CN109934113B - 一种教室人数清点方法及其系统、装置、存储介质 - Google Patents
一种教室人数清点方法及其系统、装置、存储介质 Download PDFInfo
- Publication number
- CN109934113B CN109934113B CN201910116064.0A CN201910116064A CN109934113B CN 109934113 B CN109934113 B CN 109934113B CN 201910116064 A CN201910116064 A CN 201910116064A CN 109934113 B CN109934113 B CN 109934113B
- Authority
- CN
- China
- Prior art keywords
- different
- rectangular
- picture
- detection results
- detected
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种教室人数清点方法及其系统、装置、存储介质,通过提取多个特征,训练生成多种不同的检测器,可以分别针对人体不同的特征进行识别检测,提高对识别目标的表达能力,然后通过将不同检测器的检测结果进行去重,实现不同检测器检测结果的融合,从而提高了人体识别的精度,提高人数清点的精度。
Description
技术领域
本发明涉及图像识别领域,尤其是一种教室人数清点方法及其系统、装置、存储介质。
背景技术
一般来说,老师在课堂开始的时候会对参课的人数进行统计,传统的方式是人工进行人数清点,这种方式效率低下,占用课堂时间长。随着科学技术的发展,开始出现利用人体特征的识别进行人数清点的方式,这种方式主要是通过识别出人体某一个部位特征,并统计该特征出现的数量作为最终的人数。虽然这种方式对比传统的人工清点的效率要高,但是其仅仅针对人体某一个部位特征,针对性强,对于识别目标的表达能力不足,容易受到光线、角度等因素的影响,导致人数清点的错误率较高。
发明内容
为解决上述问题,本发明的目的在于提供一种教室人数清点方法及其系统、装置、存储介质,能够有效提高人数清点的正确率。
本发明解决其问题所采用的技术方案是:
第一方面,本发明实施例提出了一种教室人数清点方法,包括:
收集教室内的环境图片;
对环境图片进行多个不同特征的提取;
将提取的特征作为样本进行训练,生成多种不同的检测器;
将多种不同的检测器对待测图片的初步检测结果进行去重,得到最终检测结果。
进一步,所述对环境图片进行多个不同特征的提取,包括:
标记出环境图片中人体的不同部位;
将不同部位的特征转化成多个不同的特征向量。
进一步,所述将不同部位的特征转化成多个不同的特征向量,包括:
将环境图片进行灰度化及颜色校正;
统计环境图片每个像素的梯度;
将环境图片划分成图像块,统计每个图像块的梯度直方图;
将不同的特征点的图像块组合起来得到对应特征点的特征向量。
进一步,所述多种不同的检测器,包括头部检测器、肩部检测器、脸部检测器。
进一步,所述将多种不同的检测器对待测图片的初步检测结果进行去重,得到最终检测结果,包括:
将待测图片输入不同的检测器,输出对应的初步检测结果,以利用矩形区间标定待测图片;
判断两个矩形区间是否出现重叠现象,若不同检测器的初步检测结果中的其中两个矩形区间出现重叠现象,则去掉其中一个区间面积较大的矩形区间;
以向量的形式储存剩余的矩形区间,并在待测图片上进行标记。
进一步,若不同检测器的初步检测结果中的其中两个矩形区间出现重叠现象,则将重叠面积与两个矩形区间中较小的区间面积作比较,若重叠面积大于所述较小的区间面积的一半,则去掉两个矩形区间中区间面积较大的矩形区间,否则同时保留两个矩形区间。
进一步,判断两个矩形区间是否出现重叠现象的步骤包括:
设定原点位置,将矩形区间的四条边以向量的方式储存;
根据坐标分别判断其中一个矩形区间的四个顶角是否位于另一个矩形区间内。
第二方面,本发明实施例还提供了一种教室人数清点系统,包括:
收集单元,用于收集教室内的环境图片;
特征提取单元,用于对环境图片进行多个不同特征的提取;
训练单元,用于将提取的特征作为样本进行训练,生成多种不同的检测器;
去重单元,用于将多种不同的检测器对待测图片的初步检测结果进行去重,得到最终检测结果。
第三方面,本发明实施例还提供了一种教室人数清点装置,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明第一方面所述的方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行本发明第一方面所述的方法。
