CN109961060B - 用于生成人群密度信息的方法和装置 - Google Patents

用于生成人群密度信息的方法和装置 Download PDF

Info

Publication number
CN109961060B
CN109961060B CN201910290676.1A CN201910290676A CN109961060B CN 109961060 B CN109961060 B CN 109961060B CN 201910290676 A CN201910290676 A CN 201910290676A CN 109961060 B CN109961060 B CN 109961060B
Authority
CN
China
Prior art keywords
image
generation network
network
initial
sample
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
Application number
CN201910290676.1A
Other languages
English (en)
Other versions
CN109961060A (zh
Inventor
袁宇辰
谭啸
文石磊
丁二锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201910290676.1A priority Critical patent/CN109961060B/zh
Publication of CN109961060A publication Critical patent/CN109961060A/zh
Application granted granted Critical
Publication of CN109961060B publication Critical patent/CN109961060B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本公开的实施例公开了用于生成人群密度信息的方法和装置。该方法的一具体实施方式包括：获取图像特征和深度图像，其中，图像特征和深度图像基于同一张待检测图像而生成；将图像特征和深度图像输入至预先训练的人群密度分布生成网络，得到人群密度热图，其中，人群密度分布生成网络用于表征图像特征和深度图像与人群密度热图之间的对应关系，人群密度热图用于表征图像特征对应的图像中各位置显示有人像的概率。该实施方式实现了根据图像特征和对应的深度信息生成人群密度分布热图，进而可以对人群密度预警提供有效的数据支持。

