CN109902537B - 一种人数统计方法、装置、系统及电子设备 - Google Patents
一种人数统计方法、装置、系统及电子设备 Download PDFInfo
- Publication number
- CN109902537B CN109902537B CN201711294409.9A CN201711294409A CN109902537B CN 109902537 B CN109902537 B CN 109902537B CN 201711294409 A CN201711294409 A CN 201711294409A CN 109902537 B CN109902537 B CN 109902537B
- Authority
- CN
- China
- Prior art keywords
- head
- shoulder
- image
- processed
- area
- 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.)
- Active
Links
Images
Abstract
本发明实施例提供了一种人数统计方法、装置、系统及电子设备,方法包括:利用头肩检测算法,检测得到图像中的头肩区域及头肩区域的置信度,再根据头肩区域在图像中的分布参数确定置信度阈值,统计图像中置信度大于该置信度阈值的头肩区域数量,根据该数量,确定图像中的人数;可见,第一方面,本方案并不是基于类似于人头的圆形进行人头统计,即使人员头戴不规则帽子、或者图像中存在其他的圆形物体,也不会影响计数的准确性;第二方面,本方案中根据头肩区域在图像中的分布参数设定置信度阈值,分布越密集,置信度阈值越小,这样,在人员遮挡情况较严重的密集场景中,由于置信度阈值小,减少了人员遮挡导致计数偏小的情况发生的概率。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种人数统计方法、装置、系统及电子设备。
背景技术
在一些场景中通常需要对场景内的人数进行统计,比如,统计教室内的学生人数,以计算课堂到课率,或者,统计场馆中的人数,以确定场馆上座率,等等。
目前,统计场景中人数的方法一般包括:预先采集一张场景的背景图像,该背景图像中不存在人员;当需要进行人数统计时,采集一张场景的当前图像,将该当前图像与该背景图像进行对比,根据对比结果,提取当前图像中的前景区域,在该前景区域中进行人头统计,统计得到的数量即为场景中的当前人数。
上述方案中,在前景区域中进行人头统计时,一般利用一个类似于人头的圆形在该前景区域中进行匹配,前景区域中匹配成功的部分即为确定出的人头区域。但是,如果人员头戴不规则帽子,则不能确定出该人员的人头区域,或者,如果前景区域中存在其他的圆形物体,该圆形物体也会被确定为人头区域,可见,利用这种方案进行人数统计,统计结果并不准确。
发明内容
本发明实施例的目的在于提供一种人数统计方法、装置、系统及电子设备,以提高统计结果的准确性。
为达到上述目的,本发明实施例提供了一种人数统计方法,所述方法包括:
获取待处理图像;
利用头肩检测算法,检测得到所述待处理图像中的头肩区域及头肩区域的置信度;
确定所检测到的头肩区域在所述待处理图像中的分布参数,作为待处理分布参数;
根据预先设定的分布参数与置信度阈值的对应关系,确定所述待处理分布参数对应的置信度阈值;
统计置信度大于所确定的置信度阈值的头肩区域数量;
根据所述置信度大于所确定的置信度阈值的头肩区域数量,确定所述待处理图像中的人数。
可选的,在所述获取待处理图像之后,还可以包括:
获取所述待处理图像的灰度直方图;
利用所述灰度直方图,对所述待处理图像进行均衡处理,得到均衡处理后的图像;
所述利用头肩检测算法,检测得到所述待处理图像中的头肩区域及头肩区域的置信度,包括:
利用头肩检测算法,检测所述均衡处理后的图像中的头肩区域及头肩区域的置信度。
可选的,所述确定所检测到的头肩区域在所述待处理图像中的分布参数,作为待处理分布参数,可以包括:
确定所检测到的头肩区域的数量,作为待处理分布参数。
可选的,所述确定所检测到的头肩区域的数量,可以包括:
针对所检测到的每个头肩区域,判断该头肩区域是否存在于所述待处理图像中的预设区域中;如果是,将该头肩区域确定为待统计头肩区域;
统计所确定的待统计头肩区域之和,作为所检测到的头肩区域的数量。
可选的,所述确定所检测到的头肩区域的数量,可以包括:
针对所检测到的每个头肩区域,判断该头肩区域与所述待处理图像中的预设区域的交集面积是否大于预设面积阈值;或者判断该头肩区域与所述待处理图像中的预设区域的交集面积与该头肩区域面积的比值是否大于预设比例阈值;如果判断结果为是,则将该头肩区域确定为待统计头肩区域;
统计所确定的待统计头肩区域之和,作为所检测到的头肩区域的数量。
可选的,在所述确定所检测到的头肩区域在所述待处理图像中的分布参数,作为待处理分布参数之后,还可以包括:
根据预先设定的分布参数与非极大值抑制阈值的对应关系,确定所述待处理分布参数对应的非极大值抑制阈值;
所述根据所述置信度大于所确定的置信度阈值的头肩区域数量,确定所述待处理图像中的人数,可以包括:
针对置信度大于所确定的置信度阈值的每个头肩区域,计算该头肩区域与置信度大于所确定的置信度阈值的、除该头肩区域外所有头肩区域的交集面积及并集面积;计算所述交集面积与所述并集面积的比值;
统计交集面积与并集面积的比值小于所确定的非极大值抑制阈值的头肩区域数量,作为所述待处理图像中的人数。
可选的,所述确定所检测到的头肩区域在所述待处理图像中的分布参数,作为待处理分布参数,可以包括:
确定所检测到的头肩区域的数量;
确定所检测到的头肩区域在所述待处理图像中的分布区间;
计算所述分布区间的宽度与所述待处理图像的宽度的比值;
将所检测到的头肩区域的数量以及所述比值确定为待处理分布参数。
可选的,所述待处理图像为针对教室采集到的图像;在所述确定所述待处理图像中的人数之后,还可以包括:
计算所述待处理图像中的人数与预设学生人数的比值;
根据所述人数的比值,确定到课率。
可选的,所述根据所述人数的比值,确定到课率,可以包括:
计算多张待处理图像中的人数与预设学生人数的比值的平均值,作为到课率。
为达到上述目的,本发明实施例还提供了一种人数统计装置,所述装置包括:
第一获取模块,用于获取待处理图像;
检测模块,用于利用头肩检测算法,检测得到所述待处理图像中的头肩区域及头肩区域的置信度;
第一确定模块,用于确定所检测到的头肩区域在所述待处理图像中的分布参数,作为待处理分布参数;
第二确定模块,用于根据预先设定的分布参数与置信度阈值的对应关系,确定所述待处理分布参数对应的置信度阈值;
统计模块,用于统计置信度大于所确定的置信度阈值的头肩区域数量;
第三确定模块,用于根据所述置信度大于所确定的置信度阈值的头肩区域数量,确定所述待处理图像中的人数。
可选的,所述装置还可以包括:
第二获取模块,用于获取所述待处理图像的灰度直方图;
均衡处理模块,用于利用所述灰度直方图,对所述待处理图像进行均衡处理,得到均衡处理后的图像;
所述检测模块,具体可以用于:
利用头肩检测算法,检测所述均衡处理后的图像中的头肩区域。
可选的,所述第一确定模块,具体可以用于:确定所检测到的头肩区域的数量,作为待处理分布参数。
可选的,所述第一确定模块,可以包括:
判断子模块,用于针对所检测到的每个头肩区域,判断该头肩区域是否存在于所述待处理图像中的预设区域中;如果是,触发确定子模块;