本发明实施例中提供的一个或多个技术方案,至少具有如下有益效果:本发明实施例提供的一种教室人数清点方法,通过提取多个特征,训练生成多种不同的检测器,可以分别针对人体不同的特征进行识别检测,提高对识别目标的表达能力,然后通过将不同检测器的检测结果进行去重,实现不同检测器检测结果的融合,从而提高了人体识别的精度,提高人数清点的精度。
本发明实施例提供的一种教室人数清点系统,通过特征提取单元提取多个特征,然后通过训练单元训练生成多种不同的检测器,可以分别针对人体不同的特征进行识别检测,提高对识别目标的表达能力,然后去重单元通过将不同检测器的检测结果进行去重,实现不同检测器检测结果的融合,从而提高了人体识别的精度,提高人数清点的精度。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明一种教室人数清点方法的一个实施例的流程图;
图2是本发明一种教室人数清点方法的一个实施例中对环境图片进行多个不同特征的提取的流程图;
图3是本发明一种教室人数清点方法的一个实施例中将不同部位的特征转化成多个不同的特征向量的流程图;
图4是本发明一种教室人数清点方法的一个实施例中将多种不同的检测器对待测图片的初步检测结果进行去重,得到最终检测结果的流程图;
图5是本发明一种教室人数清点方法的一个实施例中判断两个矩形区间是否出现重叠现象的流程图;
图6是本发明一种教室人数清点方法的另一个实施例的流程图;
图7是利用传统方法进行实际人数为16人的拟合实验的实验结果的示意图;
图8是利用本发明一种教室人数清点方法进行实际人数为16人的拟合实验的脸部检测结果的示意图;
图9是利用本发明一种教室人数清点方法进行实际人数为16人的拟合实验的肩部检测结果的示意图;
图10是利用本发明一种教室人数清点方法进行实际人数为16人的拟合实验的头部检测结果的示意图;
图11是利用传统方法进行实际人数为16人的泛化实验的实验结果的示意图;
图12是利用本发明一种教室人数清点方法进行实际人数为16人的泛化实验的头部检测结果的示意图;
图13是利用本发明一种教室人数清点方法进行实际人数为16人的泛化实验的头部检测结果的示意图;
图14是利用本发明一种教室人数清点方法进行实际人数为16人的泛化实验的头部检测结果的示意图;
图15是本发明一个实施例中一种教室人数清点系统的示意图;
图16是本发明一个实施例中一种教室人数清点装置的示意图。
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用以解释本发明,并不用于限定本发明。
需要说明的是,如果不冲突,本发明实施例中的各个特征可以相互结合,均在本发明的保护范围之内。另外,虽然在系统示意图中进行了功能单元划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于系统中的单元划分,或流程图中的顺序执行所示出或描述的步骤。
一般来说,老师在课堂开始的时候会对参课的人数进行统计,传统的方式是人工进行人数清点,这种方式效率低下,占用课堂时间长。随着科学技术的发展,开始出现利用人体特征的识别进行人数清点的方式,这种方式主要是通过识别出人体某一个部位特征,并统计该特征出现的数量作为最终的人数。虽然这种方式对比传统的人工清点的效率要高,但是其仅仅针对人体某一个部位特征,针对性强,对于识别目标的表达能力不足,容易受到光线、角度等因素的影响,导致人数清点的错误率较高。
基于此,本发明提供了一种教室人数清点方法及其系统、装置、存储介质,通过提取多个特征,训练生成多种不同的检测器,可以分别针对人体不同的特征进行识别检测,提高对识别目标的表达能力,然后通过将不同检测器的检测结果进行去重,实现不同检测器检测结果的融合,从而提高了人体识别的精度,提高人数清点的精度。
下面结合附图,对本发明实施例作进一步阐述。
参照图1,本发明的第一实施例提供了一种教室人数清点方法,其特征在于,包括但不限于以下步骤:
S100:收集教室内的环境图片;
S200:对环境图片进行多个不同特征的提取;
S300:将提取的特征作为样本进行训练,生成多种不同的检测器;
S400:将多种不同的检测器对待测图片的初步检测结果进行去重,得到最终检测结果。
在本实施例中,收集教室内的环境图片,一种可选的方式是利用摄像头拍摄后传输到后台储存,若需要远程监控,可以选择网络传输的方式。
在本实施例中,采用SVM进行训练,生成多种不同的检测器。支持向量机(SupportVector Machine, SVM)是一类按监督学习方式对数据进行二元分类的广义线性分类器,其决策边界是对学习样本求解的最大边距超平面。一般SVM有下面三种:硬间隔支持向量机(线性可分支持向量机):当训练数据线性可分时,可通过硬间隔最大化学得一个线性可分支持向量机;软间隔支持向量机:当训练数据近似线性可分时,可通过软间隔最大化学得一个线性支持向量机;非线性支持向量机:当训练数据线性不可分时,可通过核方法以及软间隔最大化学得一个非线性支持向量机;SVM在中小量样本规模的时候容易得到数据和特征之间的非线性关系,可以避免使用神经网络结构选择和局部极小值问题,可解释性强,可以解决高维问题。而为了提高检测的精度,尽可能提高作为训练的样本的数量。