Description

用于生成人群密度信息的方法和装置
技术领域
本公开的实施例涉及计算机技术领域，具体涉及用于生成人群密度信息的方法和装置。
背景技术
随着互联网技术和人工智能技术的不断发展，利用人工智能技术进行自动化分析与计算取得越来越广泛的应用。对于一些需要监控人群密度的区域，例如机场、车站、广场、公园等，可以利用人工智能技术生成人群密度信息。
相关的方式通常是基于人的头部图像进行打点标注，再利用标注后的样本图像训练模型，从而利用训练后的模型生成人群密度信息。
发明内容
本公开的实施例提出了用于生成人群密度信息的方法和装置。
第一方面，本公开的实施例提供了一种用于生成人群密度信息的方法，该方法包括：获取图像特征和深度图像，其中，图像特征和深度图像基于同一张待检测图像而生成；将图像特征和深度图像输入至预先训练的人群密度分布生成网络，得到人群密度热图，其中，人群密度分布生成网络用于表征图像特征和深度图像与人群密度热图之间的对应关系，人群密度热图用于表征图像特征对应的图像中各位置显示有人像的概率。
在一些实施例中，上述图像特征通过如下步骤生成：获取基于待检测图像而生成的图像预处理数据；将图像预处理数据输入至预先训练的特征提取网络，得到图像特征，其中，特征提取网络用于表征图像预处理数据与图像特征之间的对应关系。
在一些实施例中，上述深度图像通过如下步骤生成：将图像预处理数据输入至预先训练的深度信息生成网络，得到深度图像，其中，深度信息生成网络用于表征图像预处理数据与深度图像之间的对应关系。
在一些实施例中，上述特征提取网络、深度信息生成网络和人群密度分布生成网络通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括样本图像和与样本图像对应的样本标注信息，样本标注信息用于表征样本图像中显示的人像的数目；从上述训练样本集合中选取训练样本，以及执行以下训练步骤：将基于选取的训练样本生成的样本图像预处理数据分别输入初始特征提取网络和初始深度信息生成网络，得到与输入的样本图像预处理数据对应的图像特征和深度图像；将所得到的图像特征和深度图像输入初始人群密度分布生成网络，得到与输入的深度图像和图像特征对应的人群密度热图；根据所得到的人群密度热图确定输入的样本图像预处理数据对应的样本图像中显示的人像的数目；根据所确定的人像的数目与对应的样本标注信息确定损失值；基于所确定的损失值确定初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络是否训练完成；响应于确定初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络训练完成，将初始特征提取网络、初始深度信息生成网络和初始人群密度生成网络作为上述特征提取网络、深度信息生成网络和人群密度分布生成网络。
在一些实施例中，训练得到上述特征提取网络、深度信息生成网络和人群密度分布生成网络的步骤还包括：响应于确定初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络未训练完成，调整初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络的网络参数；以及从上述训练样本集合中选取未选取过的训练样本，使用调整后的初始特征提取网络作为初始特征提取网络，使用调整后的初始深度信息生成网络作为初始深度信息生成网络，使用调整后的初始人群密度分布生成网络作为初始人群密度分布生成网络，继续执行上述训练步骤。
在一些实施例中，训练样本通过如下步骤得到：获取样本图像；确定样本图像的标注区域，其中，标注区域用于指示样本图像中，各人像所在的位置；基于核函数对上述标注区域进行模糊处理；根据模糊处理后的标注区域确定样本标注信息；将样本标注信息和样本图像作为训练样本。
在一些实施例中，该方法还包括：根据人群密度热图，确定上述待检测图像中显示的目标区域内的总人数。
在一些实施例中，该方法还包括：响应于确定总人数大于与目标区域对应的预设人数阈值，向目标设备发送告警信号。
第二方面，本公开的实施例提供了一种用于生成人群密度信息的装置，该装置包括：获取单元，被配置成获取图像特征和深度图像，其中，图像特征和深度图像基于同一张待检测图像而生成；生成单元，被配置成将图像特征和深度图像输入至预先训练的人群密度分布生成网络，得到人群密度热图，其中，人群密度分布生成网络用于表征图像特征和深度图像与人群密度热图之间的对应关系，人群密度热图用于表征图像特征对应的图像中各位置显示有人像的概率。
在一些实施例中，上述图像特征通过如下步骤生成：获取基于待检测图像而生成的图像预处理数据；将图像预处理数据输入至预先训练的特征提取网络，得到图像特征，其中，特征提取网络用于表征图像预处理数据与图像特征之间的对应关系。
在一些实施例中，上述深度图像通过如下步骤生成：将图像预处理数据输入至预先训练的深度信息生成网络，得到深度图像，其中，深度信息生成网络用于表征图像预处理数据与深度图像之间的对应关系。
在一些实施例中，上述特征提取网络、深度信息生成网络和人群密度分布生成网络通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括样本图像和与样本图像对应的样本标注信息，样本标注信息用于表征样本图像中显示的人像的数目；从上述训练样本集合中选取训练样本，以及执行以下训练步骤：将基于选取的训练样本生成的样本图像预处理数据分别输入初始特征提取网络和初始深度信息生成网络，得到与输入的样本图像预处理数据对应的图像特征和深度图像；将所得到的图像特征和深度图像输入初始人群密度分布生成网络，得到与输入的深度图像和图像特征对应的人群密度热图；根据所得到的人群密度热图确定输入的样本图像预处理数据对应的样本图像中显示的人像的数目；根据所确定的人像的数目与对应的样本标注信息确定损失值；基于所确定的损失值确定初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络是否训练完成；响应于确定初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络训练完成，将初始特征提取网络、初始深度信息生成网络和初始人群密度生成网络作为特征提取网络、深度信息生成网络和人群密度分布生成网络。
在一些实施例中，上述训练得到特征提取网络、深度信息生成网络和人群密度分布生成网络的步骤还包括：响应于确定初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络未训练完成，调整初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络的网络参数；以及从上述训练样本集合中选取未选取过的训练样本，使用调整后的初始特征提取网络作为初始特征提取网络，使用调整后的初始深度信息生成网络作为初始深度信息生成网络，使用调整后的初始人群密度分布生成网络作为初始人群密度分布生成网络，继续执行上述训练步骤。
在一些实施例中，训练样本通过如下步骤得到：获取样本图像；确定样本图像的标注区域，其中，标注区域用于指示样本图像中，各人像所在的位置；基于核函数对标注区域进行模糊处理；根据模糊处理后的标注区域确定样本标注信息；将样本标注信息和样本图像作为训练样本。
