CN110263703A - 人员流量统计方法、装置和计算机设备 - Google Patents
人员流量统计方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN110263703A CN110263703A CN201910527298.4A CN201910527298A CN110263703A CN 110263703 A CN110263703 A CN 110263703A CN 201910527298 A CN201910527298 A CN 201910527298A CN 110263703 A CN110263703 A CN 110263703A
- Authority
- CN
- China
- Prior art keywords
- face
- statistical
- personnel
- image
- facial image
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种人员流量统计方法、装置、计算机可读存储介质和计算机设备，所述方法包括：获取统计区域在统计时段内多于一帧的现场图像；将所述多于一帧的现场图像中的人脸图像聚类，得到多于一个的聚类簇；将每个所述聚类簇内的人脸图像进行特征融合，得到相应的身份特征；基于人脸库，确定与身份特征匹配的人脸特征对应的人员标识；根据所述人员标识的数量，确定所述统计区域在所述统计时段的人员流量。本申请提供的方案可以同时实现人数统计和人次统计，且可以提高人员流量统计结果准确性。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种人员流量统计方法、装置和计算机设备。
背景技术
基于应急保障、服务排班或活动分析等需求，商家常需要对商场、影院或旅游景点等指定区域在某个时段的人员流量进行统计。若将指定区域内一个自然人从进入到离开记作一人次，将指定区域内出现过的不重复自然人的数量记作人数，则人员流量统计包括人次统计和人数统计。比如，商家期望对领取促销产品的人员流量进行统计，由于存在一人多次领取的情况，则需要从人次和人数两个维度分别进行统计。
传统的人员流量统计方式主要是通过安装在指定区域通道顶部的摄像探头对经过行人进行图像拍摄，再对所拍摄图像进行人头检测，根据检测到的人头数量统计得到人员流量。然而这种统计方式只能统计得到出入指定区域的人次，难以满足对人数统计的需求。
发明内容
基于此，有必要针对目前难以同时满足人数和人次的统计需求的技术问题，提供一种人员流量统计方法、装置、计算机可读存储介质和计算机设备。
一种人员流量统计方法，包括：
获取统计区域在统计时段内多于一帧的现场图像；
将所述多于一帧的现场图像中的人脸图像聚类，得到多于一个的聚类簇；
将每个所述聚类簇内的人脸图像进行特征融合，得到相应的身份特征；
基于人脸库，确定与身份特征匹配的人脸特征对应的人员标识；
根据所述人员标识的数量，确定所述统计区域在所述统计时段的人员流量。
一种人员流量统计装置，所述装置包括：
图像获取模块，用于获取统计区域在统计时段内多于一帧的现场图像；
特征提取模块，用于将所述多于一帧的现场图像中的人脸图像聚类，得到多于一个的聚类簇；将每个所述聚类簇内的人脸图像进行特征融合，得到相应的身份特征；
特征匹配模块，用于基于人脸库，确定与身份特征匹配的人脸特征对应的人员标识；
人员统计模块，用于根据所述人员标识的数量，确定所述统计区域在所述统计时段的人员流量。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述人员流量统计方法的步骤。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述人员流量统计方法的步骤。
上述人员流量统计方法、装置、计算机可读存储介质和计算机设备，基于采集到的多于一帧的现场图像，可以提取得到在统计时段出现在统计区域的每个人员的人脸图像；通过聚类，可将一定置信程度上能够认为是同一人员的人脸图像归入一个聚类簇；将每个聚类簇内多个人脸图像的人脸特征进行合成，使得得到的身份特征相比参与特征融合的单独任一人脸特征更具表征相应聚类簇对应人员身份的能力。人脸特征能够唯一标识一个人员，基于人脸特征可以实现人数统计，而基于合成后的身份特征进行人员流量统计不仅可以实现人数统计，还可提高统计结果准确性。通过检索人脸库中与该身份特征相匹配的人脸特征对应的人员标识，可以仅对人脸库存在相匹配人脸特征的身份特征对应的人员进行流量统计，实际是对身份特征进行筛选的过程，提高了一个身份特征表征一个人员的置信度，进一步提高人员流量统计结果准确性。
附图说明
图1为一个实施例中人员流量统计方法的应用环境图；
图2为一个实施例中人员流量统计方法的流程示意图；
图3为一个实施例中人员流量统计方法的交互时序图；
图4为一个实施例中目标场所内多个统计区域的分布示意图；
图5为一个实施例中人员流量统计方法的流程示意图；
图6为一个具体的实施例中人员流量统计方法的流程示意图；
图7为一个实施例中人员流量统计装置的结构框图；
图8为另一个实施例中人员流量统计装置的结构框图；
图9为一个实施例中计算机设备的结构框图；
图10为另一个实施例中计算机设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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仅用以解释本申请，并不用于限定本申请。
图1为一个实施例中人员流量统计方法的应用环境图。参照图1，该人员流量统计方法应用于人员流量统计系统。该人员流量系统包括图像采集设备110、服务器120和终端130。图像采集设备110与服务器120通过网络连接，服务器 120与终端130通过网络连接。人员流量统计方法可以在服务器120或终端130 完成。图像采集设备110可以将采集到的多于一帧的现场图像发送至服务器120，服务器120采用上述人员流量统计方法对现场图像进行处理，得到统计区域在统计时段的人员流量。或者，图像采集设备110可以将采集到的多于一帧的现场图像发送至终端130或通过服务器120中转发送至终端130，终端130采用上述人员流量统计方法对现场图像进行处理，得到统计区域在统计时段的人员流量。图像采集设备110可以是摄像头、摄像机、相机或其他具有图像采集功能的设备，如手机、平板电脑等。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。终端130具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。
如图2所示，在一个实施例中，提供了一种人员流量统计方法。本实施例主要以该方法应用于上述图1中的服务器120或终端130来举例说明。参照图2，该人员流量统计方法具体包括如下步骤：
S202，获取统计区域在统计时段内多于一帧的现场图像。
其中，统计区域是需要对进出人员的流量进行统计的地理区域，可以是用一个虚拟的围栏在商场、影院或旅游景点等目标场所围出的一个虚拟地理边界。在现场图像中，统计区域可以是多个连续坐标点围成的封闭轮廓。统计区域具体可以是目标场所的入口区域、热门区域、出口区域等。其中，热门区域是指人员聚集比较集中的地理区域，比如产品促销区域、洗手间区域等。在同一目标场所可以划分出多个统计区域。
统计时段是指需要对统计区域进行人员流量统计的时间区间，包括统计起始时间和统计结束时间。统计时段的时间长度可以需求自由设定，如1天。统计时段可以划分为多个统计子时段。比如，统计时段“8:00(am)～10:00(pm)”可以划分为“8:00(am)～8:05(am)”、“8:05(am)～8:10(am)”等多个时间长度为5分钟的统计子时段。在每个统计子时段结束时，计算机设备基于该统计子时段采集的现场图像，对统计区域在当前阶段的人员流量进行统计。
现场图像是能够反映统计区域现实场景情况的图像，可以是基于架设在统计区域附近的图像采集设备采集得到的。统计区域在图像采集设备的扫描摄像视野内。当统计区域存在人员时，现场图像是对活体进行图像采集得到的图像帧，展示有一个或多个人脸。
在一个实施例中，为了保证所采集人脸的大小符合预设条件(如大于或等于60px)，可以适当调整图像采集设备相对统计区域的位置。为了尽可能多的采集到正向的人脸，图像采集设备对现场图像的拍摄方向应靠近人流方向，比如，控制拍摄方向与人流方向的偏向角度小于20度等。其中，人流方向是指多数人员在统计区域的移动方向。
具体地，图像采集设备在当前统计子时段，实时扫描摄像视野中的现实场景，并按照预设时间频率实时地生成图像帧，所生成的图像帧可缓存在图像采集设备本地。时间频率是指单位时间内所需拍摄现场图像的帧数，如5帧/秒。在当前统计子时段结束时，图像采集设备将采集到的当前统计子时段的全部现场图像发送至计算机设备进行人员流量统计。容易理解，若统计子时段的时间长度为5分钟，则当前统计子时段的现场图像共计5*60*5＝1500帧。
在一个实施例中，图像采集设备在采集到图像帧后，可检测该图像帧中是否存在人脸，若存在人脸，则获取该图像帧作为现场图像并发送至计算机设备，计算机设备从而获取到现场图像。
在一个实施例中，图像采集设备在采集到图像帧后，直接将采集的图像帧发送至计算机设备，计算机设备再检测该图像帧中是否存在人脸，若存在人脸，则获取该图像帧作为现场图像。
在一个实施例中，图像采集设备在完成一个统计子时段的图像帧传输，并确认传输成功后，将本地存储的该统计子时段的图像帧删除，以减少对本地存储资源的占用。确认传输成功的方式可以是接收到计算机设备返回的接收成功报文等。在确认传输成功后才将图像帧删除，可以减少因图像帧漏传对人员流量统计准确性的影响。
S204，将多于一帧的现场图像中的人脸图像聚类，得到多于一个的聚类簇。
