元531,用于根据各兴趣区域携带的颜色对各兴趣区域进行聚类,获得多个区域簇,每个区域簇中包括至少一个兴趣区域;
具体的,聚类是指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。聚类分析的目标就是在相似的基础上收集数据来分类。对各兴趣区域进行聚类也就是根据各兴趣区域所反映的不同特征将不同类别的目标区分开来,主要基于特征建立的图像模型。同一个区域簇内的对象相似度高,不同区域簇之间相似度低。
所述第四确定子单元532,用于将满足头发颜色要求的区域簇中各兴趣区域确定为头像区域,其中,所述满足头发颜色要求的区域簇中包括的各兴趣区域携带的颜色均位于预设头发颜色范围内。
在本发明实施例的实际使用过程中,在将前景图像转换为灰度图后,根据人类头发的灰度值明显高于地铁车厢以及其它物品的灰度值的实际情况,可以准确定位头像区域。
可以理解的,在非灰度图的情况下,也可以通过预设多个头发颜色像素值范围,将满足预设头发颜色像素值范围内的各兴趣区域确定头像区域。
可选的,如图10所示,本发明实施例提供的另一种对图像包含的人类数量进行识别的系统,还可以包括:第五获得单元600、第二确定单元700、第三确定单元800和第六获得单元900,
所述第五获得单元600,用于在所述第一获得单元100获得待识别图像之前,获得多个待合成图像;
在实际情况中,可以在地铁的各个车厢中安装多个摄像头,具体摄像头数量以能拍摄完整车厢内部情况为准。例如,可以分别在每个车厢中都安排三个摄像头对车厢进行拍摄,实时获得三个待合成图像。
所述第二确定单元700,用于通过图像特征提取,确定所有所述待合成图像的特征点;
所述第三确定单元800,用于根据各个所述待合成图像的特征点,从多个所述待合成图像中确定出至少一个匹配图像组,所述匹配图像组由至少两个待合成图像构成;
所述第六获得单元900,用于对同一匹配图像组中的各待合成图像进行拼接,获得所述待识别图像。
可选的,所述第二确定单元700,具体用于使用尺度不变特征变换法,获得所有所述待合成图像的特征点。
具体的,尺度不变特征变换法主要是在各个待合成图像的不同的尺度空间上查找特征点,并计算出特征点的方向,得到各个特征点的特征向量。通过尺度不变特征变换法所查找到的特征点是一些十分突出,不会因光照,仿射变换和噪音等因素而变化的点,如角点、边缘点、暗区的亮点及亮区的暗点等。
可选的,如图10所示,本发明实施例提供的另一种对图像包含的人类数量进行识别的系统,所述第三确定单元,可以包括:第一计算子单元810、第五确定子单元820和第六确定子单元830,
所述第一计算子单元810,用于通过各个所述待合成图像的特征点,计算各个所述待合成图像间的特征点距离;
所述第五确定子单元820,用于根据所述待合成图像间的特征点距离确定各个所述待合成图像间的特征距离比;
所述第六确定子单元830,用于根据各个所述待合成图像间的特征距离比从多个所述待合成图像中确定出至少一个匹配图像组,其中,同一匹配图像组包括的每个待合成图像均与该匹配图像组中的至少一个待合成图像间的特征距离比满足预设特征距离比要求。
为了方便理解,此处进行举例说明:如图11所示,确定甲图像中的特征点A1、B1、C1和乙图像中的特征点A2、B2、C2,其中,同一副图像中的任意两个特征点之间的距离为特征点距离。若甲图像中的A1至B1的距离为3,B1至C1的距离为4,A1至C1的距离为5,那么,如果在乙图像中的A2至B2的距离为3,B2至C2的距离为4,A2至C2的距离为5,那么A1至B1的距离与A2至B2的距离的比值为特征距离比,在上述例子中,特征距离比为1,如果预设特征距离比要求是1,那么可以将甲图像和乙图像确定为一个匹配图像组。可以理解的是,因为得到两幅图像的视角可能会有不同,所以预设特征距离比要求可以是一个具体的值,也可以是一个范围,例如,将预设特征距离比设置为0.7以上,那么,如果甲图像与乙图像之间的特征距离比为0.8,那么这两幅图就是一个匹配图像组。
可选的,如图10所示,本发明实施例提供的另一种对图像包含的人类数量进行识别的系统,还可以包括:第一配准单元840,
所述第一配准单元840,用于在所述第三确定单元800根据各个所述待合成图像的特征点,从多个所述待合成图像中确定出至少一个匹配图像组之后,将同一匹配图像组的待合成图像进行图像配准;
在此基础上,所述第六获得单元900具体用于对进行图像配准后的同一匹配图像组中的各待合成图像进行拼接,获得所述待识别图像。
具体的,图像配准也就是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程,上述例子中的一对匹配点中的两个特征点分别来自不同的图像,那么这两个特征点的位置参数也处在两个不同的坐标下,所以需要将这个两个特征点的位置参数转换在同一坐标下进行参数表达,也就是求出两个特征点的位置参数的变换矩阵。
可选的,所述第六获得单元900具体用于对匹配成功的多个所述待合成图像进行拼接,对拼接区域进行图像融合处理,获得所述待识别图像。