在一些实施例中，该装置还包括：确定单元，被配置成根据人群密度热图，确定待检测图像中显示的目标区域内的总人数。
在一些实施例中，该装置还包括：发送单元，被配置成响应于确定总人数大于与目标区域对应的预设人数阈值，向目标设备发送告警信号。
第三方面，本公开的实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的实施例提供的用于生成人群密度信息的方法和装置，首先，获取图像特征和深度图像，其中，图像特征和深度图像基于同一张待检测图像而生成；之后，将所获取的图像特征和深度图像输入至预先训练的人群密度分布生成网络，得到人群密度热图，其中，人群密度分布生成网络用于表征图像特征和深度图像与人群密度热图之间的对应关系，人群密度热图用于表征图像特征对应的图像中各位置显示有人像的概率。从而实现了根据图像特征和对应的深度信息生成人群密度分布热图，进而可以对人群密度预警提供有效的数据支持。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的用于生成人群密度信息的方法的一个实施例的流程图；
图3是根据本公开的实施例的用于生成人群密度信息的方法的一个应用场景的示意图；
图4是根据本公开的用于生成人群密度信息的方法的又一个实施例的流程图；
图5是根据本公开的用于生成人群密度信息的装置的一个实施例的结构示意图；
图6是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的用于生成人群密度信息的方法或用于生成人群密度信息的装置的示例性架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如搜索类应用、即时通信工具、图像处理类应用、浏览器类应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有图像生成功能并且支持网络通信的各种电子设备，包括但不限于摄像头、智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如为终端设备101、102、103所获取的待处理图像进行分析处理的后台服务器。后台服务器可以对所接收到的图像进行分析处理，并生成处理结果或将处理结果发送给终端设备。
需要说明的是，上述待处理图像也可以直接存储在服务器105的本地，服务器105可以直接提取本地所存储的待处理图像并进行处理，此时，可以不存在终端设备101、102、103和网络104。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本公开的实施例所提供的用于生成人群密度信息的方法一般由服务器105执行，相应地，用于生成人群密度信息的装置一般设置于服务器105中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本公开的用于生成人群密度信息的方法的一个实施例的流程200。该用于生成人群密度信息的方法包括以下步骤：
步骤201，获取图像特征和深度图像。
在本实施例中，用于生成人群密度信息的方法的执行主体(如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取图像特征和深度图像。其中，上述图像特征和深度图像可以是通过各种方式基于同一张待检测图像而生成的。
作为示例，上述执行主体可以首先从通信连接的深度摄像头获取待检测图像和被拍摄对象的深度信息。之后，上述执行主体可以利用各种提取图像特征的方法生成图像特征。其中，上述提取图像特征的方法可以包括但不限于以下至少一项：尺度不变特征变换(Scale-invariant features transform，SIFT)，加速稳健特征(Speeded Up RobustFeatures，SURF)，方向梯度直方图(Histogram of Oriented Gradient，HOG)，高斯函数的差分(Difference of Gaussian，DOG)。而后，上述执行主体可以根据上述被拍摄对象的深度信息生成深度图像(depth image)。其中，上述深度图像中的像素值可以用于表征从图像采集器到场景中各点的距离(深度)。其中，上述距离的单位通常为毫米。
在本实施例的一些可选的实现方式中，上述图像特征可以通过如下步骤生成：
第一步，获取基于待检测图像而生成的图像预处理数据。
在这些实现方式中，用于生成图像特征的执行主体可以首先获取基于待检测图像而生成的图像预处理数据。其中，上述图像预处理数据可以是对待检测图像进行预处理。上述图像预处理方式可以包括利用各种图像缩放算法将待检测图像变换为预设尺寸。例如，上述预设尺寸可以为960×540。上述尺寸的单位可以是像素。上述图像预处理方式还可以包括但不限于以下至少一项：灰度化，去噪处理，直方图均衡化(HistogramEqualization)，亮度、饱和度调整。其中，去噪处理的方法可以包括但不限于以下至少一项：高斯滤波，均值滤波，中值滤波，双边滤波。可选地，上述图像预处理方式还可以包括图像去均值，从而可以移除图像的平均亮度值(intensity)，实现数据特征标准化。作为示例，可以将变换后的图像预处理数据减去预设值。其中，上述预设值可以是深度学习框架所提供的均值文件，也可以是根据预设训练集中的图像所计算出的R、G、B通道的平均值。例如，上述预设值可以是[104,117,123]。
在这些实现方式中，用于生成图像特征的执行主体可以在获取待检测图像后利用上述方式得到图像预处理数据。用于生成图像特征的执行主体也可以从利用上述方式生成图像预处理数据的电子设备获取上述图像预处理数据。上述电子设备可以是通信连接的图像预处理服务器或安装有视觉处理芯片的终端。
第二步，将图像预处理数据输入至预先训练的特征提取网络，得到图像特征。
在这些实现方式中，用于生成图像特征的执行主体可以将上述第一步所获取的图像预处理数据输入至预先训练的特征提取网络，得到图像特征。其中，上述特征提取网络可以用于表征图像预处理数据与图像特征之间的对应关系。上述特征提取网络可以各种能够用于图像特征提取的人工神经网络。例如，上述特征提取网络可以是在ImageNet(一种大型可视化数据库)数据集上预先训练的VGG-16网络(一种经典卷积神经网络结构)。
在本实施例的一些可选的实现方式中，上述深度图像可以通过如下步骤生成：将上述第一步所获取的图像预处理数据输入至预先训练的深度信息生成网络，得到深度图像。其中，上述深度信息生成网络可以用于表征图像预处理数据与深度图像之间的对应关系。
在这些实现方式中，上述深度信息生成网络可以通过如下步骤训练得到：获取训练样本集合，训练样本可以包括样本图像预处理数据和与样本图像预处理数据对应的样本深度图像，其中，样本深度图像可以用于表征从图像采集器到样本深度图像各像素点所对应的场景中各点的距离；将上述训练样本集合中的训练样本的样本图像预处理数据作为初始模型的输入，将与输入的样本图像预处理数据对应的样本深度图像作为期望输出，利用机器学习的方法对上述初始模型的网络参数进行调整，训练得到上述深度信息生成网络。