在本实施例中,通过提取多个特征,训练生成多种不同的检测器,可以分别针对人体不同的特征进行识别检测,提高对识别目标的表达能力,然后通过将不同检测器的检测结果进行去重,实现不同检测器检测结果的融合,从而提高了人体识别的精度,提高人数清点的精度。
进一步地,参照图2,基于第一实施例,本发明的第二实施例还提供了一种教室人数清点方法,其中,所述步骤S200:对环境图片进行多个不同特征的提取,具体包括:
S210:标记出环境图片中人体的不同部位;
S220:将不同部位的特征转化成多个不同的特征向量。
在本实施例中,人体不同的部位,可以包括头部、脸部、肩部或者人形,先将不同的部位标记出来,并且将不同的特征转化成特征向量,便于作为训练的样本进行输入。
进一步地,参照图3,基于第二实施例,本发明的第三实施例还提供了一种教室人数清点方法,其中,所述步骤S220:将不同部位的特征转化成多个不同的特征向量,具体包括:
S221:将环境图片进行灰度化及颜色校正;
S222:统计环境图片每个像素的梯度;
S223:将环境图片划分成图像块,统计每个图像块的梯度直方图;
S224:将不同的特征点的图像块组合起来得到对应特征点的特征向量。
通过对环境图片进行灰度化及颜色校正,可以有效降低光线变化对识别造成的影响,并且可以抑制噪音的干扰,采用的方法优选Gamma校正法;统计环境图片每个像素的梯度,包括了像素的大小和方向,实现轮廓信息的捕获,同时进一步弱化光线变化造成的干扰;通过统计每个图像块的梯度直方图,可以更好地对特征进行描述。本实施例在图像块的操作层面上进行特征向量的提取,有利于使得图像的几何和光学的形变都能保持很好的不变性,避免一些细微的肢体动作的影响,从而提高检测结果的准确性。
进一步地,基于第一实施例,本发明的第四实施例还提供了一种教室人数清点方法,其中,所述多种不同的检测器,包括头部检测器、肩部检测器、脸部检测器和人形检测器。
在本实施例中,选取了头部检测器、肩部检测器、脸部检测器作为检测器的组合,除此之外,还可以进行更加细化的检测,例如眼部检测器、耳朵检测器、鼻子检测器等。
进一步地,参照图4,基于第一实施例,本发明的第五实施例还提供了一种教室人数清点方法,其中,所述步骤S400:将多种不同的检测器对待测图片的初步检测结果进行去重,得到最终检测结果,具体包括:
S410:将待测图片输入不同的检测器,输出对应的初步检测结果,以利用矩形区间标定待测图片;
S420:判断两个矩形区间是否出现重叠现象,若不同检测器的初步检测结果中的其中两个矩形区间出现重叠现象,则去掉其中一个区间面积较大的矩形区间;
S430:以向量的形式储存剩余的矩形区间,并在待测图片上进行标记。
在本实施例中,通过去重操作,当不同的检测器检测出同一个人体的时候,避免人数出现重复的现象,提高检测的准确性。由于矩形区间的面积越小,其特征描述越准确,因此将两个重叠的矩形区间中面积较大的去掉,达到提高检测精度的效果。而将剩余的矩形区间通过向量的形式进行储存,方便将矩形区间在图片上标记。
进一步地,基于第五实施例,本发明的第六实施例还提供了一种教室人数清点方法,其中,若不同检测器的初步检测结果中的其中两个矩形区间出现重叠现象,则将重叠面积与两个矩形区间中较小的区间面积作比较,若重叠面积大于所述较小的区间面积的一半,则去掉两个矩形区间中区间面积较大的矩形区间,否则同时保留两个矩形区间。
在本实施例中,引入重叠面积作为去重的前置判断条件,当两个矩形区间的重叠面积大于该两个矩形区间中较小的区间面积的一半,才去掉两个矩形区间中区间面积较大的矩形区间,否则,保留两个矩形区间,当因拍摄角度问题导致有两个人体比较靠近的情况出现,可以避免错误去重的情况出现,因此与第五实施例中直接去掉较大面积的矩形区间的方案相比,有利于提高去重的精度,保证最终检测结果的正确率。
进一步地,参照图5,基于第五或者第六实施例,本发明的第七实施例还提供了一种教室人数清点方法,其中,判断两个矩形区间是否出现重叠现象的步骤包括:
S510:设定原点位置,将矩形区间的四条边以向量的方式储存;
S520:根据坐标分别判断其中一个矩形区间的四个顶角是否位于另一个矩形区间内。
下面以实际例子对本实施例做出详细解释。不同的检测器输出的初步检测结果为:{a1,a2,a3..},{b1,b2,b3..},{c1,c2,c3..}..(a1,b1,c1分别表示同一图片不同检测器的结果),以a1与b1的去重为例,a1中其中一个矩形区间i的4条边分别为ileft、iright、itop,ibottom,b1中的其中一个矩形区间j的4条边分别为jleft、jright、jtop,jbottom,以图片的左上角作为原点,将矩形区间的四条边以向量的方式储存。本实施例中在判断重叠现象时,采用的判断方法为a1的四个顶角是否位于b1中,通过向量的坐标即可作出判断,以Tarea表示重叠面积,具体为:
将Tarea与i和j中较小的区间面积做比得到m,当m>0.5时,去掉i和j中面积较大的矩形区间,最后以向量的形式储存剩余的矩形区间,并在待测图片上进行标记即可。本实施例中采用向量坐标判断的方法进行重叠面积的计算和去重,具有简单快捷、效率高的优点。
另外,参照图6,本发明的第八实施例还提供了一种教室人数清点方法,包括但不限于以下步骤:
S610:标记出环境图片中人体的人形及其头部、肩部、脸部,并将上述特征转化成多个不同的特征向量;
S620:利用SVM将提取的特征作为样本进行训练,生成头部检测器、肩部检测器、脸部检测器和人形检测器;
S630:将待测图片输入不同的检测器,若不同检测器的初步检测结果中的其中两个矩形区间出现重叠现象,则将重叠面积与两个矩形区间中较小的区间面积作比较,若重叠面积大于所述较小的区间面积的一半,则去掉两个矩形区间中区间面积较大的矩形区间,否则同时保留两个矩形区间。
下面通过实验数据对本发明进行验证:
首先通过拟合实验进行验证,传统只识别人体一个部位特征的方法实验结果见下表(图7展示了实际人数为16人时的检测结果):
其中,检测率=检测个数/实际人数,正确率=检测正确个数/检测个数,检测准确率=检测正确个数/实际个数(以下实验结果均采用上述规则),将五个实验结果的检测率、正确率、检测准确率取平均数,得出平均检测率=0.6656,平均正确率=0.9846,平均检测准确率=0.6585。
而本发明方法的实验结果见下表(图8-图10展示了实际人数为16人时的不同检测器的检测结果):
图片序号 | 实际人数 | 脸部数量 | 脸部正确 | 肩部数量 | 肩部正确 | 头部数量 | 头部正确 | 重复数量 | 检测个数 | 检测率 | 正确个数 | 正确率 | 准确检测率 |
1 | 16 | 11 | 11 | 4 | 4 | 14 | 14 | 13 | 16 | 1 | 16 | 1 | 1 |
2 | 16 | 8 | 8 | 6 | 6 | 13 | 13 | 13 | 14 | 0.875 | 14 | 1 | 0.875 |
3 | 28 | 11 | 11 | 5 | 5 | 16 | 16 | 14 | 18 | 0.642857 | 18 | 1 | 0.642857 |
4 | 27 | 16 | 16 | 5 | 5 | 19 | 19 | 17 | 23 | 0.851852 | 23 | 1 | 0.851852 |
5 | 29 | 9 | 9 | 10 | 10 | 19 | 19 | 15 | 23 | 0.793103 | 23 | 1 | 0.793103 |
将五个实验结果的检测率、正确率、检测准确率取平均数,得出平均检测率=0.8326,平均正确率=1,平均检测准确率=0.8326。
可见,在拟合实验下,本发明采用的方法的检测准确率比传统的方法高。
下面再通过泛化实验进行验证,传统只识别人体一个部位特征的方法实验结果见下表(图11展示了实际人数为16人时的检测结果):
将五个实验结果的检测率、正确率、检测准确率取平均数,得出平均检测率=0.5605,平均正确率=0.9333,平均检测准确率=0.5334。
而本发明方法的实验结果见下表(图12-图14展示了实际人数为16人时的不同检测器的检测结果):
图片序号 | 实际人数 | 脸部数量 | 脸部正确 | 肩部数量 | 肩部正确 | 头部数量 | 头部正确 | 重复数量 | 检测个数 | 检测率 | 正确个数 | 正确率 | 准确检测率 |
1 | 16 | 9 | 8 | 3 | 3 | 12 | 12 | 12 | 12 | 0.75 | 11 | 0.91666667 | 0.6875 |
2 | 16 | 11 | 9 | 3 | 3 | 12 | 12 | 10 | 16 | 1 | 14 | 0.875 | 0.875 |
3 | 30 | 8 | 8 | 4 | 3 | 13 | 13 | 8 | 17 | 0.56666667 | 16 | 0.94117647 | 0.5333333 |
4 | 28 | 5 | 5 | 2 | 1 | 11 | 9 | 4 | 14 | 0.5 | 11 | 0.78571429 | 0.3928571 |
5 | 108 | 16 | 16 | 4 | 4 | 41 | 41 | 15 | 46 | 0.42592593 | 46 | 1 | 0.4259259 |
将五个实验结果的检测率、正确率、检测准确率取平均数,得出平均检测率=0.6485,平均正确率=0.9037,平均检测准确率=0.5829。
可见,在泛化实验下,本发明采用的方法的检测准确率比传统的方法高。