具体的,融合处理也就是利用图像融合技术,将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等,最大限度的提取各自信道中的有利信息,最后综合成高质量的图像,以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率,利于监测。本发明利用图像融合技术中加权融合的方法,将拼接区域的像素值按预设的权值相加,使拼接区域更加自然,方便观察。
可选的,如图10所示,本发明实施例提供的另一种对图像包含的人类数量进行识别的系统,还可以包括:第一显示单元001,
所述第一显示单元001,用于在所述第一确定单元500根据各人脸所在的图像区域的数量,确定所述待识别图像中包含的人类数量之后,根据所述待识别图像中包含的人类数量,对所述人类数量信息进行显示。
具体的,在确定待识别图像中包含的人类数量之后,得到标注头像区域的已识别图像,将已识别图像通过ZigBee技术发送到中控中心,中控中心接收到后将已识别图像中的人类数量信息在等级颜色条进行显示。其中,ZigBee技术是一种近距离、低复杂度、低功耗、低速率、低成本的双向无线通讯技术,主要用于距离短、功耗低且传输速率不高的各种电子设备之间进行数据传输以及典型的有周期性数据、间歇性数据和低反应时间数据传输的应用。等级颜色条可以有五个颜色等级,每个颜色等级代表不同的人类数量范围,比如,0人显示绿色,300至400人显示红色。等级颜色条可以设置在地铁的各个车厢外部,也可以设置在地铁站等候区旁的屏幕上,方便地铁乘客查看后选择合适的车厢对应的等候区,也利于地铁引导员合理安排各个等待区的人数。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种对图像包含的人类数量进行识别的方法,其特征在于,包括:
获得待识别图像;
将所述待识别图像输入预设人脸识别模型中,获得所述预设人脸识别模型输出的识别结果;
当所述识别结果为所述待识别图像中包含人脸图像时,从所述待识别图像中获得前景图像;
对所述前景图像进行人类的头部检测,获得所述前景图像中的各人脸所在的图像区域;
根据各人脸所在的图像区域的数量,确定所述待识别图像中包含的人类数量。
2.根据权利要求1所述的方法,其特征在于,所述根据各人脸所在的图像区域的数量,确定所述待识别图像中包含的人类数量,包括:
对所述前景图像中的各人脸所在的图像区域进行梯度分析,获得所述前景图像中的各人脸所在的图像区域中各像素的梯度信息,将区域内像素的梯度信息满足预设梯度要求的人脸所在的图像区域确定为兴趣区域;
对各兴趣区域进行标注,对标注的各兴趣区域进行聚类,根据聚类结果从标注的各兴趣区域中确定头像区域;
将所述头像区域的数量确定为所述待识别图像中包含的人类数量。
3.根据权利要求2所述的方法,其特征在于,所述对标注的各兴趣区域进行聚类,根据聚类结果从标注的各兴趣区域中确定头像区域,包括:
根据各兴趣区域携带的颜色对各兴趣区域进行聚类,获得多个区域簇,每个区域簇中包括至少一个兴趣区域;
将满足头发颜色要求的区域簇中各兴趣区域确定为头像区域,其中,所述满足头发颜色要求的区域簇中包括的各兴趣区域携带的颜色均位于预设头发颜色范围内。
4.根据权利要求1所述的方法,其特征在于,在所述获得待识别图像之前,所述方法还包括:
获得多个待合成图像;
通过图像特征提取,确定所有所述待合成图像的特征点;
根据各个所述待合成图像的特征点,从多个所述待合成图像中确定出至少一个匹配图像组,所述匹配图像组由至少两个待合成图像构成;
对同一匹配图像组中的各待合成图像进行拼接,获得所述待识别图像。
5.根据权利要求4所述的方法,其特征在于,所述通过图像特征提取,确定所有所述待合成图像的特征点,包括:
使用尺度不变特征变换法,获得所有所述待合成图像的特征点。
6.根据权利要求4所述的方法,其特征在于,所述根据各个所述待合成图像的特征点,从多个所述待合成图像中确定出至少一个匹配图像组,包括:
通过各个所述待合成图像的特征点,计算各个所述待合成图像间的特征点距离,根据所述待合成图像间的特征点距离确定各个所述待合成图像间的特征距离比,根据各个所述待合成图像间的特征距离比从多个所述待合成图像中确定出至少一个匹配图像组,其中,同一匹配图像组包括的每个待合成图像均与该匹配图像组中的至少一个待合成图像间的特征距离比满足预设特征距离比要求。
7.根据权利要求4或6所述的方法,其特征在于,在所述根据各个所述待合成图像的特征点,从多个所述待合成图像中确定出至少一个匹配图像组之后,所述方法还包括:
将同一匹配图像组的待合成图像进行图像配准;
所述对同一匹配图像组中的各待合成图像进行拼接,获得所述待识别图像,包括:
对进行图像配准后的同一匹配图像组中的各待合成图像进行拼接,获得所述待识别图像。
8.根据权利要求4所述的方法,其特征在于,所述对同一匹配图像组中的各待合成图像进行拼接,获得所述待识别图像,包括:
对匹配成功的多个所述待合成图像进行拼接,对拼接区域进行图像融合处理,获得所述待识别图像。