需要说明的是，上述用于生成图像特征的执行主体、用于生成深度图像的执行主体可以与用于生成人群密度信息的方法的执行主体相同或不同。如果相同，则上述用于生成图像特征的执行主体、用于生成深度图像的执行主体可以在生成图像特征和深度图像后将所生成的图像特征和深度图像存储在本地。如果不同，则上述用于生成图像特征的执行主体、用于生成深度图像的执行主体可以在生成图像特征和深度图像后将所生成的图像特征和深度图像发送给上述用于生成人群密度信息的方法的执行主体。
步骤202，将图像特征和深度图像输入至预先训练的人群密度分布生成网络，得到人群密度热图。
在本实施例中，上述执行主体可以将步骤201所获取的图像特征和深度图像输入至预先训练的人群密度分布生成网络，得到人群密度热图。其中，上述人群密度分布生成网络可以用于表征图像特征和深度图像与人群密度热图(heat map)之间的对应关系。上述人群密度热图可以用于表征图像特征对应的图像中各位置显示有人像的概率。其中，上述概率可以用各种方式来表示。作为示例，可以用0～1之间的数值来表示。作为又一示例，也可以用亮度值来表示，可以理解的是，亮度值的具体取值范围可以根据预先设置的BPP(bitper pixel，像素深度)来确定，例如，若预先设置的BPP为8，则亮度值的取值范围可以是0～(28-1)。在上述示例中，数值越大，对应的概率越高。上述图像中各位置可以以像素为单位，也可以以相邻几个像素组成的像素组为单位。
在本实施例中，上述人群密度分布生成网络可以通过如下步骤训练得到：
第一步，获取初始人群密度分布生成网络。其中，上述初始人群密度分布生成网络可以包括各种CNN(Convolutional Neural Networks，卷积神经网络)。
第二步，获取训练样本集合。其中，训练样本可以包括样本图像特征、样本深度图像和与样本图像特征、样本深度图像对应的样本人群密度热图。其中，样本人群密度热图可以用于表征样本图像特征对应的样本图像中各位置是否显示有人像。
实践中，可以通过多种方式获取训练样本。作为示例，可以首先获取拍摄预设区域(例如车站、广场、公园)的图像作为样本图像。然后，可以利用如前述步骤201所描述的方式生成上述样本图像对应的样本图像特征和样本深度图像。之后，可以将样本图像中人像所在位置对应的像素标注为1、非人像所在位置对应的像素标注为0，将上述由0、1组成的像素矩阵作为样本人群密度热图。最后，将上述样本图像特征、样本深度图像和样本人群密度热图关联存储，得到训练样本。通过对大量的样本图像进行加工处理可以得到大量的训练样本，进而组成训练样本集合。
第三步，将上述训练样本集合中的训练样本的样本图像特征、样本深度图像输入至初始人群密度分布生成网络，得到人群密度热图。然后，计算所得到的人群密度热图与输入的样本图像特征、样本深度图像对应的样本人群密度热图之间的差异程度。之后，根据计算所得到的差异程度调整上述初始人群密度分布生成网络的网络参数，并在满足预设的训练结束条件的情况下结束训练。最后，将训练得到的初始人群密度分布生成网络确定为人群密度分布生成网络。
在本实施例中，可以利用损失函数来计算上述差异程度。上述预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异程度小于预设的差异阈值；测试集上的准确率达到预设的准确率阈值；测试集上的覆盖率达到预设的覆盖率阈值。上述调整网络参数的方式可以包括但不限于以下至少一项：BP(Back Propagation，反向传播)算法，SGD(Stochastic Gradient Descent，随机梯度下降)算法。
需要说明的是，上述训练步骤的执行主体可以与用于生成人群密度信息的方法的执行主体相同或者不同。如果相同，则上述训练步骤的执行主体可以在训练得到人群密度分布生成网络后将训练好的人群密度分布生成网络的网络参数值存储在本地。如果不同，则上述训练步骤的执行主体可以在训练得到人群密度分布生成网络后将训练好的人群密度分布生成网络的网络参数值发送给用于生成人群密度信息的方法执行主体。
在本实施例的一些可选的实现方式中，上述执行主体还可以根据人群密度热图，确定待检测图像中显示的目标区域内的总人数。
在这些实现方式中，上述执行主体还可以根据所生成的人群密度热图的不同表示方式，通过各种方法确定上述待测图像中显示的目标区域内的总人数。其中，上述目标区域可以是预先指定的区域，例如上述待测图像左、右半部分或整个图像所显示的区域。上述目标区域也可以是根据规则而定的区域，例如楼梯区域、路口区域。作为示例，如果上述人群密度热图中的像素对应的数值为0～1之间的概率，上述执行主体可以将目标区域的像素对应的数值进行累加求和，将所得到的结果作为上述目标区域内的总人数。作为又一示例，如果上述人群密度热图中的像素对应的数值为0～255之间的亮度值，上述执行主体可以确定目标区域内亮度值大于预设亮度阈值的像素数目，将所得到的数目作为上述目标区域内的总人数。
在本实施例的一些可选的实现方式中，上述执行主体还可以响应于确定总人数大于与目标区域对应的预设人数阈值，向目标设备发送告警信号。
在这些实现方式中，上述执行主体还可以将上述所确定出的总人数与目标区域对应的预设人数阈值进行比较。其中，上述不同的目标区域可以对应有不同的预设人数阈值。响应于确定上述总人数大于目标区域对应的预设人数阈值，上述执行主体可以向目标设备发送告警信号。其中，上述目标设备可以是根据实际的应用需求而设置的。例如，上述目标设备可以是蜂鸣器、报警灯、显示屏等。相应地，上述告警信号也可以包括各种形式。例如，上述告警信号可以是控制蜂鸣器振动、控制报警灯亮起或闪烁、控制显示屏显示告警信息等的控制信号。从而，可以有效地减少由于人群密度过高而产生的安全隐患。
继续参见图3，图3是根据本公开的实施例的用于生成人群密度信息的方法的应用场景的一个示意图。在图3的应用场景中，后台服务器301首先获取基于同一张待检测图像而生成的图像特征302和深度图像303,。之后，后台服务器301可以将所获取的图像特征302和深度图像303输入至预先训练的人群密度分布生成网络304。而后，上述执行主体可以得到人群密度分布生成网络304的输出人群密度热图305。可选地，后台服务器301可以通过深度摄像头306获取待检测图像307。然后，后台服务器301可以根据所获取的待检测图像307生成对应的图像特征302和深度图像303。
目前，现有技术之一通常是对图像采用基于回归的人体计数方法。但上述方法只能统计出人像总数，而无法提供人像的位置，导致无法获知人群密度的分布。而本公开的上述实施例提供的方法，通过生成人群密度热图可以显示出人群密度的分布情况。此外，现有技术之一通常还可以采用基于对人像头部标注而生成高斯分布的人群密度分布图。但上述方式未考虑人像头部尺寸之间的差别，导致在图像中各人像的头部尺寸变化幅度较大时产生较大的误差。而本公开的上述实施例提供的方法，还通过基于与图像特征所对应的同一张待测图像所生成的深度图像，在生成人群密度热图时体现出图像的深度因素的影响。从而使得所生成的人群密度热图更加接近真实情况，进而可以对人群密度预警提供有效的数据支持。
进一步参考图4，其示出了用于生成人群密度信息的方法的又一个实施例的流程400。该用于生成人群密度信息的方法的流程400，包括以下步骤：
步骤401，获取基于待检测图像而生成的图像预处理数据。