确定子模块,用于将该头肩区域确定为待统计头肩区域;
统计子模块,用于统计所确定的待统计头肩区域之和,作为所检测到的头肩区域的数量。
可选的,所述第一确定模块,具体可以用于:
针对所检测到的每个头肩区域,判断该头肩区域与所述待处理图像中的预设区域的交集面积是否大于预设面积阈值;或者判断该头肩区域与所述待处理图像中的预设区域的交集面积与该头肩区域面积的比值是否大于预设比例阈值;如果判断结果为是,则将该头肩区域确定为待统计头肩区域;
统计所确定的待统计头肩区域之和,作为所检测到的头肩区域的数量。
可选的,所述装置还可以包括:
第四确定模块,用于根据预先设定的分布参数与非极大值抑制阈值的对应关系,确定所述待处理分布参数对应的非极大值抑制阈值;
所述第三确定模块,具体可以用于:
针对置信度大于所确定的置信度阈值的每个头肩区域,计算该头肩区域与置信度大于所确定的置信度阈值的、除该头肩区域外所有头肩区域的交集面积及并集面积;计算所述交集面积与所述并集面积的比值;
统计交集面积与并集面积的比值小于所确定的非极大值抑制阈值的头肩区域数量,作为所述待处理图像中的人数。
可选的,所述第一确定模块,具体可以用于:
确定所检测到的头肩区域的数量;
确定所检测到的头肩区域在所述待处理图像中的分布区间;
计算所述分布区间的宽度与所述待处理图像的宽度的比值;
将所检测到的头肩区域的数量以及所述比值确定为待处理分布参数。
可选的,所述待处理图像为针对教室采集到的图像;所述装置还可以包括:
计算模块,用于计算所述待处理图像中的人数与预设学生人数的比值;
第五确定模块,用于根据所述人数的比值,确定到课率。
可选的,所述第五确定模块,具体可以用于:
计算多张待处理图像中的人数与预设学生人数的比值的平均值,作为到课率。
为达到上述目的,本发明实施例还提供了一种电子设备,包括处理器和存储器;其中,
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一种人数统计方法。
为达到上述目的,本发明实施例还提供了一种人数统计系统,包括:图像采集设备及服务器,其中,
所述图像采集设备,用于针对目标场景进行图像采集,得到待处理图像,将所述待处理图像发送给所述服务器;
所述服务器,用于接收所述待处理图像;利用头肩检测算法,检测得到所述待处理图像中的头肩区域及头肩区域的置信度;确定所检测到的头肩区域在所述待处理图像中的分布参数,作为待处理分布参数;根据预先设定的分布参数与置信度阈值的对应关系,确定所述待处理分布参数对应的置信度阈值;统计置信度大于所确定的置信度阈值的头肩区域数量;根据所述置信度大于所确定的置信度阈值的头肩区域数量,确定所述待处理图像中的人数。
应用本发明实施例,利用头肩检测算法,检测得到图像中的头肩区域及头肩区域的置信度,再根据头肩区域在图像中的分布参数确定置信度阈值,统计图像中置信度大于该置信度阈值的头肩区域数量,根据该数量,确定图像中的人数;可见,第一方面,本方案并不是基于类似于人头的圆形进行人头统计,即使人员头戴不规则帽子、或者图像中存在其他的圆形物体,也不会影响计数的准确性;第二方面,本方案中根据头肩区域在图像中的分布参数设定置信度阈值,分布越密集,置信度阈值越小,这样,在人员遮挡情况较严重的密集场景中,由于置信度阈值小,减少了人员遮挡导致计数偏小的情况发生的概率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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本发明的一些实施例,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。
图1为本发明实施例提供的人数统计方法的第一种流程示意图;
图2为本发明实施例提供的人数统计方法的第二种流程示意图;
图3为本发明实施例提供的人数统计方法的第三种流程示意图;
图4为本发明实施例提供的一种人数统计装置的结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图;
图6为本发明实施例提供的一种人数统计系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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。
为了解决上述技术问题,本发明实施例提供了一种人数统计方法、装置、系统及电子设备。该方法及装置可以应用于各种电子设备,具体不做限定。
下面首先对本发明实施例提供的一种人数统计方法进行详细说明。
图1为本发明实施例提供的人数统计方法的第一种流程示意图,包括:
S101:获取待处理图像。
S102:利用头肩检测算法,检测得到该待处理图像中的头肩区域及头肩区域的置信度。
S103:确定所检测到的头肩区域在所述待处理图像中的分布参数,作为待处理分布参数。
S104:根据预先设定的分布参数与置信度阈值的对应关系,确定该待处理分布参数对应的置信度阈值。
S105:统计置信度大于所确定的置信度阈值的头肩区域数量。
S106:根据统计得到的置信度大于所确定的置信度阈值的头肩区域数量,确定该待处理图像中的人数。
应用本发明图1所示实施例,利用头肩检测算法,检测得到图像中的头肩区域及头肩区域的置信度,再根据头肩区域在图像中的分布参数确定置信度阈值,统计图像中置信度大于该置信度阈值的头肩区域数量,根据该数量,确定图像中的人数;可见,第一方面,本方案并不是基于类似于人头的圆形进行人头统计,即使人员头戴不规则帽子、或者图像中存在其他的圆形物体,也不会影响计数的准确性;第二方面,本方案中根据头肩区域在图像中的分布参数设定置信度阈值,分布越密集,置信度阈值越小,这样,在人员遮挡情况较严重的密集场景中,由于置信度阈值小,减少了人员遮挡导致计数偏小的情况发生的概率。
下面对图1所示实施例进行详细说明:
S101:获取待处理图像。
待处理图像即为针对需要统计人数的场景采集到的图像。或者说,本方案需要统计该待处理图像中的人数。
作为一种实施方式,在获取待处理图像后,可以获取所述待处理图像的灰度直方图;利用所述灰度直方图,对所述待处理图像进行均衡处理,得到均衡处理后的图像。
对于一些光线较暗的场景来说,针对这些场景采集的图像,画面清晰度较差,直接统计图像中的人数,准确性较低,在本实施方式中,先对图像进行均衡处理,得到均衡处理后的图像,再统计该均衡处理后的图像中的人数,提高了人数统计的准确度。
在本实施方式中,可以先根据待处理图像的灰度直方图,判断待处理图像中是否光线太暗:比如,可以设定一灰度阈值、以及一数量阈值,统计该灰度直方图中大于该灰度阈值的像素点的数量,如果该数量大于该数量阈值,则表示待处理图像中光线太暗。可以仅针对光线太暗的待处理图像进行均衡处理。
或者,也可以不判断待处理图像中是否光线太暗,对全部待处理图像都进行均衡处理。
可以利用待处理图像的灰度直方图,对待处理图像进行均衡处理,比如,可以利用线性或非线性的累积函数对灰度直方图中的各像素点的灰度值进行调整。
S102:利用头肩检测算法,检测得到该待处理图像中的头肩区域及头肩区域的置信度。
如果对待处理图像进行了均衡处理,得到了均衡处理后的图像,则S102为:
利用头肩检测算法,检测所述均衡处理后的图像中的头肩区域及头肩区域的置信度。