9.根据权利要求1所述的方法,其特征在于,在所述根据各人脸所在的图像区域的数量,确定所述待识别图像中包含的人类数量之后,所述方法还包括:
根据所述待识别图像中包含的人类数量,对所述人类数量信息进行显示。
10.一种对图像包含的人类数量进行识别的系统,其特征在于,包括:第一获得单元、第二获得单元、第三获得单元、第四获得单元和第一确定单元,
所述第一获得单元,用于获得待识别图像;
所述第二获得单元,用于将所述待识别图像输入预设人脸识别模型中,获得所述预设人脸识别模型输出的识别结果;
所述第三获得单元,用于当所述识别结果为所述待识别图像中包含人脸图像时,从所述待识别图像中获得前景图像;
所述第四获得单元,用于对所述前景图像进行人类的头部检测,获得所述前景图像中的各人脸所在的图像区域;
所述第一确定单元,用于根据各人脸所在的图像区域的数量,确定所述待识别图像中包含的人类数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811609060.8A CN109740486B (zh) | 2018-12-27 | 2018-12-27 | 一种对图像包含的人类数量进行识别的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811609060.8A CN109740486B (zh) | 2018-12-27 | 2018-12-27 | 一种对图像包含的人类数量进行识别的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740486A true CN109740486A (zh) | 2019-05-10 |
CN109740486B CN109740486B (zh) | 2021-07-27 |
Family
ID=66360097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811609060.8A Active CN109740486B (zh) | 2018-12-27 | 2018-12-27 | 一种对图像包含的人类数量进行识别的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740486B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528843A (zh) * | 2020-12-07 | 2021-03-19 | 湖南警察学院 | 一种融合面部特征的机动车驾驶人疲劳检测方法 |
CN113516145A (zh) * | 2020-12-01 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 图像处理与车辆信息提供方法、设备及存储介质 |
CN116542509A (zh) * | 2023-06-21 | 2023-08-04 | 广东致盛技术有限公司 | 一种校园后勤任务管理方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510257A (zh) * | 2009-03-31 | 2009-08-19 | 华为技术有限公司 | 一种人脸相似度匹配方法及装置 |
CN104751491A (zh) * | 2015-04-10 | 2015-07-01 | 中国科学院宁波材料技术与工程研究所 | 一种人群跟踪及人流量统计方法及装置 |
CN105844245A (zh) * | 2016-03-25 | 2016-08-10 | 广州市浩云安防科技股份有限公司 | 一种伪装人脸检测方法及系统 |
CN105868697A (zh) * | 2016-03-25 | 2016-08-17 | 北京智芯原动科技有限公司 | 一种快速人头检测方法及装置 |
CN108171196A (zh) * | 2018-01-09 | 2018-06-15 | 北京智芯原动科技有限公司 | 一种人脸检测方法及装置 |
CN109087219A (zh) * | 2018-09-14 | 2018-12-25 | 温州科技职业学院 | 一种旅游云计算系统及方法、终端 |
-
2018
- 2018-12-27 CN CN201811609060.8A patent/CN109740486B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510257A (zh) * | 2009-03-31 | 2009-08-19 | 华为技术有限公司 | 一种人脸相似度匹配方法及装置 |
CN104751491A (zh) * | 2015-04-10 | 2015-07-01 | 中国科学院宁波材料技术与工程研究所 | 一种人群跟踪及人流量统计方法及装置 |