上述步骤401与前述实施例中的步骤201的对应部分一致，上文针对步骤201对应部分的描述也适用于步骤401，此处不再赘述。
步骤402，将图像预处理数据输入至预先训练的特征提取网络，得到图像特征。
在本实施例中，上述特征提取网络可以用于表征图像预处理数据与图像特征之间的对应关系。
步骤403，将图像预处理数据输入至预先训练的深度信息生成网络，得到深度图像。
在本实施例中，上述深度信息生成网络可以用于表征图像预处理数据与深度图像之间的对应关系。
步骤404，将图像特征和深度图像输入至预先训练的人群密度分布生成网络，得到人群密度热图。
在本实施例中，上述人群密度分布生成网络可以用于表征图像预处理数据与人群密度热图之间的对应关系。上述人群密度分布生成网络可以实现根据深度信息的不同对图像特征进行不同的模糊处理，进而将经过上述模糊处理后的图像特征输入预先训练的CNN，使得所生成的人群密度热图能够综合图像的深度因素的影响，从而提高结果的准确性。
作为示例，上述图像特征和深度图像可以表示为等尺寸(例如宽度为400、高度为300)的矩阵形式。其中，用于表征图像特征的矩阵中的元素可以是多维向量。对于位于点(i,j)的图像特征mi,j，其对应的深度值可以为pi,j。其中，1≤i≤400,1≤j≤300。以点(i,j)为中心，对于矩阵中的任一点(k,l)，构造基于pi,j的高斯函数
Figure BDA0002024807550000131
之后，可以利用上述高斯函数
Figure BDA0002024807550000141
对上述图像特征mi,j进行模糊处理，得到模糊处理后的特征
Figure BDA0002024807550000142
其中，上述高斯函数
Figure BDA0002024807550000143
和模糊处理后的特征
Figure BDA0002024807550000144
的具体描述可以参见以下公式：
Figure BDA0002024807550000145
Figure BDA0002024807550000146
式中，1≤k≤400，1≤l≤300，mk,l可以用于表征位于点(k,l)的图像特征。
在本实施例中，上述特征提取网络、深度信息生成网络和人群密度分布生成网络可以通过如下步骤训练得到：
第一步，获取训练样本集合。
在本实施例中，训练样本可以包括样本图像和与样本图像对应的样本标注信息。样本标注信息可以用于表征样本图像中显示的人像的数目。
实践中，可以通过多种方式获取上述训练样本。作为示例，上述执行主体可以首先获取待检测图像作为样本图像。之后，可以由技术人员对所获取的样本图像所显示的人像数目进行计数。之后，将作为样本标注信息的人像数目与对应的样本图像关联存储，形成训练样本。
第二步，训练特征提取网络、深度信息生成网络和人群密度分布生成网络。
在本实施例中，上述执行主体可以从训练样本集合中选取训练样本，以及执行以下训练步骤：将基于选取的训练样本生成的样本图像预处理数据分别输入初始特征提取网络和初始深度信息生成网络，得到与输入的样本图像预处理数据对应的图像特征和深度图像；将所得到的图像特征和深度图像输入初始人群密度分布生成网络，得到与输入的深度图像和图像特征对应的人群密度热图；根据所得到的人群密度热图确定输入的样本图像预处理数据对应的样本图像中显示的人像的数目；根据所确定的人像的数目与对应的样本标注信息确定损失值；基于所确定的损失值确定初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络是否训练完成；响应于确定初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络训练完成，将初始特征提取网络、初始深度信息生成网络和初始人群密度生成网络作为特征提取网络、深度信息生成网络和人群密度分布生成网络。
在本实施例中，上述基于样本图像生成样本图像预处理数据和基于样本图像预处理数据生成图像特征和深度图像的方式可以与前述实施例中步骤201对应部分的描述一致，此处不再赘述。上述初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络可以包括各种CNN。上述根据人群密度热图确定对应的样本图像中显示的人像的数目的方式可以与前述实施例中步骤202对应部分的描述一致，此处不再赘述。
在本实施例中，上述确定损失值的方式可以包括但不限于采用L2损失函数。上述确定训练完成的方式可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的损失值小于预设的阈值；测试集上的准确率达到预设的准确率阈值；测试集上的覆盖率达到预设的覆盖率阈值。
在本实施例的一些可选的实现方式中，上述训练得到特征提取网络、深度信息生成网络和人群密度分布生成网络的步骤还可以包括：
响应于确定初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络未训练完成，上述执行主体可以调整初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络的网络参数；以及从训练样本集合中选取未选取过的训练样本，使用调整后的初始特征提取网络作为初始特征提取网络，使用调整后的初始深度信息生成网络作为初始深度信息生成网络，使用调整后的初始人群密度分布生成网络作为初始人群密度分布生成网络，继续执行训练步骤。
在这些实现方式中，上述调整网络参数的方式可以包括但不限于BP算法。
在本实施例的一些可选的实现方式中，上述训练样本可以通过如下步骤得到：
第一步，获取样本图像。
第二步，确定样本图像的标注区域。
在这些实现方式中，上述标注区域可以用于指示样本图像中，各人像所在的位置。作为示例，上述标注区域可以是样本图像中人像头部对应的像素点。上述执行主体可以建立一个与上述样本图像等尺寸的零矩阵。之后，上述执行主体可以将标注区域的位置对应于上述零矩阵的元素的值改为1，得到标注后的矩阵。
第三步，基于核函数对标注区域进行模糊处理。
在这些实现方式中，上述执行主体可以利用核函数对上述第二步所得到的标注区域进行模糊处理。作为示例，上述执行主体可以利用高斯核将上述第二步得到的标注后的矩阵中的元素的值进行修改。
第四步，根据模糊处理后的标注区域确定样本标注信息。
在这些实现方式中，上述执行主体可以对经过模糊处理后的标注区域对应的值进行累加。作为示例，上述执行主体可以将上述第三步所得到的元素值修改后的矩阵中的元素值累加。然后，可以将所得到的结果确定为样本标注信息。
第五步，将样本标注信息和样本图像作为训练样本。
在本实施例的一些可选的实现方式中，上述执行主体还可以根据人群密度热图，确定待检测图像中显示的目标区域内的总人数。
在本实施例的一些可选的实现方式中，上述执行主体还可以响应于确定总人数大于与目标区域对应的预设人数阈值，向目标设备发送告警信号。
在这些实现方式中，具体实现方式可以对应参考前述实施例中的相关描述，此处不再赘述。