头肩检测算法有多种,比如,基于HOG(Histogram of Oriented Gradient,方向梯度直方图)-LBP(Local Binary Patterns,局部二值模式)特征融合的人体头肩检测算法,或者,基于CNN(Convolutional Neural Network,卷积神经网络)的头肩检测算法,等等,具体不做限定。
如果基于CNN进行头肩检测,可以利用CNN算法,预先将包含人体头肩部位的多张图像作为图像样本,训练得到头肩检测模型;获取待处理图像后,利用该头肩检测模型,检测得到待处理图像中的头肩区域及头肩区域的置信度。或者,上述实施方式中,得到均衡处理后的图像后,利用该头肩检测模型,检测得到均衡处理后的图像中的头肩区域及头肩区域的置信度。
头肩区域的置信度,也就是该图像区域为人体头肩部位的概率,利用头肩检测算法,可以得到一个或多个检测框,以及每个检测框为人体头肩部位的概率,这样,在检测到头肩区域的同时,也得到了头肩区域的的置信度。每个检测框中一般包含一个头肩区域。
S103:确定所检测到的头肩区域在所述待处理图像中的分布参数,作为待处理分布参数。
作为一种实施方式,该分布参数可以包括所检测到的头肩区域的数量,这样,S103可以包括:确定所检测到的头肩区域的数量,作为待处理分布参数。
作为一种实施方式,可以针对所检测到的每个头肩区域,判断该头肩区域是否存在于所述待处理图像中的预设区域中;如果是,将该头肩区域确定为待统计头肩区域;统计所确定的待统计头肩区域之和,作为所检测到的头肩区域的数量。
在本实施方式中,可以在图像中划分检测热区,仅统计检测热区中的头肩区域的数量。举例来说,假设统计教室中的学生人数,可以仅针对学生所在区域进行人数统计;针对教室进行图像采集,得到待处理图像,教室中学生所在区域对应到图像中的的图像区域即为检测热区,也就是待处理图像中的预设区域。
目前一些教室中在后墙上设置有装饰镜子,镜子中会有学生的镜像,利用本实施方式,镜子所在的位置不属于检测热区,因此,该镜像不会影响统计结果,提高了统计结果的准确性。
在本实施方式中,判断头肩区域是否存在于待处理图像中的预设区域中,可以有多种方案,比如:
方案一、判断该头肩区域与所述待处理图像中的预设区域的交集面积是否大于预设面积阈值,如果大于,表示头肩区域存在于所述待处理图像中的预设区域中。
如果头肩区域位于预设区域内部分,则交集为整个头肩区域,如果头肩区域位于预设区域的边缘部分,则交集为部分头肩区域。可以设定一面积阈值,仅交集面积大于该阈值,表示头肩区域在该预设区域内。
一般来说,每个头肩区域的面积差别不大,可以设定一固定值作为头肩区域的面积,将该固定值乘0.5,或者乘0.6之后得到的值作为该面积阈值。或者,也可以将该固定值乘(0,1)之间的任意数值后得到的值作为该面积阈值,具体不做限定。
方案二、计算该头肩区域与所述待处理图像中的预设区域的交集面积;判断所述交集面积与该头肩区域面积的比值是否大于预设比例阈值,如果大于,表示头肩区域存在于所述待处理图像中的预设区域中。
在本方案中,不是设定一固定值作为头肩区域的面积,而是计算头肩区域面积,针对交集面积与头肩区域面积的比值设定比例阈值,方案二相比于方案一考虑到了不同头肩区域面积的差异,判断结果更准确。该比例阈值可以为(0,1)之间的任意数值,比如0.5、0.6等,具体不做限定。
作为一种实施方式,确定所检测到的头肩区域的数量,可以包括:
针对所检测到的每个头肩区域,判断该头肩区域与所述待处理图像中的预设区域的交集面积是否大于预设面积阈值;或者判断该头肩区域与所述待处理图像中的预设区域的交集面积与该头肩区域面积的比值是否大于预设比例阈值;如果判断结果为是,则将该头肩区域确定为待统计头肩区域;
统计所确定的待统计头肩区域之和,作为所检测到的头肩区域的数量。
本实施方式与上述方案一、方案二相类似,不再赘述。
S104:根据预先设定的分布参数与置信度阈值的对应关系,确定该待处理分布参数对应的置信度阈值。
上述一种实施方式中,将所检测到的头肩区域的数量作为待处理分布参数,这种情况下,该对应关系可以包括头肩数量与置信度阈值的对应关系,而且该对应关系中,头肩数量越大,置信度阈值越小。
举例来说,可以预先针对头肩数量设定对应的置信度阈值,并将头肩数量与置信度阈值的对应关系进行存储,这样,便可以根据该对应关系,确定出所检测到的头肩区域的数量对应的置信度阈值。
在设定的对应关系中,头肩数量越大,置信度阈值越小。如果图像中头肩数量较多,表示场景中人员较密集,很容易出现人员遮挡,这种情况下,将置信度阈值设定的较小,可以减少人员遮挡导致计数偏小的情况发生的概率。
如果置信度阈值为一固定值,对于人员较密集的场景来说,可能由于人员遮挡导致计数偏小,而对于人员较稀疏的场景来说,可能由于其他类似人员的物体干扰导致计数偏大;而应用本发明实施例,根据检测到的头肩区域的数量设定置信度阈值,也就是说置信度阈值可以根据实际情况进行更改,这样,减少了上述两种情况发生的概率,提高了人数统计的准确性。
作为另一种实施方式,分布参数还可以为其他,比如,S102可以包括:
确定所检测到的头肩区域在所述待处理图像中的分布区间;计算所述分布区间的宽度与所述待处理图像的宽度的比值,作为待处理分布参数。
头肩区域在待处理图像中的分布区间可以为一个包括了所有头肩区域的图像区域;或者为一个包括了大部分头肩区域,比如,90%头肩区域的图像区域;该图像区域的边界处分布着至少一个头肩区域。
这种实施方式中,S104中提到的对应关系可以包括宽度比值与置信度阈值的对应关系;而且该对应关系中:宽度比值越小,置信度阈值越小。
在本实施方式中,预先针对头肩区域在图像中的分布区间宽度与图像宽度的比值,设定对应的置信度阈值,并将宽度比值与置信度阈值的对应关系进行存储,这样,便可以根据该对应关系,确定出计算得到的分布区间的宽度与待处理图像的宽度的比值对应的置信度阈值。
举例来说,在一些人员较密集的场景中,比如上课时的教室、或者出行高峰时段的交通工具中,针对这些场景进行图像采集,如果在图像中检测到的头肩区域都集中在图像的部分区域,相比于头肩区域平均分散在图像中的各处区域,前者(头肩区域都集中在图像的部分区域)更易产生遮挡情况。
应用本实施方式,如果头肩区域都集中在图像的部分区域,则计算得到的宽度的比值较小,该宽度的比值对应的置信度阈值较小,因此可以减少人员遮挡导致计数偏小的情况发生的概率。
作为另一种实施方式,分布参数可以既包括头肩数量、又包括上述提到的宽度的比值,比如,S102可以包括:确定所检测到的头肩区域的数量;确定所检测到的头肩区域在所述待处理图像中的分布区间;计算所述分布区间的宽度与所述待处理图像的宽度的比值;将所检测到的头肩区域的数量以及所述比值确定为待处理分布参数。
头肩区域在待处理图像中的分布区间可以为一个包括了所有头肩区域的图像区域;或者为一个包括了大部分头肩区域,比如,90%头肩区域的图像区域;该图像区域的边界处分布着至少一个头肩区域。
这种实施方式中,S104中提到的对应关系可以包括头肩数量与置信度阈值的对应关系、以及宽度比值与置信度阈值的对应关系;而且该对应关系中:头肩数量越大,置信度阈值越小;宽度比值越小,置信度阈值越小。
在本实施方式中,置信度阈值不仅与头肩数量有关,还与头肩区域在待处理图像中的分布区间的宽度有关。可以理解,在头肩区域数量一定的情况下,头肩区域的分布区间宽度较小,或者说头肩区域的分布区间宽度与图像的宽度比值较小,表示头肩区域越密集。对于密集场景设定的置信度阈值较小,因此,头肩数量越大,置信度阈值越小;宽度比值越小,置信度阈值越小。