其中，人脸图像是指现场图像中人脸所在区域的局部图像。人脸所在区域是人脸在现场图像中的位置。具体地，计算机设备可通过人脸检测算法识别现场图像中的人脸区域。人脸检测算法可根据需要自定义，如可为OpenCV人脸检测算法、IOS、Android系统自带的人脸检测算法或者优图人脸检测算法等。人脸检测算法可以返回现场图像中是否包含人脸以及具体的人脸区域，如通过矩形框标识人脸的位置。计算机设备在确定现场图像中的人脸区域后，可沿该人脸区域截取现场图像得到人脸图像。单帧现场图像可截取得到一个或多个人脸图像。在本实施例中，人脸图像可仅包括人脸面部区域的图像。
聚类是将多于一个的数据对象分成由类似的数据对象组成的多个类的过程，由聚类所生成的聚类簇是一组数据对象的集合，同一聚类簇中的数据对象彼此相似，不同聚类簇中的数据对象彼此相异。本实施例“数据对象”是指现场图像中的人脸图像。
具体地，计算机设备识别每帧现场图像内的人脸区域，在相应现场图像中截取每个人脸区域内的人脸图像。计算机设备在获取人脸图像后，可根据预设的人脸特征提取策略提取人脸图像中的人脸特征。其中，人脸特征是用于反映人员面部特征的数据。人脸特征可以反映出人员的性别、人脸的轮廓、发型、眼镜、鼻子、嘴以及各个脸部器官之间的距离等其中的一种或多种特征信息。在一个实施例中，人脸特征可包括面部纹理特征。面部纹理特征可反映面部器官，包括鼻子、耳朵、眉毛、脸颊或嘴唇等的像素点深度。面部纹理特征可以包括面部图像像素点的颜色值分布和亮度值分布。
预设的人脸特征提取策略可以是预设的图像特征提取算法或者预先训练完成的特征提取机器学习模型，等。特征提取机器学习模型可通过样本学习具备人脸特征提取能力。机器学习模型可采用神经网络模型、双路径网络模型(DPN， DualPathNetwork)、支持向量机或者逻辑回归模型等。
在一个实施例中，特征提取机器学习模型可以是已经训练完成的通用的具有特征提取能力的机器学习模型。在将通用的机器学习模型用于特定场景进行提取时效果不佳，因此需要通过专用于特定场景的样本对通用的机器学习模型进行进一步训练和优化。在本实施例中，计算机设备可获取根据通用的机器学习模型的模型结构和模型参数，并将该模型参数导入特征提取机器学习模型结构，得到带有模型参数的特征提取机器学习模型。特征提取机器学习模型所带的模型参数，作为本实施例中训练特征提取机器学习模型的初始参数参与到训练中。
在一个实施例中，特征提取机器学习模型可以是由多层互相连接而形成的复杂网络模型。特征提取机器学习模型可包括多层特征提取层，每层特征提取层都有对应的模型参数，每层的模型参数可以是多个，每层特征提取层中的模型参数对输入的人脸图像进行线性或非线性变化，得到特征图(Feature Map) 作为运算结果。每个特征提取层接收前一层的运算结果，经过自身的运算，对下一层输出本层的运算结果，直至最后一层特征提取层完成线性或非线性变化操作，根据最后一层特征提取层输出的结果，得到针对当前输入图像的人脸特征。其中，模型参数是模型结构中的各个参数，能反应模型各层输出和输入的对应关系。
进一步地，计算机设备可依据与各人脸图像分别对应的人脸特征，对相应的人脸图像进行聚类处理，将相似的人脸图像聚类为一个聚类簇。其中，对人脸特征进行聚类处理所采用的聚类算法具体可以是Rank-Order聚类算法， K-means(K-均值)聚类算法、均值漂移聚类算法、或基于密度的聚类方法等，在此不做限定。以K-means聚类算法为例，计算机设备可初始随机将人脸特征进行分组，并随机初始化各组对应的中心点。其中，中心点是与每个人脸特征距离相同的点。进一步计算每个人脸特征到中心点的距离，人脸特征距离哪个中心点最近就被划分到哪一聚类簇中。再重复计算每一聚类簇中的中心点作为新的中心点。重复上述步骤并迭代计算，直至每一聚类簇中心点在每次迭代后稳定为止。这样，迭代稳定后即可得到一个或多个聚类簇。
再以Rank-Order聚类算法为例，计算机设备可以将每个人脸图像作为一个节点，并基于人脸特征相似度进行节点连接，即将人脸图像中人脸特征相似度较高的节点连接聚类，形成人脸关系图。人脸特征相似度的计算方式可以有多种，比如，Rank-Order距离等。在按人脸特征相似度连接聚类后，可以检测人脸关系图中是否存在未与其他节点连接的孤立节点，若存在，则可以基于邻接关系度量距离的人脸聚类算法，在确定两个孤立节点之间共同的邻居节点后，获取孤立节点与邻居节点之间的度量距离，根据度量距离计算两个孤立节点之间Rank-Order距离，当Rank-Order距离小于预设阈值时，则连接这两个孤立节点，从而对孤立节点进行连接聚类，得到多个聚类簇。若在基于邻接关系距离度量距离的连接聚类后，人脸关系图仍存在孤立节点，可以根据孤立节点与聚类簇之间的人脸特征相似度，对孤立节点进行连接聚类，从而将其归入某个聚类簇。如此，由于融合了基于层次与基于邻接关系的人脸聚类算法优势，采用多级聚类算法，可以大大提升人脸图像聚类的准确性和效率。
S206，将每个聚类簇内的人脸图像进行特征融合，得到相应的身份特征。
其中，特征融合是将从多个人脸图像提取的人脸特征合并为一个综合特征的过程。身份特征是特征融合得到的综合特征。同一聚类簇内的多个人脸图像在一定置信程度上可以认为是同一人员(以下称“目标人员”)的人脸图像。每个聚类簇对应的身份特征用于唯一标识一个目标人员。身份特征相比参与特征融合的单独任一人脸特征更具身份标识能力。身份特征仅用于唯一标识目标人员在当前统计时段的身份，可以理解为目标人员在当前统计时段一个临时的身份表征。换言之，同一人员在不同统计时段的身份特征可以不同。
在一个实施例中，人脸特征的表现形式可以是向量形式或矩阵形式。计算机设备在进行特征融合之前，可将每个人脸图像的人脸特征分别转换为标准形式，使每个人脸特征的特征向量或特征矩阵处于同一空间维度范围内。比如，可对人脸特征的模长进行归一化处理。常用的归一化算法有函数法和概率密度法。其中，函数法，比如最大-最小函数、均值-方差函数或双曲sigmoid(S型生长曲线)函数等。
具体地，计算机设备对每个聚类簇中多个标准形式的人脸特征执行融合操作。其中，将人脸特征进行融合的算法可采用基于贝叶斯决策理论的算法、基于稀疏表示理论的算法或基于深度学习理论算法等。或者，计算机设备可对标准形式的多个人脸特征的特征向量进行加权求和或者加权求平均，以将人脸特征进行融合，得到相应目标人员的身份特征。
S208，基于人脸库，确定与身份特征匹配的人脸特征对应的人员标识。
其中，人脸库是基于对目标场所在统计时段的人员流量统计的需求而部署的数据库。人脸库仅用于存储在统计时段被统计到的首次出现在某一目标场所的人员的人脸特征。存储至人脸库的人脸特征可以是按照上述方式确定的身份特征。在统计起始时间，人脸库可以为空，尚未存储任何人脸特征。在统计时段进行人员流量统计过程中不断动态添加人脸特征至人脸库。在人脸库中，每个人脸特征关联有一个人员标识。人员标识是能够唯一标识一个人脸特征的信息，如编号、对人脸特征进行哈希运算得到的哈希值、或人脸特征存储至人脸库的时间戳等。
不同目标场所基于不同的人脸库进行人员流量统计。同一目标场所内不同统计区域基于同一人脸库进行人员流量统计。换言之，若同时对多个目标场所具有人员流量统计需求，则将出现在不同目标场所的人员的人脸特征存储至各自对应的人脸库，将出现在同一目标场所不同统计区域的人员的人脸特征均存储至该目标场所对应的一个人脸库。
在一个实施例中，不同目标场所也可以基于同一人脸库进行人员流量统计。但对不同目标场所的人员的人脸特征在该综合的人脸库中，以不同数据表存储等方式进行数据隔离。
具体地，计算机设备将融合得到身份特征与相应目标场所对应人脸库中每个人脸特征进行比对，确定与身份特征相匹配的人脸特征。计算机设备在人脸库读取相匹配的人脸特征所关联的人员标识。
在一个实施例中，基于人脸库，确定与身份特征匹配的人脸特征对应的人员标识包括：计算身份特征与人脸库中每个人脸特征的相似度；确定计算出的相似度中的最大值；当相似度的最大值达到第四阈值时，将相似度最大的人脸特征确定为与身份特征匹配的人脸特征；获取与身份特征匹配的人脸特征对应的人员标识。
其中，身份特征与人脸特征的相似度可以理解为该身份特征相应的人员与人脸特征相应的人员为同一人员的置信度。相似度越高，表示该身份特征相应的人员与人脸库中相应人脸特征相应的人员为同一人员越可信。具体计算相似度的算法可采用余弦相似度或者图像间各自感知哈希值的汉明距离等。
具体地，计算机设备计算身份特征与人脸库中每个人脸特征的相似度，并判断人脸库中是否存在与身份特征的相似度符合预设相似条件的人脸特征。预设相似条件可以是预设的相似度阈值(即上文提及的“第四阈值”)。第四阈值是预先设置的可判定身份特征相应的人员与人脸特征相应的人员为同一人员的最小相似度的数值。第四阈值是根据大量实验确定的人脸特征对比验证身份所容许的最大误差。
进一步地，当存在一个与身份特征的相似度达到第四阈值的人脸特征时，计算机设备将该相似度达到第四阈值的人脸特征确定为与身份特征相匹配的人脸特征。当存在多个与身份特征的相似度达到第四阈值的人脸特征时，计算机设备确定计算出的达到第四阈值的多个相似度的最大值，将该相似度最大值对应的人脸特征确定为与身份特征相匹配的人脸特征。计算机设备在人脸库读取该相匹配的人脸特征相关联的人员标识。
上述实施例中，将相似度最大且达到第四阈值的人脸特征确定为与身份特征匹配的人脸特征，可以保证统计到的人员标识对应的人员与身份特征对应人员为同一人员具有较高置信度，进而提高人员流量统计结果准确性。
在一个实施例中，上述人员流量统计方法还包括：当相似度的最大值低于第四阈值时，生成人员标识，将生成的人员标识确定为与身份特征匹配的人脸特征对应的人员标识；将身份特征与生成的人员标识关联存储至人脸库。
由于在统计起始时间人脸库为空，人脸库中不存在与身份特征匹配的人脸特征。当人脸库不为空，已存储有若干人脸特征，但与身份特征的相似度最大值小于第四阈值，表示人脸库依然不存在与该身份特征匹配的人脸特征。
具体地，当不存在与身份特征匹配的人脸特征时，表示该身份特征对应的人员在统计时段首次被统计到，计算机设备针对身份特征临时生成对应的人员标识。人员标识可以是按照人脸库中已有人员标识的数量生成的顺序编号，也可以是对身份特征进行哈希运算得到的哈希值，还可以是将身份特征存储至人脸库的时间戳等。计算机设备建立身份特征及生成的人员标识之间的关联关系，将人员标识及关联的身份特征存储至人脸库。存储至人脸库的身份特征作为对统计时段后续统计到的人员是否为首次出现在目标场所的人员的判断依据。