从图4中可以看出，本实施例中的用于生成人群密度信息的方法的流程400体现了将特征提取网络、深度信息生成网络和人群密度分布生成网络联合训练的步骤。由此，本实施例描述的方案可以以端到端的方式对上述特征提取网络、深度信息生成网络和人群密度分布生成网络进行训练，从而简化了训练样本的获取，提高了训练过程的易操作性。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了用于生成人群密度信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例提供的用于生成人群密度信息的装置500包括获取单元501和生成单元502。其中，获取单元501，被配置成获取图像特征和深度图像，其中，图像特征和深度图像基于同一张待检测图像而生成；生成单元502，被配置成将图像特征和深度图像输入至预先训练的人群密度分布生成网络，得到人群密度热图，其中，人群密度分布生成网络用于表征图像特征和深度图像与人群密度热图之间的对应关系，人群密度热图用于表征图像特征对应的图像中各位置显示有人像的概率。
在本实施例中，用于生成人群密度信息的装置500中：获取单元501和生成单元502的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201和步骤202的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述图像特征可以通过如下步骤生成：获取基于待检测图像而生成的图像预处理数据；将图像预处理数据输入至预先训练的特征提取网络，得到图像特征，其中，特征提取网络可以用于表征图像预处理数据与图像特征之间的对应关系。
在本实施例的一些可选的实现方式中，上述深度图像可以通过如下步骤生成：将图像预处理数据输入至预先训练的深度信息生成网络，得到深度图像，其中，深度信息生成网络可以用于表征图像预处理数据与深度图像之间的对应关系。
在本实施例的一些可选的实现方式中，上述特征提取网络、深度信息生成网络和人群密度分布生成网络可以通过如下步骤训练得到：获取训练样本集合，其中，训练样本可以包括样本图像和与样本图像对应的样本标注信息，样本标注信息可以用于表征样本图像中显示的人像的数目；从上述训练样本集合中选取训练样本，以及执行以下训练步骤：将基于选取的训练样本生成的样本图像预处理数据分别输入初始特征提取网络和初始深度信息生成网络，得到与输入的样本图像预处理数据对应的图像特征和深度图像；将所得到的图像特征和深度图像输入初始人群密度分布生成网络，得到与输入的深度图像和图像特征对应的人群密度热图；根据所得到的人群密度热图确定输入的样本图像预处理数据对应的样本图像中显示的人像的数目；根据所确定的人像的数目与对应的样本标注信息确定损失值；基于所确定的损失值确定初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络是否训练完成；响应于确定初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络训练完成，将初始特征提取网络、初始深度信息生成网络和初始人群密度生成网络作为特征提取网络、深度信息生成网络和人群密度分布生成网络。
在本实施例的一些可选的实现方式中，上述训练得到特征提取网络、深度信息生成网络和人群密度分布生成网络的步骤还可以包括：响应于确定初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络未训练完成，调整初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络的网络参数；以及从上述训练样本集合中选取未选取过的训练样本，使用调整后的初始特征提取网络作为初始特征提取网络，使用调整后的初始深度信息生成网络作为初始深度信息生成网络，使用调整后的初始人群密度分布生成网络作为初始人群密度分布生成网络，继续执行上述训练步骤。
在本实施例的一些可选的实现方式中，训练样本可以通过如下步骤得到：获取样本图像；确定样本图像的标注区域，其中，标注区域可以用于指示样本图像中，各人像所在的位置；基于核函数对标注区域进行模糊处理；根据模糊处理后的标注区域确定样本标注信息；将样本标注信息和样本图像作为训练样本。
在本实施例的一些可选的实现方式中，上述用于生成人群密度信息的装置还可以包括确定单元(图中未示出)。上述确定单元可以被配置成根据人群密度热图，确定待检测图像中显示的目标区域内的总人数。
在本实施例的一些可选的实现方式中，上述用于生成人群密度信息的装置还可以包括发送单元(图中未示出)。上述发送单元可以被配置成响应于确定总人数大于与目标区域对应的预设人数阈值，向目标设备发送告警信号。
本公开的上述实施例提供的装置，通过获取单元501获取图像特征和深度图像，其中，图像特征和深度图像基于同一张待检测图像而生成；之后，生成单元502将所获取的图像特征和深度图像输入至预先训练的人群密度分布生成网络，得到人群密度热图，其中，人群密度分布生成网络用于表征图像特征和深度图像与人群密度热图之间的对应关系，人群密度热图用于表征图像特征对应的图像中各位置显示有人像的概率。从而实现了根据图像特征和对应的深度信息生成人群密度分布热图，进而可以对人群密度预警提供有效的数据支持。
下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风等的输入装置606；包括例如液晶显示器(LCD，Liquid Crystal Display)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。
需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机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。而在本公开的实施例中，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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机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：电线、光缆、RF(Radio Frequency，射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取图像特征和深度图像，其中，图像特征和深度图像基于同一张待检测图像而生成；将图像特征和深度图像输入至预先训练的人群密度分布生成网络，得到人群密度热图，其中，人群密度分布生成网络用于表征图像特征和深度图像与人群密度热图之间的对应关系，人群密度热图用于表征图像特征对应的图像中各位置显示有人像的概率。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开的各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括获取单元、生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取图像特征和深度图像的单元，其中，图像特征和深度图像基于同一张待检测图像而生成”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (18)