在本实施方式中,预先针对头肩数量及宽度比值,设定对应的置信度阈值,并将头肩数量及宽度比值与置信度阈值的对应关系进行存储,这样,便可以根据该对应关系,确定出所检测到的头肩区域的数量以及计算得到的分布区间的宽度与待处理图像的宽度的比值对应的置信度阈值。
在本实施方式中,基于所检测到的头肩区域的数量、以及计算得到的分布区间的宽度与待处理图像的宽度的比值这两方面,来确定对应的置信度阈值,确定的置信度阈值更准确。
S105:统计置信度大于所确定的置信度阈值的头肩区域数量。
S106:根据统计得到的置信度大于所确定的置信度阈值的头肩区域数量,确定该待处理图像中的人数。
作为一种实施方式,可以直接将S105中统计得到的置信度大于所确定的置信度阈值的头肩区域数量作为该待处理图像中的人数。
在这种实施方式中,如果检测框为人体头肩部位的概率大于所确定的置信度阈值,则将该检测框作为一个人员进行统计,也就是说,如果头肩区域的置信度大于所确定的置信度阈值,则将该头肩区域作为一个人员进行统计。
作为另一种实施方式,在S103之后,还可以根据预先设定的分布参数与非极大值抑制阈值(NMS,non maximum suppression)的对应关系,确定所述待处理分布参数对应的非极大值抑制阈值。
S106可以包括:针对置信度大于所确定的置信度阈值的每个头肩区域,计算该头肩区域与置信度大于所确定的置信度阈值的、除该头肩区域外所有头肩区域的交集面积及并集面积;计算所述交集面积与所述并集面积的比值;统计交集面积与并集面积的比值小于所确定的非极大值抑制阈值的头肩区域数量,作为所述待处理图像中的人数。
应用本实施方式,利用置信度阈值及非极大值抑制阈值,确定待处理图像中的人数,相比于仅利用置信度阈值确定待处理图像中的人数,提高了人数统计结果的准确性。
上述一种情况下,将所检测到的头肩区域的数量作为待处理分布参数,这种情况下,在S103之后,可以根据预先设定的头肩数量与非极大值抑制阈值的对应关系,确定所述头肩区域的数量对应的非极大值抑制阈值;其中,所述对应关系中,头肩数量越大,非极大值抑制阈值越大。
在这种情况下,可以针对头肩数量设定对应的置信度阈值以及非极大值抑制阈值,并将头肩数量与置信度阈值以及非极大值抑制阈值的对应关系进行存储,这样,便可以根据该对应关系,确定出所检测到的头肩区域的数量对应的置信度阈值以及非极大值抑制阈值。
在设定的对应关系中,头肩数量越大,置信度阈值越小,非极大值抑制阈值越大。如果图像中头肩数量较多,表示场景中人员较密集,很容易出现人员遮挡,这种情况下,将置信度阈值设定的较小、非极大值抑制阈值设定的较大,可以减少人员遮挡导致计数偏小的情况发生的概率。
假设利用头肩检测算法检测出5个头肩区域,根据该对应关系,确定出头肩数量5对应的置信度阈值及非极大值抑制阈值。分别计算这5个头肩区域的置信度,假设有3个头肩区域的置信度大于该置信度阈值,这3个头肩区域分别为:头肩区域A、头肩区域B和头肩区域C。
计算头肩区域A与其余两个头肩区域(头肩区域B和头肩区域C)的交并比(IOU,Intersection-over-Union),具体的,可以先计算头肩区域A与这2个头肩区域的交集面积、并集面积,再计算该交集面积与该并集面积的比值,也就是交并比。
类似的,计算头肩区域B与其余两个头肩区域(头肩区域A和头肩区域C)的交并比,计算头肩区域C与其余两个头肩区域(头肩区域A和头肩区域B)这的交并比。将计算得到的这3个交并比与确定的非极大值抑制阈值进行对比,统计小于非极大值抑制阈值的交并比的数量,作为待处理图像中的人数。
具体来讲,可以先按照置信度由大到小的顺序,对这3个头肩区域进行排序,然后按照顺序依次计算每个头肩区域与另两个头肩区域的交并比,如果交并比小于所确定的非极大值抑制阈值,则将一个标记位置1,最后统计置1的标记位的数量,作为待处理图像中的人数。
本实施方式中,利用置信度阈值及非极大值抑制阈值,确定待处理图像中的人数,相比于仅利用置信度阈值确定待处理图像中的人数,提高了人数统计结果的准确性。
如果置信度阈值及非极大值抑制阈值为一固定值,对于人员较密集的场景来说,可能由于人员遮挡导致计数偏小,而对于人员较稀疏的场景来说,可能由于其他类似人员的物体干扰导致计数偏大;而应用本实施方式,根据检测到的头肩区域的数量设定置信度阈值及非极大值抑制阈值,也就是说置信度阈值及非极大值抑制阈值可以根据实际情况进行更改,这样,减少了上述两种情况发生的概率,提高了人数统计的准确性。
上述另一种情况下,将头肩区域在待处理图像中的分布区间宽度与待处理图像宽度的比值确定为待处理分布参数,这种情况下,在S103之后,可以根据预先设定的宽度比值与非极大值抑制阈值的对应关系,确定计算得到的宽度的比值对应的非极大值抑制阈值;其中,所述对应关系中:宽度比值越大,非极大值抑制阈值越小。
上述另一种情况下,将所检测到的头肩区域的数量以及所述宽度比值确定为待处理分布参数,这种情况下,在S103之后,可以根据预先设定的头肩数量与非极大值抑制阈值的对应关系、以及宽度比值与非极大值抑制阈值的对应关系,确定所述头肩区域的数量及计算得到的宽度的比值对应的非极大值抑制阈值;其中,所述对应关系中:头肩数量越大,非极大值抑制阈值越大;宽度比值越大,非极大值抑制阈值越小。
这种情况下,基于所检测到的头肩区域的数量、以及计算得到的分布区间的宽度与待处理图像的宽度的比值这两方面,来确定对应的置信度阈值及非极大值抑制阈值,确定的置信度阈值及非极大值抑制阈值更准确。
可以应用本发明实施例对各种场景中的人数进行统计,举例来说,对教室中的人数进行统计时,待处理图像为针对教室采集到的图像。比如,可以在教室黑板面上方设置图像采集设备,将该图像采集设备采集的图像作为待处理图像。
这种情况下,在确定待处理图像中的人数后,还可以计算待处理图像中的人数与预设学生人数的比值;根据所述人数的比值,确定到课率。
作为一种实施方式,可以直接把所述人数的比值作为到课率。可以理解,预设学生人数可以为应到学生人数,利用本发明实施例统计出的待处理图像中的人数为实到学生人数,实到学生人数与应到学生人数的比值即为到课率。
作为另一种实施方式,可以针对教室采集多张待处理图像,统计每张待处理图像中的人数,计算多张待处理图像中的人数与预设学生人数的比值的平均值,作为到课率。
举例来说,可以在上课后1分钟、10分钟、20分钟时针对分别采集一张教室的图像,分别统计这三张图像中的人数,分别计算这三张图像中的人数与预设学生人数的比值,将计算得到的三个比值的平均值作为到课率。可见,应用本实施方式,将多次计算结果的平均值作为到课率,提高了计算到课率的准确性。
图2为本发明实施例提供的人数统计方法的第二种流程示意图,包括:
S201:获取待处理图像。
S202:利用头肩检测算法,检测得到该待处理图像中的头肩区域及头肩区域的置信度。
S203:确定所检测到的头肩区域的数量。
在图2实施例中,头肩区域在所述待处理图像中的分布参数为:在待处理图像中检测到的头肩区域的数量。
S204:根据预先设定的头肩数量与置信度阈值的对应关系,确定该头肩区域的数量对应的置信度阈值。其中,所述对应关系中,头肩数量越大,置信度阈值越小。
S205:根据预先设定的头肩数量与非极大值抑制阈值的对应关系,确定该头肩区域的数量对应的非极大值抑制阈值。其中,所述对应关系中,头肩数量越大,非极大值抑制阈值越大。
S206:统计置信度大于所确定的置信度阈值的头肩区域数量。
S207:针对置信度大于所确定的置信度阈值的每个头肩区域,计算该头肩区域与置信度大于所确定的置信度阈值的、除该头肩区域外所有头肩区域的交集面积及并集面积;计算该交集面积与该并集面积的比值。