上述实施例中，在人员流量统计过程中动态构建适用于与当前目标场所的人脸库，无需提前做任何数据准备，从而本实施例提供的人员流量统计方法可以快速用于任何新的目标场所，提高人员流量统计效率。
S210，根据人员标识的数量，确定统计区域在统计时段的人员流量。
其中，人员流量是指单位时间进入目标场所的人员的数量信息，是反应目标场所人气和价值的重要指标。本实施例中，人员流量包括人员数量和人次数量两个指标。换言之，从人数和人次两方面进行人员流量统计。人次数量是指在统计时段进入统计区域的全部人员的数量。一个人员每进入统计区域一次被统计为一人次。换言之，同一人员可能被统计为多人次。人员数量是指统计区域在统计时段出现过的不重复人员的数量。
具体地，计算机设备将读取到的相匹配的人脸特征关联的人员标识确定为被统计到的一个人员标识。同一人员可能在不同统计子时段多次出现在统计区域，从而同一人员标识可能会被统计到多次。每个统计到的人员标识具有对应的统计时间。被统计到每个人员标识及对应的统计时间形成一条统计记录。若统计区域在一个统计子时段没有人员出现，则该统计子时段未产出统计记录。若统计区域在一个统计子时段有人员出现，则该统计子时段产生至少一条统计记录。当统计时段结束时，计算机设备对全部统计子时段产生的统计记录进行分析，得到统计区域在统计时段的人员数量和人次数量。
在一个实施例中，区别于直至统计时段结束时进行人员流量统计，计算机设备可每产生一条统计记录，即对已产生的统计记录进行实时分析。
在一个实施例中，根据人员标识的数量，确定统计区域在统计时段的人员流量包括：对多个统计子时段统计得到的人员标识进行去重；将去重后人员标识的数量确定为统计区域在统计时段的人员数量。
其中，统计记录在一个统计子时段结束时产生。统计记录中人员标识对应的统计时间可以是在人脸库读取相应人员标识的时间，也可以是所属统计子时段的时间中间值或边界值。比如，统计子时段8:05(am)8:10(am)产生的一条统计记录中的统计时间可以是8:05(am)、8:07(am)或8:10(am)等。可以理解的是，还可以按照其他逻辑确定每个统计到的人员标识的统计时间。统计记录可以采用数组(人员标识，统计时间)的方式进行记录。比如，统计子时段 8:00(am)～8:05(am)产生的10条统计记录分别可以记作(Ai，8:00(am))，统计子时段8:05(am)～8:10(am)产生的50条统计记录分别可以记作(Aj， 8:05(am))。其中，1≤i≤10，j＝1、3、7或者11≤j≤57，i与j均为整数。可以理解的是，同一统计子时段所产生多条统计记录中的统计时间是相同的，但人员标识各不相同。
具体地，在统计时段结束时，计算机设备汇总统计区域对应的全部统计记录。若存在多条包含同一人员标识的统计记录，表示该人员在统计时段多个不同统计子时段出现在统计区域，计算机设备对多条包含同一人员标识的统计记录进行去重，仅保留每个人员标识对应的一条统计记录，计算所保留统计记录的数量，将所保留统计记录的数量确定为统计区域在统计时段在人员数量。计算机设备可以按照同样的逻辑，统计得到整个目标场所在统计时段的人员数量。
上述实施例中，对多个统计子时段统计得到的人员标识进行去重，可以保证同一人员仅被统计一次，进而实现对人口数量的统计。
在一个实施例中，根据人员标识的数量，确定统计区域在统计时段的人员流量包括：根据统计子时段，确定每个人员标识对应的统计时间；按照统计时间对多个人员标识进行遍历；在当前时间顺序的人员标识不属于已遍历的人员标识时，对统计区域在统计时段的人次数量进行计数操作。
其中，计数操作是重复进行加一或减一的数学统计过程。本实施例中，计算机设备预存储了统计区域在统计时段初始的人次数量，即统计起始时间的人次数量。初始的人次数量可以是0，也可以是固定人员的数量等。计数操作是指在符合计数条件时对初始的人次数量进行加一，并将加一后的人次数量作为初始的人次数量进行迭代，直至不再符合计数条件停止计数的过程。计数条件是指加一操作的触发条件。本实施例计数条件具体包括“人员标识未发生重复”。
具体地，计算机设备对不同统计子时段产生的统计记录按照统计时间排序，对同一统计子时段产生的多条统计记录进行随机排序或者按照其他预设逻辑进行排序。计算机设备按照排序对每条统计记录进行遍历，将第一顺序的统计记录作为当前顺序的统计记录，判断当前顺序的统计记录中人员标识在完成遍历的统计记录中是否出现。若当前顺序的统计记录中人员标识在完成遍历的统计记录中均未出现，表示当前顺序的统计记录中人员标识对应人员在统计时段被首次统计到，计算机设备对初始的人次数量进行加一操作，并将加一操作后的人次数量作为初始的人次数量，完成对当前顺序的统计记录的遍历。
进一步地，若当前顺序的统计记录中人员标识在完成遍历的统计记录中已出现，表示当前顺序的统计记录中人员标识对应人员在相应统计时间之前已至少一次被统计到，计算机设备按照预设逻辑对初始的人次数量进行计数操作。如此继续遍历下一顺序统计记录，直至最后顺序的统计记录，将计数结果确定为统计区域在统计时段的人次数量。
上述实施例中，从人员(人员标识)和时间(统计时间)两个维度对统计记录进行分析，可以实现对人次数量的统计。
在一个实施例中，上述人员流量统计方法还包括：在当前时间顺序的人员标识属于已遍历的人员标识时，计算已遍历的同一人员标识的统计时间与当前时间顺序人员标识的统计时间的时间差；确定计算出的时间差的最小值；当时间差的最小值达到第五阈值时，对统计区域在统计时段的人次数量进行计数操作。
其中，时间差是指包含同一人员标识的两条统计记录对应统计时间的差值。上述计数条件还包括“人员标识发生重复，但重复的人员标识对应统计时间的时间差最小值达到第五阈值”。第五阈值是预先设置的可将在两个统计时间被统计到的同一人员标识对应人员判定为两个人次的最短间隔时间。可以理解的是，第五阈值应等于或大于统计子时段的时间长度。比如，在上述举例中第五阈值应等于或大于5分钟。
具体地，若当前顺序的统计记录中人员标识在完成遍历的统计记录中已出现，计算机设备确定最后时间完成遍历的同一人员标识对应的统计时间，计算最后时间完成遍历的同一人员标识对应的统计时间与当前顺序人员的统计记录中的统计时间的时间差，当时间差达到第五阈值时，对初始的人次数量进行加一操作，并将加一操作后的人次数量作为初始的人次数量，继续遍历下一顺序统计记录。
比如，在上述举例中，统计子时段8:10(am)～8:15(am)产生了100条统计记录(Ak，8:10(am))。其中，k＝3、7、12、45或者58≤k≤154，k为整数，人员A3在统计时段的前三个统计子时段以运动状态或静止状态持续出现在统计区域。当遍历至统计记录(A3，8:10(am))时，已完成遍历的同一人员标识A3对应的统计记录有(A3，8:00(am))和(A3，8:05(am))，而其中最后时间完成遍历的人员标识A3对应的统计记录为(A3，8:05(am))，该统计记录(A3，8:05(am))与当前顺序的统计记录(A3，8:10(am))的时间差为5分钟，等于第五阈值，从而可以将当前顺序的统计记录(A3，8:10(am))对应人员判定为一人次。
上述实施例中，对于在多个统计时间被统计到的同一人员标识对应人员，根据统计时间之间的时间间隔判断是否将相应人员标识统计为一人次，通过合理配置时间间隔对应的第五阈值，即可减少对人次数量过渡统计或者稀疏统计的情况，提高人次数量统计准确性。
参考图3，图3为一个实施例中人员流量统计方法的交互时序图。如图4所示，设置在目标场所统计区域附近的图像采集设备，在首个统计子时段t0～t1 采集统计区域多于一帧的现场图像P1，并在统计子时段t0～t1结束时将采集的现场图像发送至计算机设备，由计算机设备按照上述方式将接收到现场图像P1 中的人脸图像聚类，得到多于一个的聚类簇X1，将每个聚类簇X1内的人脸图像进行特征融合，得到相应的身份特征。计算机设备基于预选部署的人脸库，确定与每个身份特征匹配的人脸特征对应的人员标识Ai,并根据人员标识Ai的数量，确定统计区域在统计子时段t0～t1的人员数量和人次数量。计算机设备将统计得到统计子时段t0～t1的人员数量和人次数量实时反馈至商家对应的终端。
在下一统计子时段t1～t2采集统计区域多于一帧的现场图像P2，并在统计子时段t1～t2结束时将采集的现场图像发送至计算机设备，由计算机设备按照上述方式将接收到现场图像P2中的人脸图像聚类，得到多于一个的聚类簇X2，将每个聚类簇X2内的人脸图像进行特征融合，得到相应的身份特征。计算机设备基于预选部署的人脸库，确定与每个身份特征匹配的人脸特征对应的人员标识 Aj,并根据人员标识Aj的数量，确定统计区域在统计子时段t1～t2的人员数量和人次数量，将统计得到t0～t2时段的人员数量和人次数量实时反馈至商家对应的终端。如此重复，直至统计得到统计时段t0-tn的人员数量和人次数量。
上述人员流量统计方法，基于采集到的多于一帧的现场图像，可以提取得到在统计时段出现在统计区域的每个人员的人脸图像；通过聚类，可将一定置信程度上能够认为是同一人员的人脸图像归入一个聚类簇；将每个聚类簇内多个人脸图像的人脸特征进行合成，使得得到的身份特征相比参与特征融合的单独任一人脸特征更具表征相应聚类簇对应人员身份的能力。人脸特征能够唯一标识一个人员，基于人脸特征可以实现人数统计，而基于合成后的身份特征进行人员流量统计不仅可以实现人数统计，还可提高统计结果准确性。通过检索人脸库中与该身份特征相匹配的人脸特征对应的人员标识，可以仅对人脸库存在相匹配人脸特征的身份特征对应的人员进行流量统计，实际是对身份特征进行筛选的过程，提高了一个身份特征表征一个人员的置信度，进一步提高人员流量统计结果准确性。
在一个实施例中，将多于一帧的现场图像中的人脸图像聚类，得到多于一个的聚类簇包括：检测多于一帧的现场图像中的人脸图像；基于检测到的人脸图像确定多于一个的人脸移动轨迹；从每个人脸移动轨迹中筛选符合预设数量条件的人脸图像；对筛选出的人脸图像聚类，得到多于一个的聚类簇。