1.一种用于生成人群密度信息的方法，包括：
获取图像特征和深度图像，其中，所述图像特征和所述深度图像基于同一张待检测图像而生成；
将所述图像特征和所述深度图像输入至预先训练的人群密度分布生成网络，得到人群密度热图，其中，所述人群密度分布生成网络用于表征图像特征和深度图像与人群密度热图之间的对应关系，所述人群密度热图用于表征图像特征对应的图像中各位置显示有人像的概率。
2.根据权利要求1所述的方法，其中，所述图像特征通过如下步骤生成：
获取基于所述待检测图像而生成的图像预处理数据；
将所述图像预处理数据输入至预先训练的特征提取网络，得到所述图像特征，其中，所述特征提取网络用于表征图像预处理数据与图像特征之间的对应关系。
3.根据权利要求2所述的方法，其中，所述深度图像通过如下步骤生成：
将所述图像预处理数据输入至预先训练的深度信息生成网络，得到所述深度图像，其中，所述深度信息生成网络用于表征图像预处理数据与深度图像之间的对应关系。
4.根据权利要求3所述的方法，其中，所述特征提取网络、所述深度信息生成网络和所述人群密度分布生成网络通过如下步骤训练得到：
获取训练样本集合，其中，训练样本包括样本图像和与样本图像对应的样本标注信息，样本标注信息用于表征样本图像中显示的人像的数目；
从所述训练样本集合中选取训练样本，以及执行以下训练步骤：将基于选取的训练样本生成的样本图像预处理数据分别输入初始特征提取网络和初始深度信息生成网络，得到与输入的样本图像预处理数据对应的图像特征和深度图像；将所得到的图像特征和深度图像输入初始人群密度分布生成网络，得到与输入的深度图像和图像特征对应的人群密度热图；根据所得到的人群密度热图确定输入的样本图像预处理数据对应的样本图像中显示的人像的数目；根据所确定的人像的数目与对应的样本标注信息确定损失值；基于所确定的损失值确定初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络是否训练完成；响应于确定初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络训练完成，将初始特征提取网络、初始深度信息生成网络和初始人群密度生成网络作为所述特征提取网络、所述深度信息生成网络和所述人群密度分布生成网络。
5.根据权利要求4所述的方法，其中，训练得到所述特征提取网络、所述深度信息生成网络和所述人群密度分布生成网络的步骤还包括：
响应于确定初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络未训练完成，调整初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络的网络参数；以及从所述训练样本集合中选取未选取过的训练样本，使用调整后的初始特征提取网络作为初始特征提取网络，使用调整后的初始深度信息生成网络作为初始深度信息生成网络，使用调整后的初始人群密度分布生成网络作为初始人群密度分布生成网络，继续执行所述训练步骤。
6.根据权利要求4所述的方法，其中，训练样本通过如下步骤得到：
获取样本图像；
确定所述样本图像的标注区域，其中，所述标注区域用于指示所述样本图像中，各人像所在的位置；
基于核函数对所述标注区域进行模糊处理；
根据所述模糊处理后的标注区域确定样本标注信息；
将所述样本标注信息和样本图像作为训练样本。
7.根据权利要求1-6之一所述的方法，其中，所述方法还包括：
根据所述人群密度热图，确定所述待检测图像中显示的目标区域内的总人数。
8.根据权利要求7所述的方法，其中，所述方法还包括：
响应于确定所述总人数大于与所述目标区域对应的预设人数阈值，向目标设备发送告警信号。
9.一种用于生成人群密度信息的装置，包括：
获取单元，被配置成获取图像特征和深度图像，其中，所述图像特征和所述深度图像基于同一张待检测图像而生成；
生成单元，被配置成将所述图像特征和所述深度图像输入至预先训练的人群密度分布生成网络，得到人群密度热图，其中，所述人群密度分布生成网络用于表征图像特征和深度图像与人群密度热图之间的对应关系，所述人群密度热图用于表征图像特征对应的图像中各位置显示有人像的概率。
10.根据权利要求9所述的装置，其中，所述图像特征通过如下步骤生成：
获取基于所述待检测图像而生成的图像预处理数据；
将所述图像预处理数据输入至预先训练的特征提取网络，得到所述图像特征，其中，所述特征提取网络用于表征图像预处理数据与图像特征之间的对应关系。
11.根据权利要求10所述的装置，其中，所述深度图像通过如下步骤生成：
将所述图像预处理数据输入至预先训练的深度信息生成网络，得到所述深度图像，其中，所述深度信息生成网络用于表征图像预处理数据与深度图像之间的对应关系。
12.根据权利要求11所述的装置，其中，所述特征提取网络、所述深度信息生成网络和所述人群密度分布生成网络通过如下步骤训练得到：
获取训练样本集合，其中，训练样本包括样本图像和与样本图像对应的样本标注信息，样本标注信息用于表征样本图像中显示的人像的数目；
从所述训练样本集合中选取训练样本，以及执行以下训练步骤：将基于选取的训练样本生成的样本图像预处理数据分别输入初始特征提取网络和初始深度信息生成网络，得到与输入的样本图像预处理数据对应的图像特征和深度图像；将所得到的图像特征和深度图像输入初始人群密度分布生成网络，得到与输入的深度图像和图像特征对应的人群密度热图；根据所得到的人群密度热图确定输入的样本图像预处理数据对应的样本图像中显示的人像的数目；根据所确定的人像的数目与对应的样本标注信息确定损失值；基于所确定的损失值确定初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络是否训练完成；响应于确定初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络训练完成，将初始特征提取网络、初始深度信息生成网络和初始人群密度生成网络作为所述特征提取网络、所述深度信息生成网络和所述人群密度分布生成网络。
13.根据权利要求12所述的装置，其中，所述训练得到所述特征提取网络、所述深度信息生成网络和所述人群密度分布生成网络的步骤还包括：
响应于确定初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络未训练完成，调整初始特征提取网络、初始深度信息生成网络和初始人群密度分布生成网络的网络参数；以及从所述训练样本集合中选取未选取过的训练样本，使用调整后的初始特征提取网络作为初始特征提取网络，使用调整后的初始深度信息生成网络作为初始深度信息生成网络，使用调整后的初始人群密度分布生成网络作为初始人群密度分布生成网络，继续执行所述训练步骤。
14.根据权利要求12所述的装置，其中，训练样本通过如下步骤得到：
获取样本图像；
确定所述样本图像的标注区域，其中，所述标注区域用于指示所述样本图像中，各人像所在的位置；
基于核函数对所述标注区域进行模糊处理；
根据所述模糊处理后的标注区域确定样本标注信息；
将所述样本标注信息和样本图像作为训练样本。
15.根据权利要求9-14之一所述的装置，其中，所述装置还包括：
确定单元，被配置成根据所述人群密度热图，确定所述待检测图像中显示的目标区域内的总人数。
16.根据权利要求15所述的装置，其中，所述装置还包括：
发送单元，被配置成响应于确定所述总人数大于与所述目标区域对应的预设人数阈值，向目标设备发送告警信号。
17.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
18.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-8中任一所述的方法。
CN201910290676.1A 2019-04-11 2019-04-11 用于生成人群密度信息的方法和装置 Active CN109961060B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910290676.1A CN109961060B (zh) 2019-04-11 2019-04-11 用于生成人群密度信息的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910290676.1A CN109961060B (zh) 2019-04-11 2019-04-11 用于生成人群密度信息的方法和装置