S208:统计交集面积与并集面积的比值小于所确定的非极大值抑制阈值的头肩区域数量,作为该待处理图像中的人数。
S205可以在S203之后、S208之前的任一位置,具体位置不做限定。
在图2所示实施例中,针对头肩数量设定对应的置信度阈值以及非极大值抑制阈值,并将头肩数量与置信度阈值以及非极大值抑制阈值的对应关系进行存储,这样,便可以根据该对应关系,确定出所检测到的头肩区域的数量对应的置信度阈值以及非极大值抑制阈值。
在设定的对应关系中,头肩数量越大,置信度阈值越小,非极大值抑制阈值越大。如果图像中头肩数量较多,表示场景中人员较密集,很容易出现人员遮挡,这种情况下,将置信度阈值设定的较小、非极大值抑制阈值设定的较大,可以减少人员遮挡导致计数偏小的情况发生的概率。
假设利用头肩检测算法检测出5个头肩区域,根据该对应关系,确定出头肩数量5对应的置信度阈值及非极大值抑制阈值。分别计算这5个头肩区域的置信度,假设有3个头肩区域的置信度大于该置信度阈值,这3个头肩区域分别为:头肩区域A、头肩区域B和头肩区域C。
计算头肩区域A与其余两个头肩区域(头肩区域B和头肩区域C)的交并比(IOU,Intersection-over-Union),具体的,可以先计算头肩区域A与这2个头肩区域的交集面积、并集面积,再计算该交集面积与该并集面积的比值,也就是交并比。
类似的,计算头肩区域B与其余两个头肩区域(头肩区域A和头肩区域C)的交并比,计算头肩区域C与其余两个头肩区域(头肩区域A和头肩区域B)的交并比。将计算得到的这3个交并比与确定的非极大值抑制阈值进行对比,统计小于非极大值抑制阈值的交并比的数量,作为待处理图像中的人数。
具体来讲,可以先按照置信度由大到小的顺序,对这3个头肩区域进行排序,然后按照顺序依次计算每个头肩区域与另两个头肩区域的交并比,如果交并比小于所确定的非极大值抑制阈值,则将一个标记位置1,最后统计置1的标记位的数量,作为待处理图像中的人数。
在图2所示实施例中,利用置信度阈值及非极大值抑制阈值,确定待处理图像中的人数,相比于仅利用置信度阈值确定待处理图像中的人数,提高了人数统计结果的准确性。
如果置信度阈值及非极大值抑制阈值为一固定值,对于人员较密集的场景来说,可能由于人员遮挡导致计数偏小,而对于人员较稀疏的场景来说,可能由于其他类似人员的物体干扰导致计数偏大;而应用图2实施例,根据检测到的头肩区域的数量设定置信度阈值及非极大值抑制阈值,也就是说置信度阈值及非极大值抑制阈值可以根据实际情况进行更改,这样,减少了上述两种情况发生的概率,提高了人数统计的准确性。
图3为本发明实施例提供的人数统计方法的第三种流程示意图,包括:
S301:获取待处理图像。
S302:利用头肩检测算法,检测得到该待处理图像中的头肩区域及头肩区域的置信度。
S303:确定所检测到的头肩区域在该待处理图像中的分布区间。
S304:计算该分布区间的宽度与该待处理图像的宽度的比值。
S305:确定所检测到的头肩区域的数量。
在图3实施例中,头肩区域在所述待处理图像中的分布参数包括:在待处理图像中检测到的头肩区域的数量、以及头肩区域在待处理图像中的分布区间与待处理图像的宽度的比值。
S306:根据预先设定的头肩数量及宽度比值与置信度阈值的对应关系,确定该头肩区域的数量及计算得到的宽度的比值对应的置信度阈值。其中,所述对应关系中:头肩数量越大,置信度阈值越小;宽度比值越小,置信度阈值越小。
S307:根据预先设定的头肩数量及宽度比值与非极大值抑制阈值的对应关系,确定该头肩区域的数量及计算得到的宽度的比值对应的非极大值抑制阈值。其中,所述对应关系中:头肩数量越大,非极大值抑制阈值越大;宽度比值越大,非极大值抑制阈值越小。
S308:统计置信度大于所确定的置信度阈值的头肩区域数量。
S309:针对置信度大于所确定的置信度阈值的每个头肩区域,计算该头肩区域与置信度大于所确定的置信度阈值的、除该头肩区域外所有头肩区域的交集面积及并集面积;计算该交集面积与该并集面积的比值。
S310:统计交集面积与并集面积的比值小于所确定的非极大值抑制阈值的头肩区域数量,作为该待处理图像中的人数。
可以先执行303、S304,再执行S305;或者也可以先执行S305,再执行303、S304;或者S303、S304也可以与S305同时执行,具体不做限定。S307可以在S303-S305之后、S310之前的任一位置,具体位置不做限定。
在图3所示实施例中,基于头肩数量、头肩区域在待处理图像中的分布区间的宽度与待处理图像的宽度的比值,确定置信度阈值及非极大值抑制阈值;利用置信度阈值及非极大值抑制阈值,确定待处理图像中的人数。
举例来说,在图3所示实施例中,设定头肩数量及宽度比值与置信度阈值的对应关系时,可以针对头肩数量设定一阈值,为了方便描述,将其称为第一阈值,如果头肩数量大于该第一阈值,则将第一标志位置1,如果头肩数量不大于该第一阈值,则将第一标志位置0;针对宽度比值设定一阈值,为了方便描述,将其称为第二阈值,如果宽度比值小于该第二阈值,则将第二标志位置1,如果宽度比值不小于该第二阈值,则将第二标志位置0。
这样,第一标志位及第二标志位有:00、01、10、11四种组合,可以针对这四种组合设定4个置信度阈值,每个组合对应一个置信度阈值。其中,00对应的头肩数量小、宽度比值大,因此置信度阈值最大,11对应的头肩数量大、宽度比值小,因此置信度阈值最小。
类似的,再举一例,在图3所示实施例中,设定头肩数量及宽度比值与非极大值抑制阈值的对应关系时,可以针对头肩数量设定一阈值,为了方便描述,将其称为第三阈值,如果头肩数量大于该第三阈值,则将第三标志位置1,如果头肩数量不大于该第三阈值,则将第三标志位置0;针对宽度比值设定一阈值,为了方便描述,将其称为第四阈值,如果宽度比值小于该第四阈值,则将第四标志位置1,如果宽度比值不小于该第四阈值,则将第四标志位置0。
这样,第三标志位及第四标志位有:00、01、10、11四种组合,可以针对这四种组合设定4个非极大值抑制阈值,每个组合对应一个非极大值抑制阈值。其中,00对应的头肩数量小、宽度比值大,因此非极大值抑制阈值最小,11对应的头肩数量大、宽度比值小,因此非极大值抑制阈值最大。
上述第一阈值、第二阈值、第三阈值、第四阈值可以根据实际情况进行设定,第一阈值与第三阈值可以相同或不同,第二阈值与第四阈值可以相同或不同。
应用图3所示实施例,第一方面,基于所检测到的头肩区域的数量、以及计算得到的分布区间的宽度与待处理图像的宽度的比值这两方面,来确定对应的置信度阈值及非极大值抑制阈值,确定的置信度阈值及非极大值抑制阈值更准确;第二方面,利用置信度阈值及非极大值抑制阈值,确定待处理图像中的人数,相比于仅利用置信度阈值确定待处理图像中的人数,提高了人数统计结果的准确性。
与上述方法实施例相对应,本发明实施例还提供一种人数统计装置,如图4所示,所述装置包括:
第一获取模块401,用于获取待处理图像;
检测模块402,用于利用头肩检测算法,检测得到所述待处理图像中的头肩区域及头肩区域的置信度;
第一确定模块403,用于确定所检测到的头肩区域在所述待处理图像中的分布参数,作为待处理分布参数;
第二确定模块404,用于确定所检测到的头肩区域在所述待处理图像中的分布参数,作为待处理分布参数;
统计模块405,用于统计置信度大于所确定的置信度阈值的头肩区域数量;
第三确定模块406,用于根据所述置信度大于所确定的置信度阈值的头肩区域数量,确定所述待处理图像中的人数。