其中，人脸移动轨迹是指在时空环境下，通过对一个或多个出现在统计区域的人员的运动过程进行采样，并根据采样先后顺序对多次采样得到的人脸数据排列形成的轨迹数据。本实施例中，每帧现场图像具有对应的采集时间，现场图像中每帧人脸图像与该帧现场图像具有相同的采集时间。单帧现场图像可能记录了多个人员的人脸图像，同一人员的人脸图像也可能出现在多帧现场图像中。在统计时段出现在统计区域的每个人员具有对应的人脸移动轨迹，相应人脸移动轨迹包括该人员按照采集时间排列的至少一个人脸图像。
预设数量条件是预先设置的从一个人脸移动轨迹筛选人脸图像的数量最小范围。预设数量条件可以是具体数值，也可以是数值区间。进行人脸图像筛选的方法可以是从人脸图像中人脸的清晰度、大小、角度、遮挡程度等方面的指标对人脸图像的人脸质量进行估算，根据人脸质量进行人脸图像的筛选。
具体地，计算机设备在提取得到人脸图像后，可根据人脸图像相对所在现场图像的位置变化连续性，或者人脸图像的图像特征相似性等，识别在一定置信程度上可判定为同一人员的人脸图像，将同一人员的多个人脸图像按照采集时间排列，形成每个人员对应的人脸移动轨迹。由于不同人员在统计时段出现在统计区域的时间长度不同，对应不同人员的人脸移动轨迹长度不同，即包含人脸图像的数量不同。计算机设备从每个人脸移动轨迹中筛选符合预设数量条件的人脸图像，对从全部人脸移动轨迹中筛选得到全部人脸图像聚类。可以理解，每个人脸移动轨迹中只有预设数量的人脸图像参与聚类。
值得说明的是，在本实施例人脸移动轨迹仅用于保证每个人员具有相似数量的人脸图像用于后续的人员流量统计过程。事实上，人脸移动轨迹的形成过程已经在一定置信程度上将可判定为一个人员的人脸图像归为一类，若对基于人脸移动轨迹筛选得到的人脸图像进行特征融合，亦可得到相应人员的身份特征，进而实现人员流量统计。而本申请进一步对基于人脸移动轨迹筛选得到的人脸图像进行聚类，可以提高人员流量统计结果准确性。
本实施例中，对每个人员的人脸移动轨迹进行追踪，并基于人脸移动轨迹筛选符合预设数量条件的人脸图像，可以保证每个人员具有相似数量的人脸图像用于后续的人员流量统计过程，减少因不同人员参与人员流量统计的人脸图像数量相差悬殊对人员流量统计结果准确性的影响。
在一个实施例中，基于检测到的人脸图像确定多于一个的人脸移动轨迹包括：确定每个人脸图像的采集时间以及在相应现场图像中的位置坐标；基于采集时间相邻且位置坐标的差异小于第一阈值的多个人脸图像，形成多于一个的人脸移动轨迹。
其中，人脸图像在相应现场图像的位置坐标是指在基于现场图像构建坐标系，并选取人脸图像所在人脸区域内某个像素点作为该人脸图像在坐标系的坐标点时，坐标点的坐标值。当现场图像的图像边界为矩形时，基于现场图像构建的坐标系可以是以现场图像一个顶点为原点，与该顶点连接的两条图像边为坐标轴的二维坐标系。当人脸区域为矩形区域时，被选作坐标点的像素点可以是人脸区域一个顶点对应的像素点，也可以是人脸区域中心位置对应的像素点，还可以是按照其他固定逻辑选定的像素点。
不同现场图像具有相同的尺寸，从而人脸图像在不同现场图像的位置坐标具有可比性。位置坐标的差异是指相应两个坐标点之间的坐标距离。第一阈值是预先设置的可一定置信程度上判定两个人脸图像具有位置变化连续性的位置坐标差异的最大值。
计算机设备根据人脸图像相对所在现场图像的位置变化连续性，识别在一定置信程度上可判定为同一人员的人脸图像。具体地，计算机设备确定每个人脸图像在所属现场图像的位置坐标，计算采集时间相邻的人脸图像的位置坐标的差异。计算机设备根据采集时间和位置坐标，将大量人脸图像区分为多组采集时间相邻且位置坐标的差异小于第一阈值的人脸图像，将每组人脸图像按照采集时间排列，形成对应的多个人脸移动轨迹。可以理解的是，基于位置变化连续性形成的人脸移动轨迹中多个人脸图像对应的采集时间是连续的。
本实施例中，从时间(采集时间)和空间(位置坐标)两个维度判断不同人脸图像是否具有位置变化连续性，可以提高对可判定为同一人员的人脸图像的判定结果的置信程度，进而提高人脸移动轨迹与人员之前对应关系的准确性。
在一个实施例中，基于检测到的人脸图像确定多于一个的人脸移动轨迹包括：确定每个人脸图像的采集时间以及图像特征；将图像特征的相似度达到第二阈值的多个人脸图像按照采集时间进行排列，形成多于一个的人脸移动轨迹。
其中，图像特征是指图像的颜色特征、纹理特征、形状特征和空间关系特征。图像特征可以是基于预设的图像特征提取提取算法或者预训练的特征提取机器学习模型提取得到。在另一个实施例中，图像特征可以是上述人脸特征。第二阈值是预先设置的可一定置信程度上判定两个人脸图像为同一人员的人脸图像的图像特征相似度最小值。
计算机设备根据人脸图像的图像特征相似性，识别在一定置信程度上可判定为同一人员的人脸图像。具体地，计算机设备提取每个人脸图像的图像特征，计算图像特征之间的相似度，将相似度达到第二阈值的多个人脸图像按照采集时间进行排列，形成多于一个的人脸移动轨迹。可以理解的是，基于图像特征相似性形成的人脸移动轨迹中多个人脸图像对应的采集时间可能是连续的，也可能是不连续的。
在另一个实施例中，计算机设备先可以按照人脸图像相对所在现场图像的位置变化连续性，确定在一定置信程度上可判定为同一人员的多个人脸图像，再根据人脸图像的图像特征相似性，仅计算可判定为同一人员的多个人脸图像的图像特征相似度，基于其中相似度达到第二阈值的人脸图像形成相应人员的人脸移动轨迹，不仅可以减少相似度计算量，还可以提高单纯根据位置变化连续性形成人脸移动轨迹的准确性。
本实施例中，通过提取人脸图像的图像特征，并进行图像特征相似度比较即可形成人脸移动轨迹，计算逻辑简单，提高人脸移动轨迹追踪效率。
在一个实施例中，从每个人脸移动轨迹中筛选符合预设数量条件的人脸图像包括：计算检测到的每个人脸图像的人脸质量评分；从每个人脸移动轨迹中筛选按人脸质量评分降序排前预设数量位的人脸图像。
其中，人脸质量评分是指人脸图像中人脸在清晰度、大小、角度或遮挡程度中一项或多项的指标平均值。人脸清晰度的指标值是指人脸各面部影纹及其轮廓的清晰程度。人脸大小的指标值可以是人脸区域对应的像素值。人脸角度的指标值可以是人脸朝向与图像采集设备的图像采集方向之间的夹角。同时出现在统计区域的多个人员可能发生人脸遮挡，使得对应现场图像中不同人脸图像之间发生重叠。人脸遮挡程度的指标值可以是被遮挡的人脸区域面积相对整个人脸区域面积的比值。预设数量是预先设置的从一个人脸移动轨迹筛选出人脸图像的数量的数值。
具体地，计算机设备根据预设的人脸质量评估策略计算从现场图像中提取得到的每个人脸图像的人脸质量评分。预设的人脸质量评估策略可以是预先训练完成的神经网络模型，如MobileNets(深度可分离卷积模型)。计算机设备对每个人脸移动轨迹中的多个人脸图像按照人脸质量评分由高至低的顺序进行排列，从中筛选排序靠前的预设数量的人脸图像。
本实施例中，面对每个人脸移动轨迹中大量的人脸图像，仅从中筛选人脸质量评分高的人脸图像参与聚类，不仅精准限缩参与聚类的人脸特征的数量，减少聚类计算量，提高人员流量统计效率；还可以减少低质量人脸图像对聚类结果的影响，提高聚类结果置信度。
在一个实施例中，将每个聚类簇内的人脸图像进行特征融合，得到相应的身份特征包括：在每个聚类簇中，将人脸质量评分最高的人脸图像确定为基准图像；计算每个聚类簇中每个人脸图像与相应基准图像的相似度；将每个聚类簇中相似度大于或等于第三阈值的人脸图像进行特征融合，得到相应的身份特征。
其中，基准图像是聚类簇中人脸质量评分最高的一个人脸图像。每个聚类簇具有一个基准图像。如上文，同一聚类簇内的多个人脸图像在一定置信度上可以认为是同一人员的人脸图像，而基准图像则是聚类簇中最能准确反映相应人员的人脸特征的人脸图像。人脸图像与基准图像的相似度是指人脸图像对应人脸特征与基准图像对应人脸特征的相似度，可以理解为人脸图像相应的人员与基准图像相应的人员为同一人员的置信度。相似度越高，表示该人脸图像对应的人员与基准图像对应的人员为同一人员越可信。具体计算人脸图像与基准图像的相似度的算法可采用余弦距离或者汉明距离等。第三阈值是预先设置的可判定人脸图像相应的人员与基准图像相应的人员为同一人员的最小相似度的数值。
具体地，计算机设备确定每个聚类簇中的基准图像，并计算聚类簇中其余每个人脸图像与相应基准图像的相似度，筛选其中相似度大于或等于第三阈值的人脸图像。计算机设备对每个聚类簇中筛选得到的多个人脸图像的人脸特征进行融合，得到相应聚类簇对应的身份特征。
本实施例中，通过计算与人脸质量评分最高的人脸图像的相似度，可以评估聚类簇中每个人脸图像相应的人员与基准图像相应的人员为同一人员的置信度，在每个聚类簇中仅从中筛选相似度达到第三阈值的人脸图像参与特征融合，不仅可以精准限缩参与特征融合的人脸特征，减少特征融合计算量；还可以减少置信度低的人脸图像对特征融合结果的影响，提高得到的身份特征对相应人员身份的标识能力。
在一个实施例中，将每个聚类簇中相似度大于或等于第三阈值的人脸图像进行特征融合，得到相应的身份特征包括：在每个聚类簇中相似度大于或等于第三阈值的人脸图像中，筛选按人脸质量评分降序排前目标数量位的人脸图像；计算筛选得到的多个人脸图像平均的人脸特征，将平均的人脸特征确定为目标对象的身份特征。
其中，目标数量是预先设置的从每个聚类簇基于相似度筛选得到的多个人脸图像中，进一步基于人脸质量评分筛选出的人脸图像的数量。平均的人脸特征是指对多个人脸特征的特征向量进行加权求平均后得到的人脸特征。
具体地，计算机设备在基于人脸图像与基准图像的相似度，对每个聚类簇中参与特征融合的人脸图像进行筛选后，进一步基于人脸质量评分对每个聚类簇中筛选得到的多个人脸图像进行筛选。计算机设备对每个聚类簇中基于相似度筛选得到的多个人脸图像按照人脸质量评分由高至低的顺序进行排列，从中筛选排序靠前的目标数量的人脸图像。计算机设备对每个聚类簇中基于人脸质量评分筛选得到的多个人脸图像的人脸特征进行融合，得到相应聚类簇对应的身份特征。
本实施例中，在基于与人脸质量评分最高的人脸图像的相似度对每个聚类簇中人脸图像进行筛选后，进一步基于人脸质量评分对每个聚类簇中人脸图像进行筛选，从而可以进一步精准限缩参与特征融合的人脸特征。