在本实施例中,通过提取多个特征,训练生成多种不同的检测器,可以分别针对人体不同的特征进行识别检测,提高对识别目标的表达能力,然后通过将不同检测器的检测结果进行去重,实现不同检测器检测结果的融合,从而提高了人体识别的精度,提高人数清点的精度。
此外,参照图15,本发明第九实施例提供了一种教室人数清点系统,包括:
收集单元,用于收集教室内的环境图片;
特征提取单元,用于对环境图片进行多个不同特征的提取;
训练单元,用于将提取的特征作为样本进行训练,生成多种不同的检测器;
去重单元,用于将多种不同的检测器对待测图片的初步检测结果进行去重,得到最终检测结果。
本实施例中的教室人数清点系统,与上述第一至第八实施例中教室人数清点方法基于相同的发明构思,然后通过训练单元训练生成多种不同的检测器,可以分别针对人体不同的特征进行识别检测,提高对识别目标的表达能力,然后去重单元通过将不同检测器的检测结果进行去重,实现不同检测器检测结果的融合,从而提高了人体识别的精度,提高人数清点的精度。
参照图16,本发明的第十实施例还提供了一种教室人数清点装置,包括:
至少一个处理器;
以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上述第一至第八实施例中任意一种教室人数清点方法。
该装置可以是任意类型的智能终端,例如手机、平板电脑、个人计算机等。
处理器和存储器可以通过总线或者其他方式连接,图16中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块,如本发明实施例中的教室人数清点方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行教室人数清点装置的各种功能应用以及数据处理,即实现上述任一方法实施例的教室人数清点方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据教室人数清点装置的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该教室人数清点装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中,当被所述一个或者多个处理器执行时,执行上述任意方法实施例中的教室人数清点方法,例如,执行以上描述的图1中的方法步骤S100至S400,图6中的方法步骤S610至S630。
本发明的第十一实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,例如,被图16中的一个处理器执行,可使得上述一个或多个处理器执行上述方法实施例中的一种教室人数清点方法,例如,执行以上描述的图1中的方法步骤S100至S400、图2中的方法步骤S210至 S220、图3中的方法步骤S221至S224、图4中的方法步骤S410至S430,图5中的方法步骤S510至S520,图6中的方法步骤S610至S630,实现图15中教室人数清点系统各个单元的功能。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (6)
1.一种教室人数清点方法,其特征在于,包括:
收集教室内的环境图片;
对环境图片进行多个不同特征的提取;
将提取的特征作为样本进行训练,生成多种不同的检测器;
将多种不同的检测器对待测图片的初步检测结果进行去重,得到最终检测结果;
所述将多种不同的检测器对待测图片的初步检测结果进行去重,得到最终检测结果,包括:
将待测图片输入不同的检测器,输出对应的初步检测结果,以利用矩形区间标定待测图片;
判断两个矩形区间是否出现重叠现象,若不同检测器的初步检测结果中的其中两个矩形区间出现重叠现象,则去掉其中一个区间面积较大的矩形区间;
以向量的形式储存剩余的矩形区间,并在待测图片上进行标记;
若不同检测器的初步检测结果中的其中两个矩形区间出现重叠现象,则将重叠面积与两个矩形区间中较小的区间面积作比较,若重叠面积大于所述较小的区间面积的一半,则去掉两个矩形区间中区间面积较大的矩形区间,否则同时保留两个矩形区间;
所述对环境图片进行多个不同特征的提取,包括:
标记出环境图片中人体的不同部位;
将不同部位的特征转化成多个不同的特征向量;
所述将不同部位的特征转化成多个不同的特征向量,包括:
将环境图片进行灰度化及颜色校正;
统计环境图片每个像素的梯度;
将环境图片划分成图像块,统计每个图像块的梯度直方图;
将不同的特征点的图像块组合起来得到对应特征点的特征向量。
2.根据权利要求1所述的一种教室人数清点方法,其特征在于,所述多种不同的检测器,包括头部检测器、肩部检测器、脸部检测器。
3.根据权利要求1所述的一种教室人数清点方法,其特征在于,判断两个矩形区间是否出现重叠现象的步骤包括:
设定原点位置,将矩形区间的四条边以向量的方式储存;
根据坐标分别判断其中一个矩形区间的四个顶角是否位于另一个矩形区间内。