作为一种实施方式,所述装置还可以包括:第二获取模块和均衡处理模块(图中未示出),其中,
第二获取模块,用于获取所述待处理图像的灰度直方图;
均衡处理模块,用于利用所述灰度直方图,对所述待处理图像进行均衡处理,得到均衡处理后的图像;
检测模块402,具体可以用于:
利用头肩检测算法,检测所述均衡处理后的图像中的头肩区域。
作为一种实施方式,第一确定模块403,具体可以用于:确定所检测到的头肩区域的数量,作为待处理分布参数。
作为一种实施方式,第一确定模块403,可以包括:判断子模块、确定子模块和统计子模块(图中未示出),其中,
判断子模块,用于针对所检测到的每个头肩区域,判断该头肩区域是否存在于所述待处理图像中的预设区域中;如果是,触发确定子模块;
确定子模块,用于将该头肩区域确定为待统计头肩区域;
统计子模块,用于统计所确定的待统计头肩区域之和,作为所检测到的头肩区域的数量,也就是待处理分布参数。
作为一种实施方式,第一确定模块403,具体可以用于:
针对所检测到的每个头肩区域,判断该头肩区域与所述待处理图像中的预设区域的交集面积是否大于预设面积阈值;或者判断该头肩区域与所述待处理图像中的预设区域的交集面积与该头肩区域面积的比值是否大于预设比例阈值;如果判断结果为是,则将该头肩区域确定为待统计头肩区域;
统计所确定的待统计头肩区域之和,作为所检测到的头肩区域的数量。
作为一种实施方式,所述装置还可以包括:
第四确定模块(图中未示出),用于根据预先设定的分布参数与非极大值抑制阈值的对应关系,确定所述待处理分布参数对应的非极大值抑制阈值;
第三确定模块406,具体可以用于:
针对置信度大于所确定的置信度阈值的每个头肩区域,计算该头肩区域与置信度大于所确定的置信度阈值的、除该头肩区域外所有头肩区域的交集面积及并集面积;计算所述交集面积与所述并集面积的比值;
统计交集面积与并集面积的比值小于所确定的非极大值抑制阈值的头肩区域数量,作为所述待处理图像中的人数。
作为一种实施方式,第一确定模块403,具体可以用于:
确定所检测到的头肩区域的数量;
确定所检测到的头肩区域在所述待处理图像中的分布区间;
计算所述分布区间的宽度与所述待处理图像的宽度的比值;
将所检测到的头肩区域的数量以及所述比值确定为待处理分布参数。
作为一种实施方式,所述待处理图像为针对教室采集到的图像;所述装置还可以包括:计算模块和第五确定模块(图中未示出),其中,
计算模块,用于计算所述待处理图像中的人数与预设学生人数的比值;
第五确定模块,用于根据所述人数的比值,确定到课率。
作为一种实施方式,所述第五确定模块,具体可以用于:
计算多张待处理图像中的人数与预设学生人数的比值的平均值,作为到课率。
应用本发明图4所示实施例,利用头肩检测算法,检测得到图像中的头肩区域及头肩区域的置信度,再根据头肩区域在图像中的分布参数确定置信度阈值,统计图像中置信度大于该置信度阈值的头肩区域数量,根据该数量,确定图像中的人数;可见,第一方面,本方案并不是基于类似于人头的圆形进行人头统计,即使人员头戴不规则帽子、或者图像中存在其他的圆形物体,也不会影响计数的准确性;第二方面,本方案中根据头肩区域在图像中的分布参数设定置信度阈值,分布越密集,置信度阈值越小,这样,在人员遮挡情况较严重的密集场景中,由于置信度阈值小,减少了人员遮挡导致计数偏小的情况发生的概率。
本发明实施例还提供了一种电子设备,如图5所示,包括处理器501和存储器502;其中,
存储器502,用于存放计算机程序;
处理器501,用于执行存储器502上所存放的程序时,实现上述任一种人数统计方法。
上述电子设备提到的存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
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 SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。
本发明实施例还提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一种人数统计方法。
本发明实施例还提供了一种人数统计系统,如图6所示,包括:图像采集设备及服务器,其中,
所述图像采集设备,用于针对目标场景进行图像采集,得到待处理图像,将所述待处理图像发送给所述服务器;
所述服务器,用于接收所述待处理图像;利用头肩检测算法,检测得到所述待处理图像中的头肩区域及头肩区域的置信度;确定所检测到的头肩区域在所述待处理图像中的分布参数,作为待处理分布参数;根据预先设定的分布参数与置信度阈值的对应关系,确定所述待处理分布参数对应的置信度阈值;统计置信度大于所确定的置信度阈值的头肩区域数量;根据所述置信度大于所确定的置信度阈值的头肩区域数量,确定所述待处理图像中的人数。
本实施例中的服务器可以执行上述任一种人数统计方法。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,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,对于图4所示的人数统计装置实施例、图5所示的电子设备实施例、上述计算机可读存储介质实施例、以及图6所示的人数统计系统实施例而言,由于其基本相似于图1-3所示的人数统计方法实施例,所以描述的比较简单,相关之处参见图1-3所示的人数统计方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (20)
1.一种人数统计方法,其特征在于,所述方法包括:
获取待处理图像;
利用头肩检测算法,检测得到所述待处理图像中的头肩区域及头肩区域的置信度;
确定所检测到的头肩区域在所述待处理图像中的分布参数,作为待处理分布参数;
根据预先设定的分布参数与置信度阈值的对应关系,确定所述待处理分布参数对应的置信度阈值;
统计置信度大于所确定的置信度阈值的头肩区域数量;
根据所述置信度大于所确定的置信度阈值的头肩区域数量,确定所述待处理图像中的人数。
2.根据权利要求1所述的方法,其特征在于,在所述获取待处理图像之后,还包括:
获取所述待处理图像的灰度直方图;
利用所述灰度直方图,对所述待处理图像进行均衡处理,得到均衡处理后的图像;
所述利用头肩检测算法,检测得到所述待处理图像中的头肩区域及头肩区域的置信度,包括:
利用头肩检测算法,检测所述均衡处理后的图像中的头肩区域及头肩区域的置信度。
3.根据权利要求1所述的方法,其特征在于,所述确定所检测到的头肩区域在所述待处理图像中的分布参数,作为待处理分布参数,包括:
确定所检测到的头肩区域的数量,作为待处理分布参数。
4.根据权利要求3所述的方法,其特征在于,所述确定所检测到的头肩区域的数量,包括:
针对所检测到的每个头肩区域,判断该头肩区域是否存在于所述待处理图像中的预设区域中;如果是,将该头肩区域确定为待统计头肩区域;
统计所确定的待统计头肩区域之和,作为所检测到的头肩区域的数量。
5.根据权利要求3所述的方法,其特征在于,所述确定所检测到的头肩区域的数量,包括:
针对所检测到的每个头肩区域,判断该头肩区域与所述待处理图像中的预设区域的交集面积是否大于预设面积阈值;或者判断该头肩区域与所述待处理图像中的预设区域的交集面积与该头肩区域面积的比值是否大于预设比例阈值;如果判断结果为是,则将该头肩区域确定为待统计头肩区域;
统计所确定的待统计头肩区域之和,作为所检测到的头肩区域的数量。