在一个实施例中，上述人员流量统计方法还包括：获取统计区域所连通的目标区域在统计时段统计得到的人员标识，以及每个人员标识对应的统计时间；根据统计时间，确定在统计时段先后出现在统计区域及目标区域的人员标识，记作流出人员标识；计算流出人员标识的数量相对统计区域在统计时段的人员数量的比值；根据比值确定从统计区域移动至目标区域的人员比例。
其中，在目标场所，每个统计区域与至少一个其他统计区域连通。目标区域是指目标场所内与统计区域连通的其中一个统计区域。流出人员标识是指在统计时段从目标场所的一个统计区域移动至另一统计区域的人员对应的人员标识。人员从一个统计区域移动至所连通的不同统计区域，形成不同的人流方向。为了描述方便，将其中从当前统计区域移动至目标区域形成的人流方向记作目标方向。当前统计区域基于目标方向的流出人员标识是指先后出现在当前统计区域及目标区域的人员对应的人员标识。
具体地，计算机设备可以按照上述逻辑统计得到目标场所内每个统计区域在统计时段的统计记录。在每个统计子时段结束时，计算机设备对已获取的目标场所的统计记录进行分析，计算目标区域在当前统计子时段的统计记录与当前统计区域在前一统计子时段的统计记录中重复的人员标识的数量，将该数量确定为当前统计区域基于目标方向的流出人员标识的数量。参考图4，图4示出了一个实施例中目标场所内多个统计区域的分布示意图。如图4所示，目标场所包括A、B、C和D四个统计区域，其中统计区域A与统计区域B和C分别连通。若当前统计区域A在统计子时段8:05(am)～8:10(am)产生了50条统计记录 (Aj，8:05(am))，j＝1、3、7或者11≤j≤57，j为整数；目标区域B在统计子时段8:10(am)～8:15(am)产生了60条统计记录(Az，8:05(am))，z＝1、5、12、20-55或者155≤j≤177，z为整数，则当前统计区域A移动至目标区域B 的人员对应流出人员标识的数量为j＝z的数量37。
进一步地，计算机设备按照同样的逻辑可以计算得到当前统计区域在前一统计子时段基于各个人流方向的流出人员标识的数量，通过对基于各个人流方向的流出人员标识的数量求和，得到在前一统计子时段从当前统计区域移出的人员总数。计算机设备通过计算当前统计区域基于目标方向的流出人员标识的数量与从当前统计区域移出的人员总数的比值，得到统计区域在前一统计子时段移动至目标区域的人员比例。计算机设备将统计得到的目标场所不同统计区域在不同人流方向的人员比例实时反馈至商家对应的终端，以便商家及时了解不同统计区域基于不同人流方向的人员流量增长趋势。
本实施例中，通过计算从统计区域移动至目标区域的人员的数量相对从统计区域移出的全部人员数量的比值，可以确定统计区域移动至目标区域的人员比例，使得商家不仅可以了解目标场所在统计时段的人员数量和人次数量，还可以更加及时准确的了解到定目标场所每个统计区域在不同人流方向的人员比例。
参考图5，图5为一个实施例中人员流量统计方法的流程示意图。如图5所示，图像采集装置在统计时段采集统计区域的现场图像，将采集的现场图像发送至计算机设备。计算机设备通过对现场图像进行人脸检测，提取得到多个人脸图像，并根据人脸图像相对所在现场图像的位置变化连续性或者人脸图像的图像特征相似性，对不同人员的人脸移动轨迹进行追踪。基于人脸图像的人脸质量分，计算机设备对每个人脸移动轨迹中的人脸图像进行筛选，实现质量优选。计算机设备提取质量优选得到的每个人脸图像的人脸特征，对人脸特征进行聚类，得到多个聚类簇，将每个聚类簇内的人脸图像进行特征融合，得到相应的身份特征。计算机设备计算身份特征与人脸库中人脸特征的相似度，判断相似度是否达到预设值，并将相似度达到预设值的人脸特征对应的人员标识ID 输出，或者在相似度小于预设值时基于身份特征生成人员标识，将生成的人员标识及身份特征关联存储至人脸库。
在一个具体的应用场景中，上述人员流量统计方法可以辅助商家及时了解目标场所在统计时段不同阶段的人员流量增长趋势。人员流量增长趋势可以以文本表述或图表的方式展示。其中，图表可以是以统计子时段为横坐标，以人员流量为纵坐标的折线图或柱状图等。可以理解的是，人员流量增长趋势在多个统计子时段对应的时间节点不断动态更新。在应急保障场景中，实时统计人员流量增长趋势，便于商家在人员流量突增时及时组织人员分流，避免发生拥堵和危险。在活动分析场景中，实时统计人员流量增长趋势，便于商家及时优化所开展活动。
在一个具体的应用场景中，上述人员流量统计方法还可辅助商家对未来特殊时段的人员流量进行预测。其中，特殊时段可以是节假日时段，或其他需要特别关注的时间片段等。计算机设备可以根据以往已统计的目标场所在同类型的时间段的人员流量，对未来特殊时段的人员流量进行预测。同类型的时间段可以是历史时间相同的时间段，也可以是时间长度相似的时间段。比如，商家为了更好的服务排班，期望预测商场在即将到来的中秋节的人员流量时，计算机设备可通过分析已统计的商场在2018年中秋节的人员流量和/或2019年端午节的人员流量对2019年中秋节的人员流量进行预测。
如图6所示，在一个具体的实施例中，人员流量统计方法包括以下步骤：
S602，获取统计区域在统计时段内多于一帧的现场图像；统计时段包括多个统计子时段。
S6042，检测多于一帧的现场图像中的人脸图像。
S6044，确定每个人脸图像的采集时间以及图像特征。
S6046，将图像特征的相似度达到第二阈值的多个人脸图像按照采集时间进行排列，形成多于一个的人脸移动轨迹。
S6048，计算检测到的每个人脸图像的人脸质量评分。
S6050，从每个人脸移动轨迹中筛选按人脸质量评分降序排前预设数量位的人脸图像。
S606，对筛选出的人脸图像聚类，得到多于一个的聚类簇。
S6082，在每个聚类簇中，将人脸质量评分最高的人脸图像确定为基准图像。
S6084，计算每个聚类簇中每个人脸图像与相应基准图像的相似度。
S6086，在每个聚类簇中相似度大于或等于第三阈值的人脸图像中，筛选按人脸质量评分降序排前目标数量位的人脸图像。
S6088，计算筛选得到的多个人脸图像平均的人脸特征，将平均的人脸特征确定为目标对象的身份特征。
S6102，计算身份特征与人脸库中每个人脸特征的相似度。
S6104，确定计算出的相似度中的最大值。
S6106，当相似度的最大值达到第四阈值时，将相似度最大的人脸特征确定为与身份特征匹配的人脸特征。
S6108，获取与身份特征匹配的人脸特征对应的人员标识。
S6110，当相似度的最大值低于第四阈值时，生成人员标识，将生成的人员标识确定为与身份特征匹配的人脸特征对应的人员标识。
S6112，将身份特征与生成的人员标识关联存储至人脸库。
S6122，对多个统计子时段统计得到的人员标识进行去重。
S6124，将去重后人员标识的数量确定为统计区域在统计时段的人员数量。
S6142，根据统计子时段，确定每个人员标识对应的统计时间。
S6144，按照统计时间对多个人员标识进行遍历。
S6146，当当前时间顺序的人员标识不属于已遍历的人员标识时，对统计区域在统计时段的人次数量进行计数操作。
S6148，当当前时间顺序的人员标识属于已遍历的人员标识时，计算已遍历的同一人员标识的统计时间与当前时间顺序人员标识的统计时间的时间差。
S6150，确定计算出的时间差的最小值。
S6152，当时间差的最小值达到第五阈值时，对统计区域在统计时段的人次数量进行计数操作。
S6162，获取统计区域所连通的目标区域在统计时段统计得到的人员标识，以及每个人员标识对应的统计时间。
S6164，根据统计时间，确定在统计时段先后出现在统计区域及目标区域的人员标识，记作流出人员标识。
S6166，计算流出人员标识的数量相对统计区域在统计时段的人员数量的比值。
S6168，根据比值确定从统计区域移动至目标区域的人员比例。
上述人员流量统计方法，基于采集到的多于一帧的现场图像，可以提取得到在统计时段出现在统计区域的每个人员的人脸图像；通过聚类，可将一定置信程度上能够认为是同一人员的人脸图像归入一个聚类簇；将每个聚类簇内多个人脸图像的人脸特征进行合成，使得得到的身份特征相比参与特征融合的单独任一人脸特征更具表征相应聚类簇对应人员身份的能力。人脸特征能够唯一标识一个人员，基于人脸特征可以实现人数统计，而基于合成后的身份特征进行人员流量统计不仅可以实现人数统计，还可提高统计结果准确性。通过检索人脸库中与该身份特征相匹配的人脸特征对应的人员标识，可以仅对人脸库存在相匹配人脸特征的身份特征对应的人员进行流量统计，实际是对身份特征进行筛选的过程，提高了一个身份特征表征一个人员的置信度，进一步提高人员流量统计结果准确性。
图2、6为一个实施例中人员流量统计方法的流程示意图。应该理解的是，虽然图2、6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、6 中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种人员流量统计装置700，该装置包括图像获取模块702、特征提取模块704、特征匹配模块706和人员统计模块 708，其中：
图像获取模块702，用于获取统计区域在统计时段内多于一帧的现场图像。
特征提取模块704，用于将多于一帧的现场图像中的人脸图像聚类，得到多于一个的聚类簇；将每个聚类簇内的人脸图像进行特征融合，得到相应的身份特征。
特征匹配模块706，用于基于人脸库，确定与身份特征匹配的人脸特征对应的人员标识。
人员统计模块708，用于根据人员标识的数量，确定统计区域在统计时段的人员流量。
在一个实施例中，如图8所示，特征提取模块704包括图像筛选模块7042，用于检测多于一帧的现场图像中的人脸图像；基于检测到的人脸图像确定多于一个的人脸移动轨迹；从每个人脸移动轨迹中筛选符合预设数量条件的人脸图像；对筛选出的人脸图像聚类，得到多于一个的聚类簇。
在一个实施例中，图像筛选模块7042还用于确定每个人脸图像的采集时间以及在相应现场图像中的位置坐标；基于采集时间相邻且位置坐标的差异小于第一阈值的多个人脸图像，形成多于一个的人脸移动轨迹。