4.一种教室人数清点系统,其特征在于,包括:
收集单元,用于收集教室内的环境图片;
特征提取单元,用于对环境图片进行多个不同特征的提取;
训练单元,用于将提取的特征作为样本进行训练,生成多种不同的检测器;
去重单元,用于将多种不同的检测器对待测图片的初步检测结果进行去重,得到最终检测结果;
所述将多种不同的检测器对待测图片的初步检测结果进行去重,得到最终检测结果,包括:
将待测图片输入不同的检测器,输出对应的初步检测结果,以利用矩形区间标定待测图片;
判断两个矩形区间是否出现重叠现象,若不同检测器的初步检测结果中的其中两个矩形区间出现重叠现象,则去掉其中一个区间面积较大的矩形区间;
以向量的形式储存剩余的矩形区间,并在待测图片上进行标记;
若不同检测器的初步检测结果中的其中两个矩形区间出现重叠现象,则将重叠面积与两个矩形区间中较小的区间面积作比较,若重叠面积大于所述较小的区间面积的一半,则去掉两个矩形区间中区间面积较大的矩形区间,否则同时保留两个矩形区间;
所述对环境图片进行多个不同特征的提取,包括:
标记出环境图片中人体的不同部位;
将不同部位的特征转化成多个不同的特征向量;
所述将不同部位的特征转化成多个不同的特征向量,包括:
将环境图片进行灰度化及颜色校正;
统计环境图片每个像素的梯度;
将环境图片划分成图像块,统计每个图像块的梯度直方图;
将不同的特征点的图像块组合起来得到对应特征点的特征向量。
5.一种教室人数清点装置,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-3任一项所述的方法。
6.一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存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910116064.0A CN109934113B (zh) | 2019-02-15 | 2019-02-15 | 一种教室人数清点方法及其系统、装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910116064.0A CN109934113B (zh) | 2019-02-15 | 2019-02-15 | 一种教室人数清点方法及其系统、装置、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109934113A CN109934113A (zh) | 2019-06-25 |
CN109934113B true CN109934113B (zh) | 2023-05-26 |
Family
ID=66985539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910116064.0A Active CN109934113B (zh) | 2019-02-15 | 2019-02-15 | 一种教室人数清点方法及其系统、装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934113B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110895037B (zh) * | 2019-12-01 | 2021-10-01 | 贵阳博粤技术服务中心 | 冷气幅度即时修正系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202548938U (zh) * | 2012-05-09 | 2012-11-21 | 李伟 | 一种智能人数清点系统 |
CN103839035A (zh) * | 2012-11-22 | 2014-06-04 | 富士通株式会社 | 人数统计方法和人数统计系统 |
CN105956557A (zh) * | 2016-05-04 | 2016-09-21 | 长江水利委员会长江科学院 | 一种面向对象的时序遥感影像云覆盖区域自动检测方法 |
CN108416250A (zh) * | 2017-02-10 | 2018-08-17 | 浙江宇视科技有限公司 | 人数统计方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8732025B2 (en) * | 2005-05-09 | 2014-05-20 | Google Inc. | System and method for enabling image recognition and searching of remote content on display |