6.根据权利要求1所述的方法,其特征在于,在所述确定所检测到的头肩区域在所述待处理图像中的分布参数,作为待处理分布参数之后,还包括:
根据预先设定的分布参数与非极大值抑制阈值的对应关系,确定所述待处理分布参数对应的非极大值抑制阈值;
所述根据所述置信度大于所确定的置信度阈值的头肩区域数量,确定所述待处理图像中的人数,包括:
针对置信度大于所确定的置信度阈值的每个头肩区域,计算该头肩区域与置信度大于所确定的置信度阈值的、除该头肩区域外所有头肩区域的交集面积及并集面积;计算所述交集面积与所述并集面积的比值;
统计交集面积与并集面积的比值小于所确定的非极大值抑制阈值的头肩区域数量,作为所述待处理图像中的人数。
7.根据权利要求1或6所述的方法,其特征在于,所述确定所检测到的头肩区域在所述待处理图像中的分布参数,作为待处理分布参数,包括:
确定所检测到的头肩区域的数量;
确定所检测到的头肩区域在所述待处理图像中的分布区间;
计算所述分布区间的宽度与所述待处理图像的宽度的比值;
将所检测到的头肩区域的数量以及所述比值确定为待处理分布参数。
8.根据权利要求1所述的方法,其特征在于,所述待处理图像为针对教室采集到的图像;在所述确定所述待处理图像中的人数之后,还包括:
计算所述待处理图像中的人数与预设学生人数的比值;
根据所述人数的比值,确定到课率。
9.根据权利要求8所述的方法,其特征在于,所述根据所述人数的比值,确定到课率,包括:
计算多张待处理图像中的人数与预设学生人数的比值的平均值,作为到课率。
10.一种人数统计装置,其特征在于,所述装置包括:
第一获取模块,用于获取待处理图像;
检测模块,用于利用头肩检测算法,检测得到所述待处理图像中的头肩区域及头肩区域的置信度;
第一确定模块,用于确定所检测到的头肩区域在所述待处理图像中的分布参数,作为待处理分布参数;
第二确定模块,用于根据预先设定的分布参数与置信度阈值的对应关系,确定所述待处理分布参数对应的置信度阈值;
统计模块,用于统计置信度大于所确定的置信度阈值的头肩区域数量;
第三确定模块,用于根据所述置信度大于所确定的置信度阈值的头肩区域数量,确定所述待处理图像中的人数。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于获取所述待处理图像的灰度直方图;
均衡处理模块,用于利用所述灰度直方图,对所述待处理图像进行均衡处理,得到均衡处理后的图像;
所述检测模块,具体用于:
利用头肩检测算法,检测所述均衡处理后的图像中的头肩区域。
12.根据权利要求10所述的装置,其特征在于,所述第一确定模块,具体用于:确定所检测到的头肩区域的数量,作为待处理分布参数。
13.根据权利要求12所述的装置,其特征在于,所述第一确定模块,包括:
判断子模块,用于针对所检测到的每个头肩区域,判断该头肩区域是否存在于所述待处理图像中的预设区域中;如果是,触发确定子模块;
确定子模块,用于将该头肩区域确定为待统计头肩区域;
统计子模块,用于统计所确定的待统计头肩区域之和,作为所检测到的头肩区域的数量。
14.根据权利要求12所述的装置,其特征在于,所述第一确定模块,具体用于:
针对所检测到的每个头肩区域,判断该头肩区域与所述待处理图像中的预设区域的交集面积是否大于预设面积阈值;或者判断该头肩区域与所述待处理图像中的预设区域的交集面积与该头肩区域面积的比值是否大于预设比例阈值;如果判断结果为是,则将该头肩区域确定为待统计头肩区域;
统计所确定的待统计头肩区域之和,作为所检测到的头肩区域的数量。
15.根据权利要求10所述的装置,其特征在于,所述装置还包括:
第四确定模块,用于根据预先设定的分布参数与非极大值抑制阈值的对应关系,确定所述待处理分布参数对应的非极大值抑制阈值;
所述第三确定模块,具体用于:
针对置信度大于所确定的置信度阈值的每个头肩区域,计算该头肩区域与置信度大于所确定的置信度阈值的、除该头肩区域外所有头肩区域的交集面积及并集面积;计算所述交集面积与所述并集面积的比值;
统计交集面积与并集面积的比值小于所确定的非极大值抑制阈值的头肩区域数量,作为所述待处理图像中的人数。
16.根据权利要求10或15所述的装置,其特征在于,所述第一确定模块,具体用于:
确定所检测到的头肩区域的数量;
确定所检测到的头肩区域在所述待处理图像中的分布区间;
计算所述分布区间的宽度与所述待处理图像的宽度的比值;
将所检测到的头肩区域的数量以及所述比值确定为待处理分布参数。
17.根据权利要求10所述的装置,其特征在于,所述待处理图像为针对教室采集到的图像;所述装置还包括:
计算模块,用于计算所述待处理图像中的人数与预设学生人数的比值;
第五确定模块,用于根据所述人数的比值,确定到课率。
18.根据权利要求17所述的装置,其特征在于,所述第五确定模块,具体用于:
计算多张待处理图像中的人数与预设学生人数的比值的平均值,作为到课率。
19.一种电子设备,其特征在于,包括处理器和存储器;其中,
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-9任一所述方法的步骤。
20.一种人数统计系统,其特征在于,包括:图像采集设备及服务器,其中,所述图像采集设备,用于针对目标场景进行图像采集,得到待处理图像,将所述待处理图像发送给所述服务器;
所述服务器,用于接收所述待处理图像;利用头肩检测算法,检测得到所述待处理图像中的头肩区域及头肩区域的置信度;确定所检测到的头肩区域在所述待处理图像中的分布参数,作为待处理分布参数;根据预先设定的分布参数与置信度阈值的对应关系,确定所述待处理分布参数对应的置信度阈值;统计置信度大于所确定的置信度阈值的头肩区域数量;根据所述置信度大于所确定的置信度阈值的头肩区域数量,确定所述待处理图像中的人数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711294409.9A CN109902537B (zh) | 2017-12-08 | 2017-12-08 | 一种人数统计方法、装置、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711294409.9A CN109902537B (zh) | 2017-12-08 | 2017-12-08 | 一种人数统计方法、装置、系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109902537A CN109902537A (zh) | 2019-06-18 |
CN109902537B true CN109902537B (zh) | 2021-04-02 |
Family
ID=66940321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711294409.9A Active CN109902537B (zh) | 2017-12-08 | 2017-12-08 | 一种人数统计方法、装置、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109902537B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191501A (zh) * | 2019-11-20 | 2020-05-22 | 恒大智慧科技有限公司 | 智慧景区内游客聚集行为的自动预警方法、设备及介质 |