在一个实施例中，图像筛选模块7042还用于确定每个人脸图像的采集时间以及图像特征；将图像特征的相似度达到第二阈值的多个人脸图像按照采集时间进行排列，形成多于一个的人脸移动轨迹。
在一个实施例中，图像筛选模块7042还用于计算检测到的每个人脸图像的人脸质量评分；从每个人脸移动轨迹中筛选按人脸质量评分降序排前预设数量位的人脸图像。
在一个实施例中，图像筛选模块7042还用于在每个聚类簇中，将人脸质量评分最高的人脸图像确定为基准图像；计算每个聚类簇中每个人脸图像与相应基准图像的相似度，在每个聚类簇中，筛选相似度大于或等于第三阈值的人脸图像；如图8所示，特征提取模块704还包括特征融合模块7044，用于将每个聚类簇中相似度大于或等于第三阈值的人脸图像进行特征融合，得到相应的身份特征。
在一个实施例中，图像筛选模块7042还用于在每个聚类簇中相似度大于或等于第三阈值的人脸图像中，筛选按人脸质量评分降序排前目标数量位的人脸图像；特征融合模块7044还用于计算筛选得到的多个人脸图像平均的人脸特征，将平均的人脸特征确定为目标对象的身份特征。
在一个实施例中，特征匹配模块706还用于计算身份特征与人脸库中每个人脸特征的相似度；确定计算出的相似度中的最大值；当相似度的最大值达到第四阈值时，将相似度最大的人脸特征确定为与身份特征匹配的人脸特征；获取与身份特征匹配的人脸特征对应的人员标识。
在一个实施例中，特征匹配模块706还用于当相似度的最大值低于第四阈值时，生成人员标识，将生成的人员标识确定为与身份特征匹配的人脸特征对应的人员标识；如图8所示，上述人员流量统计装置700还包括人脸库构建模块710，用于当相似度的最大值低于第四阈值时，将身份特征与生成的人员标识关联存储至人脸库。
在一个实施例中，统计时段包括多个统计子时段；如图8所示，人员统计模块708包括人数统计模块7082，用于对多个统计子时段统计得到的人员标识进行去重；将去重后人员标识的数量确定为统计区域在统计时段的人员数量。
在一个实施例中，如图8所示，人员统计模块708还包括人次统计模块7084，用于根据统计子时段，确定每个人员标识对应的统计时间；按照统计时间对多个人员标识进行遍历；当当前时间顺序的人员标识不属于已遍历的人员标识时，对统计区域在统计时段的人次数量进行计数操作。
在一个实施例中，人次统计模块7084还用于当当前时间顺序的人员标识属于已遍历的人员标识时，计算已遍历的同一人员标识的统计时间与当前时间顺序人员标识的统计时间的时间差；确定计算出的时间差的最小值；当时间差的最小值达到第五阈值时，对统计区域在统计时段的人次数量进行计数操作。
在一个实施例中，如图8所示，人员统计模块708还包括分流统计模块7086，用于获取统计区域所连通的目标区域在统计时段统计得到的人员标识，以及每个人员标识对应的统计时间；根据统计时间，确定在统计时段先后出现在统计区域及目标区域的人员标识，记作流出人员标识；计算流出人员标识的数量相对统计区域在统计时段的人员数量的比值；根据比值确定从统计区域移动至目标区域的人员比例。
上述人员流量统计装置700，基于采集到的多于一帧的现场图像，可以提取得到在统计时段出现在统计区域的每个人员的人脸图像；通过聚类，可将一定置信程度上能够认为是同一人员的人脸图像归入一个聚类簇；将每个聚类簇内多个人脸图像的人脸特征进行合成，使得得到的身份特征相比参与特征融合的单独任一人脸特征更具表征相应聚类簇对应人员身份的能力。人脸特征能够唯一标识一个人员，基于人脸特征可以实现人数统计，而基于合成后的身份特征进行人员流量统计不仅可以实现人数统计，还可提高统计结果准确性。通过检索人脸库中与该身份特征相匹配的人脸特征对应的人员标识，可以仅对人脸库存在相匹配人脸特征的身份特征对应的人员进行流量统计，实际是对身份特征进行筛选的过程，提高了一个身份特征表征一个人员的置信度，进一步提高人员流量统计结果准确性。
图9示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的服务器120。如图9所示，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和人脸库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和人脸库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的人脸库用于人脸特征及关联的人员标识。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人员流量统计方法。
图10示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端130。如图10所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现人员流量统计方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行人员流量统计方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解，图9及图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的人员流量统计装置可以实现为一种计算机程序的形式，计算机程序可在如图9或图10所示的计算机设备上运行。计算机设备的存储器中可存储组成该人员流量统计装置的各个程序模块，比如，图7 所示的图像获取模块、特征提取模块、特征匹配模块和人员统计模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的人员流量统计方法中的步骤。
例如，图9所示的计算机设备可以通过如图7所示的人员流量统计装置中的图像获取模块执行步骤S202。计算机设备可通过特征提取模块执行步骤S204 和步骤S206。计算机设备可通过特征匹配模块执行步骤S208。计算机设备可通过人员统计模块执行步骤S210。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述人员流量统计方法的步骤。此处人员流量统计方法的步骤可以是上述各个实施例的人员流量统计方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述人员流量统计方法的步骤。此处人员流量统计方法的步骤可以是上述各个实施例的人员流量统计方法中的步骤。
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，的程序可存储于一非易失性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，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM) 或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态 RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线 (Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (15)
1.一种人员流量统计方法，包括：
获取统计区域在统计时段内多于一帧的现场图像；
将所述多于一帧的现场图像中的人脸图像聚类，得到多于一个的聚类簇；
将每个所述聚类簇内的人脸图像进行特征融合，得到相应的身份特征；
基于人脸库，确定与身份特征匹配的人脸特征对应的人员标识；
根据所述人员标识的数量，确定所述统计区域在所述统计时段的人员流量。
2.根据权利要求1所述的方法，其特征在于，所述将所述多于一帧的现场图像中的人脸图像聚类，得到多于一个的聚类簇包括：
检测所述多于一帧的现场图像中的人脸图像；
基于检测到的人脸图像确定多于一个的人脸移动轨迹；
从每个人脸移动轨迹中筛选符合预设数量条件的人脸图像；
对筛选出的人脸图像聚类，得到多于一个的聚类簇。
3.根据权利要求2所述的方法，其特征在于，所述基于检测到的人脸图像确定多于一个的人脸移动轨迹包括：
确定每个人脸图像的采集时间以及在相应现场图像中的位置坐标；
基于所述采集时间相邻且所述位置坐标的差异小于第一阈值的多个人脸图像，形成多于一个的人脸移动轨迹。
4.根据权利要求2所述的方法，其特征在于，所述基于检测到的人脸图像确定多于一个的人脸移动轨迹包括：
确定每个人脸图像的采集时间以及图像特征；
将所述图像特征的相似度达到第二阈值的多个人脸图像按照所述采集时间进行排列，形成多于一个的人脸移动轨迹。
5.根据权利要求2所述的方法，其特征在于，所述从每个人脸移动轨迹中筛选符合预设数量条件的人脸图像包括：
计算检测到的每个人脸图像的人脸质量评分；
从每个人脸移动轨迹中筛选按所述人脸质量评分降序排前预设数量位的人脸图像。
6.根据权利要求5所述的方法，其特征在于，所述将每个所述聚类簇内的人脸图像进行特征融合，得到相应的身份特征包括：
在每个聚类簇中，将人脸质量评分最高的人脸图像确定为基准图像；
计算每个聚类簇中每个人脸图像与相应基准图像的相似度；
将每个聚类簇中相似度大于或等于第三阈值的人脸图像进行特征融合，得到相应的身份特征。
7.根据权利要求6所述的方法，其特征在于，所述将每个聚类簇中相似度大于或等于第三阈值的人脸图像进行特征融合，得到相应的身份特征包括：
在每个聚类簇中相似度大于或等于第三阈值的人脸图像中，筛选按所述人脸质量评分降序排前目标数量位的人脸图像；
计算筛选得到的多个人脸图像平均的人脸特征，将所述平均的人脸特征确定为所述目标对象的身份特征。
8.根据权利要求1所述的方法，其特征在于，所述基于人脸库，确定与身份特征匹配的人脸特征对应的人员标识包括：
计算所述身份特征与人脸库中每个人脸特征的相似度；
确定计算出的相似度中的最大值；
当所述相似度的最大值达到第四阈值时，将相似度最大的人脸特征确定为与身份特征匹配的人脸特征；
获取与身份特征匹配的人脸特征对应的人员标识。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