CN105844245A (zh) * | 2016-03-25 | 2016-08-10 | 广州市浩云安防科技股份有限公司 | 一种伪装人脸检测方法及系统 |
CN105868697A (zh) * | 2016-03-25 | 2016-08-17 | 北京智芯原动科技有限公司 | 一种快速人头检测方法及装置 |
CN108171196A (zh) * | 2018-01-09 | 2018-06-15 | 北京智芯原动科技有限公司 | 一种人脸检测方法及装置 |
CN109087219A (zh) * | 2018-09-14 | 2018-12-25 | 温州科技职业学院 | 一种旅游云计算系统及方法、终端 |
Non-Patent Citations (2)
Title |
---|
张敏: "基于多视域广角相机视频图像拼接技术研究", 《中国博士学位论文全文数据库信息科技辑》 * |
李俊杰: "监控视频中可疑人员的实时检测方法研究", 《万方数据知识服务平台学位论文》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516145A (zh) * | 2020-12-01 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 图像处理与车辆信息提供方法、设备及存储介质 |
CN113516145B (zh) * | 2020-12-01 | 2024-02-27 | 阿里巴巴集团控股有限公司 | 图像处理与车辆信息提供方法、设备及存储介质 |
CN112528843A (zh) * | 2020-12-07 | 2021-03-19 | 湖南警察学院 | 一种融合面部特征的机动车驾驶人疲劳检测方法 |
CN116542509A (zh) * | 2023-06-21 | 2023-08-04 | 广东致盛技术有限公司 | 一种校园后勤任务管理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109740486B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN108921100B (zh) | 一种基于可见光图像与红外图像融合的人脸识别方法及系统 | |
CN109409272B (zh) | 基于机器视觉的电缆验收系统和方法 | |
CN102214291B (zh) | 一种快速准确的基于视频序列的人脸检测跟踪方法 | |
CN110084156A (zh) | 一种步态特征提取方法及基于步态特征的行人身份识别方法 | |
CN105138998B (zh) | 基于视角自适应子空间学习算法的行人重识别方法及系统 | |
CN110569779B (zh) | 基于行人局部和整体属性联合学习的行人属性识别方法 | |
CN109740486A (zh) | 一种对图像包含的人类数量进行识别的方法及系统 | |
CN104484658A (zh) | 一种基于多通道卷积神经网络的人脸性别识别方法及装置 | |
CN111462128B (zh) | 一种基于多模态光谱图像的像素级图像分割系统及方法 | |
CN109284738A (zh) | 不规则人脸矫正方法和系统 | |
CN110443192A (zh) | 一种基于双目图像的非交互式人脸活体检测方法及系统 | |
CN109657581A (zh) | 基于双目相机行为检测的城市轨道交通闸机通行控制方法 | |
CN106548139B (zh) | 一种行人重识别方法 | |
CN111401188B (zh) | 一种基于人体关键点特征的交警手势识别方法 | |
CN103714321A (zh) | 基于距离图像和强度图像的驾驶员人脸定位系统 | |
CN112132157B (zh) | 一种基于树莓派的步态人脸融合识别方法 | |
CN110032932A (zh) | 一种基于视频处理和决策树设定阈值的人体姿态识别方法 | |
CN110021029A (zh) | 一种适用于rgbd-slam的实时动态配准方法及存储介质 | |
CN110298893A (zh) | 一种行人衣着颜色识别模型的生成方法及装置 | |
CN116704273A (zh) | 一种自适应红外可见光双模融合检测方法 | |
CN112949510A (zh) | 基于Faster R-CNN热红外影像人物探测方法 | |
CN110110606A (zh) | 基于神经网络的可见光与红外人脸图像的融合方法 | |
CN117197789A (zh) | 基于多尺度边界特征融合的幕墙框识别方法及系统 | |
CN109886325A (zh) | 一种非线性颜色空间分类的模板选择与加速匹配方法 |
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 |