CN112200187A (zh) * | 2020-10-16 | 2021-01-08 | 广州云从凯风科技有限公司 | 一种目标检测方法、装置、机器可读介质及设备 |
CN116229369A (zh) * | 2023-03-03 | 2023-06-06 | 嘉洋智慧安全科技(北京)股份有限公司 | 人流量的检测方法、装置、设备及计算机可读存储介质 |
Citations (5)
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 |
CN105844234A (zh) * | 2016-03-21 | 2016-08-10 | 商汤集团有限公司 | 一种基于头肩检测的人数统计的方法及设备 |
CN106295460A (zh) * | 2015-05-12 | 2017-01-04 | 株式会社理光 | 人的检测方法及设备 |
CN106960195A (zh) * | 2017-03-27 | 2017-07-18 | 深圳市丰巨泰科电子有限公司 | 一种基于深度学习的人群计数方法及装置 |
CN107423708A (zh) * | 2017-07-25 | 2017-12-01 | 成都通甲优博科技有限责任公司 | 一种确定视频中行人人流量的方法及其装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9740937B2 (en) * | 2012-01-17 | 2017-08-22 | Avigilon Fortress Corporation | System and method for monitoring a retail environment using video content analysis with depth sensing |
-
2017
- 2017-12-08 CN CN201711294409.9A patent/CN109902537B/zh active Active
Patent Citations (5)
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 |
CN106295460A (zh) * | 2015-05-12 | 2017-01-04 | 株式会社理光 | 人的检测方法及设备 |
CN105844234A (zh) * | 2016-03-21 | 2016-08-10 | 商汤集团有限公司 | 一种基于头肩检测的人数统计的方法及设备 |
CN106960195A (zh) * | 2017-03-27 | 2017-07-18 | 深圳市丰巨泰科电子有限公司 | 一种基于深度学习的人群计数方法及装置 |
CN107423708A (zh) * | 2017-07-25 | 2017-12-01 | 成都通甲优博科技有限责任公司 | 一种确定视频中行人人流量的方法及其装置 |
Non-Patent Citations (1)
Title |
---|
Enhanced people counting system based head-shoulder detection in dense crowd scenario;Mohammed Abul Hassan等;《2016 6th International Conference on Intelligent and Advanced Systems》;20160817;第1-6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109902537A (zh) | 2019-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021120867A1 (zh) | 高空抛物的监测方法、装置、电子设备及存储介质 | |
US11102417B2 (en) | Target object capturing method and device, and video monitoring device | |
Bahrami et al. | A fast approach for no-reference image sharpness assessment based on maximum local variation | |
CN109902537B (zh) | 一种人数统计方法、装置、系统及电子设备 | |
US7982774B2 (en) | Image processing apparatus and image processing method | |
Jing et al. | Foreground motion detection by difference-based spatial temporal entropy image | |
CN111210399B (zh) | 一种成像质量评价方法、装置及设备 | |
KR20050012751A (ko) | 로컬 에지 통계적 분포를 기초로 선명도 메트릭스들을추정하는 방법 및 시스템 | |
CN109426785B (zh) | 一种人体目标身份识别方法及装置 | |
US10452922B2 (en) | IR or thermal image enhancement method based on background information for video analysis | |
CN111723644A (zh) | 一种监控视频遮挡检测方法及系统 | |
JP2007066124A (ja) | 背景画像生成方法とその装置及び画像監視システム | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
JP2010097412A (ja) | 煙検出装置 | |
CN110114801B (zh) | 图像前景检测装置及方法、电子设备 | |
CN107590431B (zh) | 一种基于图像识别的数量统计方法及装置 | |
CN111814776A (zh) | 一种图像处理方法、设备、服务器及存储介质 | |
CN111967345A (zh) | 一种实时判定摄像头遮挡状态的方法 | |
CN109753886B (zh) | 一种人脸图像的评价方法、装置及设备 | |
US7440636B2 (en) | Method and apparatus for image processing | |
CN110956616A (zh) | 一种基于立体视觉的目标检测方法及系统 | |
CN115830513A (zh) | 一种图像场景变化确定的方法、装置、系统及存储介质 | |
CN111325073A (zh) | 基于运动信息聚类的监控视频异常行为检测方法 | |
Xu et al. | Denoising for dynamic vision sensor based on augmented spatiotemporal correlation | |
Patel et al. | Illumination invariant moving object detection |
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 |