当所述相似度的最大值低于所述第四阈值时，生成人员标识，将生成的人员标识确定为与身份特征匹配的人脸特征对应的人员标识；
将所述身份特征与生成的人员标识关联存储至所述人脸库。
10.根据权利要求1-9任意一项所述的方法，其特征在于，所述统计时段包括多个统计子时段；所述根据所述人员标识的数量，确定所述统计区域在所述统计时段的人员流量包括：
对多个统计子时段统计得到的人员标识进行去重；
将去重后人员标识的数量确定为统计区域在所述统计时段的人员数量。
11.根据权利要求10所述的方法，其特征在于，所述根据所述人员标识的数量，确定所述统计区域在所述统计时段的人员流量包括：
根据所述统计子时段，确定每个人员标识对应的统计时间；
按照所述统计时间对多个人员标识进行遍历；
在当前时间顺序的人员标识不属于已遍历的人员标识时，对统计区域在所述统计时段的人次数量进行计数操作。
12.根据权利要求11所述的方法，其特征在于，所述方法还包括：
当当前时间顺序的人员标识属于已遍历的人员标识时，计算已遍历的同一人员标识的统计时间与所述当前时间顺序人员标识的统计时间的时间差；
确定计算出的时间差的最小值；
在所述时间差的最小值达到第五阈值时，对统计区域在统计时段的人次数量进行计数操作。
13.根据权利要求11所述的方法，其特征在于，所述方法还包括：
获取所述统计区域所连通的目标区域在所述统计时段统计得到的人员标识，以及每个人员标识对应的统计时间；
根据所述统计时间，确定在所述统计时段先后出现在所述统计区域及所述目标区域的人员标识，记作流出人员标识；
计算流出人员标识的数量相对统计区域在统计时段的人员数量的比值；
根据所述比值确定从所述统计区域移动至所述目标区域的人员比例。
14.一种人员流量统计装置，其特征在于，所述装置包括：
图像获取模块，用于获取统计区域在统计时段内多于一帧的现场图像；
特征提取模块，用于将所述多于一帧的现场图像中的人脸图像聚类，得到多于一个的聚类簇；将每个所述聚类簇内的人脸图像进行特征融合，得到相应的身份特征；
特征匹配模块，用于基于人脸库，确定与身份特征匹配的人脸特征对应的人员标识；
人员统计模块，用于根据所述人员标识的数量，确定所述统计区域在所述统计时段的人员流量。
15.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至13中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910527298.4A CN110263703A (zh) | 2019-06-18 | 2019-06-18 | 人员流量统计方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910527298.4A CN110263703A (zh) | 2019-06-18 | 2019-06-18 | 人员流量统计方法、装置和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110263703A true CN110263703A (zh) | 2019-09-20 |
Family
ID=67918977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910527298.4A Pending CN110263703A (zh) | 2019-06-18 | 2019-06-18 | 人员流量统计方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110263703A (zh) |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111062407A (zh) * | 2019-10-15 | 2020-04-24 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN111160611A (zh) * | 2019-12-02 | 2020-05-15 | 万翼科技有限公司 | 能耗预估方法、装置、计算机设备和存储介质 |
| CN111191506A (zh) * | 2019-11-26 | 2020-05-22 | 万翼科技有限公司 | 人员流量统计方法、装置、计算机设备和存储介质 |
| CN111461764A (zh) * | 2020-03-11 | 2020-07-28 | 深圳信息职业技术学院 | 消费者信息采集方法、装置和系统 |
| CN111488936A (zh) * | 2020-04-14 | 2020-08-04 | 深圳力维智联技术有限公司 | 一种特征融合方法和装置、存储介质 |
| CN111860261A (zh) * | 2020-07-10 | 2020-10-30 | 北京猎户星空科技有限公司 | 一种客流值的统计方法、装置、设备及介质 |
| CN111881843A (zh) * | 2020-07-30 | 2020-11-03 | 河南天迈科技有限公司 | 一种基于人脸检测的出租车载客人数统计方法 |
| CN112101287A (zh) * | 2020-09-25 | 2020-12-18 | 北京市商汤科技开发有限公司 | 一种图像处理方法、装置、设备和存储介质 |
| CN112241685A (zh) * | 2020-09-16 | 2021-01-19 | 四川天翼网络服务有限公司 | 一种基于社区活动轨迹的人员聚类方法及系统 |
| CN112364714A (zh) * | 2020-10-23 | 2021-02-12 | 岭东核电有限公司 | 人脸识别方法、装置、计算机设备和存储介质 |
| CN112528818A (zh) * | 2020-12-03 | 2021-03-19 | 杭州海康威视系统技术有限公司 | 数据统计方法、装置、电子设备及机器可读存储介质 |
| WO2021059139A1 (en) * | 2019-09-27 | 2021-04-01 | Ricoh Company, Ltd. | Apparatus, image processing system, communication system, method for setting, image processing method, and recording medium |
| CN112686146A (zh) * | 2020-12-30 | 2021-04-20 | 涵古观智能科技(苏州)有限公司 | 一种基于面部特征识别的客流分析方法、装置及系统 |
| CN112689131A (zh) * | 2021-03-12 | 2021-04-20 | 深圳市安软科技股份有限公司 | 基于网格化的活动目标监控方法、装置及相关设备 |
| CN112686177A (zh) * | 2020-12-31 | 2021-04-20 | 深圳云天励飞技术股份有限公司 | 车辆客流统计方法、装置、电子设备及存储介质 |
| CN112800176A (zh) * | 2020-12-23 | 2021-05-14 | 电信科学技术第十研究所有限公司 | 一种基于身份标识和终端标识的组织成员挖掘方法及装置 |
| CN112818149A (zh) * | 2021-01-21 | 2021-05-18 | 浙江大华技术股份有限公司 | 一种基于时空轨迹数据的人脸聚类方法、装置及存储介质 |
| CN112835954A (zh) * | 2021-01-26 | 2021-05-25 | 浙江大华技术股份有限公司 | 一种确定目标服务对象的方法和装置及设备 |
| CN112906725A (zh) * | 2019-11-19 | 2021-06-04 | 北京金山云网络技术有限公司 | 统计人流特征的方法、装置及服务器 |
| CN113190700A (zh) * | 2021-07-02 | 2021-07-30 | 成都旺小宝科技有限公司 | 用于房产交易的人脸抓拍、筛选和存储的方法及系统 |
| CN113468283A (zh) * | 2021-06-29 | 2021-10-01 | 北京市商汤科技开发有限公司 | 数据处理方法、装置、设备、存储介质 |
| CN113536932A (zh) * | 2021-06-16 | 2021-10-22 | 中科曙光国际信息产业有限公司 | 人群聚集预测方法、装置、计算机设备和存储介质 |
| CN114125847A (zh) * | 2020-08-27 | 2022-03-01 | 东北大学秦皇岛分校 | 泛在电力物联网下一种基于设备指纹的终端身份认证方法 |
| CN117671887A (zh) * | 2024-01-16 | 2024-03-08 | 深圳市龙侨华实业有限公司 | 一种基于大数据的智慧安防预警管理方法和系统 |
-
2019
- 2019-06-18 CN CN201910527298.4A patent/CN110263703A/zh active Pending
Cited By (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021059139A1 (en) * | 2019-09-27 | 2021-04-01 | Ricoh Company, Ltd. | Apparatus, image processing system, communication system, method for setting, image processing method, and recording medium |