CN104537392B (zh) * | 2014-12-26 | 2017-10-17 | 电子科技大学 | 一种基于判别性语义部件学习的对象检测方法 |
CN106897698B (zh) * | 2017-02-24 | 2019-12-06 | 常州常工电子科技股份有限公司 | 基于机器视觉与双目协同技术的教室人数检测方法及系统 |
-
2019
- 2019-02-15 CN CN201910116064.0A patent/CN109934113B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202548938U (zh) * | 2012-05-09 | 2012-11-21 | 李伟 | 一种智能人数清点系统 |
CN103839035A (zh) * | 2012-11-22 | 2014-06-04 | 富士通株式会社 | 人数统计方法和人数统计系统 |
CN105956557A (zh) * | 2016-05-04 | 2016-09-21 | 长江水利委员会长江科学院 | 一种面向对象的时序遥感影像云覆盖区域自动检测方法 |
CN108416250A (zh) * | 2017-02-10 | 2018-08-17 | 浙江宇视科技有限公司 | 人数统计方法及装置 |
Non-Patent Citations (1)
Title |
---|
人数统计与人群密度估计技术研究现状与趋势;张君军 等;《计算机工程与科学》;第40卷(第2期);第282-291页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109934113A (zh) | 2019-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10943145B2 (en) | Image processing methods and apparatus, and electronic devices | |
US11151363B2 (en) | Expression recognition method, apparatus, electronic device, and storage medium | |
CN110020592B (zh) | 物体检测模型训练方法、装置、计算机设备及存储介质 | |
EP3916627A1 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
US8792722B2 (en) | Hand gesture detection | |
US8750573B2 (en) | Hand gesture detection | |
CN109359539B (zh) | 注意力评估方法、装置、终端设备及计算机可读存储介质 | |
US20190294863A9 (en) | Method and apparatus for face classification | |
CN110781770B (zh) | 基于人脸识别的活体检测方法、装置及设备 | |
CN110298569B (zh) | 基于眼动识别的学习评价方法及装置 | |
CN112348778B (zh) | 一种物体识别方法、装置、终端设备及存储介质 | |
CN109815823B (zh) | 数据处理方法及相关产品 | |
CN105405130A (zh) | 基于聚类的证照图像高光检测方法及装置 | |
CN112257665A (zh) | 图像内容的识别方法、图像识别模型的训练方法及介质 | |
CN113490947A (zh) | 检测模型训练方法、装置、检测模型使用方法及存储介质 | |
CN108154130B (zh) | 一种目标图像的检测方法、装置及存储介质、机器人 | |
CN112597909A (zh) | 一种用于人脸图片质量评价的方法与设备 | |
CN103065133A (zh) | 雾天行人检测方法及装置 | |
CN109934113B (zh) | 一种教室人数清点方法及其系统、装置、存储介质 | |
CN112488054B (zh) | 一种人脸识别方法、装置、终端设备及存储介质 | |
CN113850238B (zh) | 文档检测方法、装置、电子设备及存储介质 | |
CN113034449B (zh) | 目标检测模型训练方法、装置及通信设备 | |
CN112686851B (zh) | 一种图像检测方法、装置及存储介质 | |
CN114283087A (zh) | 一种图像去噪方法及相关设备 | |
CN111291632B (zh) | 一种行人状态检测方法、装置以及设备 |
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 |