Publications (2)

Publication Number Publication Date
CN109961060A CN109961060A (zh) 2019-07-02
CN109961060B true CN109961060B (zh) 2021-04-30

Family

ID=67026017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910290676.1A Active CN109961060B (zh) 2019-04-11 2019-04-11 用于生成人群密度信息的方法和装置

Country Status (1)

Country Link
CN (1) CN109961060B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111710009B (zh) * 2020-05-29 2023-06-23 北京百度网讯科技有限公司 人流密度的生成方法、装置、电子设备以及存储介质
CN113515984B (zh) * 2020-06-29 2022-07-19 阿里巴巴集团控股有限公司 数据处理方法、模型训练方法、装置、设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815563A (zh) * 2016-12-27 2017-06-09 浙江大学 一种基于人体表观结构的人群数量预测方法
CN107506692A (zh) * 2017-07-21 2017-12-22 天津大学 一种基于深度学习的密集人群计数与人员分布估计方法
CN108108844A (zh) * 2017-12-25 2018-06-01 儒安科技有限公司 一种城市人流量预测方法及系统
CN108389224A (zh) * 2018-02-26 2018-08-10 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9361524B2 (en) * 2014-10-20 2016-06-07 King Abdullah University Of Science & Technology System and method for crowd counting and tracking
CN105447458B (zh) * 2015-11-17 2018-02-27 深圳市商汤科技有限公司 一种大规模人群视频分析系统和方法
CN107566781B (zh) * 2016-06-30 2019-06-21 北京旷视科技有限公司 视频监控方法和视频监控设备
CN106295557B (zh) * 2016-08-05 2019-09-17 浙江大华技术股份有限公司 一种人群密度估计的方法及装置
CN108563975B (zh) * 2017-07-31 2021-06-25 海峡创新互联网股份有限公司 一种基于深度学习的高密度人群人数估计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815563A (zh) * 2016-12-27 2017-06-09 浙江大学 一种基于人体表观结构的人群数量预测方法
CN107506692A (zh) * 2017-07-21 2017-12-22 天津大学 一种基于深度学习的密集人群计数与人员分布估计方法
CN108108844A (zh) * 2017-12-25 2018-06-01 儒安科技有限公司 一种城市人流量预测方法及系统
CN108389224A (zh) * 2018-02-26 2018-08-10 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN109961060A (zh) 2019-07-02

Similar Documents

Publication Publication Date Title
CN108038880B (zh) 用于处理图像的方法和装置
CN109816589B (zh) 用于生成漫画风格转换模型的方法和装置
CN110660066B (zh) 网络的训练方法、图像处理方法、网络、终端设备及介质
CN109191514B (zh) 用于生成深度检测模型的方法和装置
US20230081645A1 (en) Detecting forged facial images using frequency domain information and local correlation
CN108537152B (zh) 用于检测活体的方法和装置
US10853623B2 (en) Method and apparatus for generating information
CN108197618B (zh) 用于生成人脸检测模型的方法和装置
CN107622240B (zh) 人脸检测方法和装置
CN110400363B (zh) 基于激光点云的地图构建方法和装置
CN108416323B (zh) 用于识别人脸的方法和装置
CN109446990B (zh) 用于生成信息的方法和装置
CN107507153B (zh) 图像去噪方法和装置
CN107679466B (zh) 信息输出方法和装置
CN109472264B (zh) 用于生成物体检测模型的方法和装置
CN109389072B (zh) 数据处理方法和装置
CN108229418B (zh) 人体关键点检测方法和装置、电子设备、存储介质和程序
CN109711508B (zh) 图像处理方法和装置
CN109272543B (zh) 用于生成模型的方法和装置
CN108389172B (zh) 用于生成信息的方法和装置
CN108510084B (zh) 用于生成信息的方法和装置
CN108509921B (zh) 用于生成信息的方法和装置
CN109389096B (zh) 检测方法和装置
CN108229375B (zh) 用于检测人脸图像的方法和装置
CN108509994B (zh) 人物图像聚类方法和装置

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