| CN111062407A (zh) * | 2019-10-15 | 2020-04-24 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN111062407B (zh) * | 2019-10-15 | 2023-12-19 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN112906725A (zh) * | 2019-11-19 | 2021-06-04 | 北京金山云网络技术有限公司 | 统计人流特征的方法、装置及服务器 |
| CN111191506A (zh) * | 2019-11-26 | 2020-05-22 | 万翼科技有限公司 | 人员流量统计方法、装置、计算机设备和存储介质 |
| CN111160611A (zh) * | 2019-12-02 | 2020-05-15 | 万翼科技有限公司 | 能耗预估方法、装置、计算机设备和存储介质 |
| CN111160611B (zh) * | 2019-12-02 | 2023-09-19 | 万翼科技有限公司 | 能耗预估方法、装置、计算机设备和存储介质 |
| CN111461764A (zh) * | 2020-03-11 | 2020-07-28 | 深圳信息职业技术学院 | 消费者信息采集方法、装置和系统 |
| CN111488936A (zh) * | 2020-04-14 | 2020-08-04 | 深圳力维智联技术有限公司 | 一种特征融合方法和装置、存储介质 |
| CN111488936B (zh) * | 2020-04-14 | 2023-07-28 | 深圳力维智联技术有限公司 | 一种特征融合方法和装置、存储介质 |
| CN111860261B (zh) * | 2020-07-10 | 2023-11-03 | 北京猎户星空科技有限公司 | 一种客流值的统计方法、装置、设备及介质 |
| CN111860261A (zh) * | 2020-07-10 | 2020-10-30 | 北京猎户星空科技有限公司 | 一种客流值的统计方法、装置、设备及介质 |
| CN111881843B (zh) * | 2020-07-30 | 2023-12-29 | 河南天迈科技有限公司 | 一种基于人脸检测的出租车载客人数统计方法 |
| CN111881843A (zh) * | 2020-07-30 | 2020-11-03 | 河南天迈科技有限公司 | 一种基于人脸检测的出租车载客人数统计方法 |
| CN114125847B (zh) * | 2020-08-27 | 2023-12-15 | 东北大学秦皇岛分校 | 泛在电力物联网下一种基于设备指纹的终端身份认证方法 |
| CN114125847A (zh) * | 2020-08-27 | 2022-03-01 | 东北大学秦皇岛分校 | 泛在电力物联网下一种基于设备指纹的终端身份认证方法 |
| CN112241685A (zh) * | 2020-09-16 | 2021-01-19 | 四川天翼网络服务有限公司 | 一种基于社区活动轨迹的人员聚类方法及系统 |
| CN112101287A (zh) * | 2020-09-25 | 2020-12-18 | 北京市商汤科技开发有限公司 | 一种图像处理方法、装置、设备和存储介质 |
| CN112101287B (zh) * | 2020-09-25 | 2023-11-28 | 北京市商汤科技开发有限公司 | 一种图像处理方法、装置、设备和存储介质 |
| CN112364714A (zh) * | 2020-10-23 | 2021-02-12 | 岭东核电有限公司 | 人脸识别方法、装置、计算机设备和存储介质 |
| CN112528818A (zh) * | 2020-12-03 | 2021-03-19 | 杭州海康威视系统技术有限公司 | 数据统计方法、装置、电子设备及机器可读存储介质 |
| CN112528818B (zh) * | 2020-12-03 | 2024-02-27 | 杭州海康威视系统技术有限公司 | 数据统计方法、装置、电子设备及机器可读存储介质 |
| CN112800176B (zh) * | 2020-12-23 | 2024-02-06 | 电信科学技术第十研究所有限公司 | 一种基于身份标识和终端标识的组织成员挖掘方法及装置 |
| CN112800176A (zh) * | 2020-12-23 | 2021-05-14 | 电信科学技术第十研究所有限公司 | 一种基于身份标识和终端标识的组织成员挖掘方法及装置 |
| CN112686146A (zh) * | 2020-12-30 | 2021-04-20 | 涵古观智能科技(苏州)有限公司 | 一种基于面部特征识别的客流分析方法、装置及系统 |
| CN112686177A (zh) * | 2020-12-31 | 2021-04-20 | 深圳云天励飞技术股份有限公司 | 车辆客流统计方法、装置、电子设备及存储介质 |
| CN112818149A (zh) * | 2021-01-21 | 2021-05-18 | 浙江大华技术股份有限公司 | 一种基于时空轨迹数据的人脸聚类方法、装置及存储介质 |
| CN112835954A (zh) * | 2021-01-26 | 2021-05-25 | 浙江大华技术股份有限公司 | 一种确定目标服务对象的方法和装置及设备 |
| CN112689131A (zh) * | 2021-03-12 | 2021-04-20 | 深圳市安软科技股份有限公司 | 基于网格化的活动目标监控方法、装置及相关设备 |
| CN112689131B (zh) * | 2021-03-12 | 2021-06-01 | 深圳市安软科技股份有限公司 | 基于网格化的活动目标监控方法、装置及相关设备 |
| CN113536932A (zh) * | 2021-06-16 | 2021-10-22 | 中科曙光国际信息产业有限公司 | 人群聚集预测方法、装置、计算机设备和存储介质 |
| CN113468283A (zh) * | 2021-06-29 | 2021-10-01 | 北京市商汤科技开发有限公司 | 数据处理方法、装置、设备、存储介质 |
| CN113190700A (zh) * | 2021-07-02 | 2021-07-30 | 成都旺小宝科技有限公司 | 用于房产交易的人脸抓拍、筛选和存储的方法及系统 |
| CN117671887A (zh) * | 2024-01-16 | 2024-03-08 | 深圳市龙侨华实业有限公司 | 一种基于大数据的智慧安防预警管理方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263703A (zh) | 人员流量统计方法、装置和计算机设备 | |
| Cai et al. | Deep learning-based video system for accurate and real-time parking measurement | |
| Li et al. | Exploring the association between street built environment and street vitality using deep learning methods | |
| CN108986064A (zh) | 一种人流量统计方法、设备及系统 | |
| CN110363131B (zh) | 基于人体骨架的异常行为检测方法、系统及介质 | |
| CN105208325B (zh) | 基于图像定点抓拍及比对分析的国土资源监控预警方法 | |
| CN103577875B (zh) | 一种基于fast的计算机辅助cad人数统计方法 | |
| CN109697416A (zh) | 一种视频数据处理方法和相关装置 | |
| CN102201061A (zh) | 基于多阶层过滤人脸识别的智能安全监控系统及方法 | |
| CN109815936B (zh) | 一种目标对象分析方法及装置、计算机设备和存储介质 | |
| CN108764167A (zh) | 一种时空关联的目标重识别方法和系统 | |
| CN110428449A (zh) | 目标检测跟踪方法、装置、设备及存储介质 | |
| CN103473786A (zh) | 基于多目标模糊聚类的灰度图像分割方法 | |
| CN110322356A (zh) | 基于hin挖掘动态多模式的医保异常检测方法及系统 | |
| CN109615572A (zh) | 基于大数据的人员亲密度分析的方法及系统 | |
| CN106709438A (zh) | 一种基于视频会议的人数统计方法 | |
| CN109377441A (zh) | 具有隐私保护功能的舌像采集方法和系统 | |
| CN114360067A (zh) | 一种基于深度学习的动态手势识别方法 | |
| CN110162664A (zh) | 视频推荐方法、装置、计算机设备及存储介质 | |
| CN110705366A (zh) | 基于楼梯场景的实时人头检测方法 | |
| CN115866547A (zh) | 基于信令数据的固定区域游客统计方法、系统和存储介质 | |
| CN112364852B (zh) | 融合全局信息的动作视频段提取方法 | |
| CN110070023A (zh) | 一种基于运动顺序性回归的自监督学习方法及装置 | |
| Bapaume et al. | Forecasting passenger flows and headway at train level for a public transport line: Focus on atypical situations | |
| CN109359689A (zh) | 一种数据识别方法及装置 |
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 |