CN110287929A - 群体区域中目标的数量确定方法、装置、设备及存储介质 - Google Patents

群体区域中目标的数量确定方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110287929A
CN110287929A CN201910585861.3A CN201910585861A CN110287929A CN 110287929 A CN110287929 A CN 110287929A CN 201910585861 A CN201910585861 A CN 201910585861A CN 110287929 A CN110287929 A CN 110287929A
Authority
CN
China
Prior art keywords
region
target
recognize
identification point
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.)
Granted
Application number
CN201910585861.3A
Other languages
English (en)
Other versions
CN110287929B (zh
Inventor
陈志博
石楷弘
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201910585861.3A priority Critical patent/CN110287929B/zh
Publication of CN110287929A publication Critical patent/CN110287929A/zh
Application granted granted Critical
Publication of CN110287929B publication Critical patent/CN110287929B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种群体区域中目标的数量确定方法、装置、设备及存储介质，涉及安全监控领域。该方法包括：通过在图像的群体区域中分别标记出可辨识区域和不可辨识区域；识别出可辨识区域中目标的第一数量，以及预测出不可辨识区域中目标的第二数量；将第一数量和第二数量相加，得到图像对应的区域内目标的总数量。该方法基于可辨识区域中目标的识别点与头顶面积的关系函数，对不可辨识区域中目标的数量进行估算，得到目标的总数，解决了由于监控设备中监控摄像头拍摄的视频分辨率较低，导致监控区域内距离摄像头较远的区域中的目标的成像模糊，不易计数、甚至无法计数的问题。

Description

群体区域中目标的数量确定方法、装置、设备及存储介质
技术领域
本申请涉及安全监控领域，特别涉及一种群体区域中目标的数量确定方法、装置、设备及存储介质。
背景技术
在火车站、体育场、步行街、商场等等人流量高的地方，容易发生拥堵现象，因此，上述场景中存在许多的安全隐患。
通常情况下，监控人员通过监控系统对上述场景内的情形进行实时监控，以对突发状况做出应变。监控系统还可以对监控摄像头拍摄的视频中的人群密度进行估算，从而为保安控制人流量提供参考数据，避免一些安全隐患。比如，从监控摄像头拍摄的视频中截取图像，对图像中的人像进行标记，对标记的人像进行计数，得到图像中人的数量，继而根据上述人的数量以及对应的监控区域的面积计算得到该区域内的人群密度。
但是，由于监控设备中监控摄像头拍摄的视频分辨率较低，会导致监控区域内距离摄像头较远的区域中的人像模糊，不易计数、甚至无法计数。
发明内容
本申请实施例提供了一种群体区域中目标的数量确定方法、装置、设备及存储介质，可以解决由于监控设备中监控摄像头拍摄的视频分辨率较低，导致监控区域内距离摄像头较远的区域中的人像模糊，不易计数、甚至无法计数的问题。所述技术方案如下：
根据本申请的一个方面，提供了一种群体区域中目标的数量确定方法，该方法包括：
在图像的群体区域中分别标记出可辨识区域和不可辨识区域；
识别出可辨识区域中目标的第一数量、第一识别点和第一头顶面积；以及不可辨识区域中目标的第二识别点和第二头顶面积；
构建第一识别点与第一头顶面积的关系函数；
根据第二识别点、第二头顶面积和关系函数，预测得到不可辨识区域中目标的第二数量；
将第一数量与第二数量相加，得到图像对应的区域内目标的总数量。
根据本申请的另一个方面，提供了一种群体区域中目标的数量确定装置，该装置包括：
标记模块，用于在图像的群体区域中分别标记出可辨识区域和不可辨识区域；
识别模块，用于识别出可辨识区域中目标的第一数量、第一识别点和第一头顶面积；以及不可辨识区域中目标的第二识别点和第二头顶面积；
构建模块，用于构建第一识别点与第一头顶面积的关系函数；
预测模块，用于根据第二识别点、第二头顶面积和关系函数，预测得到不可辨识区域中目标的第二数量；
确定模块，用于将第一数量与第二数量相加，得到图像对应的区域内目标的总数量。
根据本申请的另一个方面，提供了一种监控设备，该监控设备包括：
存储器；
与存储器电性相连的处理器；
与处理器电性相连的显示器；
其中，处理器，用于获取监控摄像头拍摄的监控图像；在监控图像的人群区域中分别标记出可辨识区域和不可辨识区域；识别出可辨识区域中人的第一数量、第一识别点和第一头顶面积；以及不可辨识区域中人的第二识别点和第二头顶面积；构建第一识别点与第一头顶面积的关系函数；根据第二识别点、第二头顶面积和关系函数，预测得到不可辨识区域中人的第二数量；将第一数量与第二数量相加，得到图像对应的区域内人的总数量；
显示器，用于显示监控图像和人的总数量。
根据本申请的另一个方面，提供了一种计算机设备，该计算机设备包括：
存储器；
与存储器电性相连的处理器；
其中，处理器用于加载并执行可执行指令以实现如上第一个方面及其可选实施例中任一所述的群体区域中目标的数量确定方法。
根据本申请的另一个方面，提供了一种计算机可读存储介质，上述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，上述至少一条指令、上述至少一段程序、上述代码集或指令集由处理器加载并执行以实现如上第一个方面及其可选实施例中任一所述的群体区域中目标的数量确定方法。
本申请实施例提供的技术方案带来的有益效果至少包括:
通过在图像的群体区域中分别标记出可辨识区域和不可辨识区域；识别出可辨识区域中目标的第一数量、第一识别点和第一头顶面积；以及不可辨识区域中目标的第二识别点和第二头顶面积；构建第一识别点与第一头顶面积的关系函数；根据第二识别点、第二头顶面积和关系函数，预测得到不可辨识区域中目标的第二数量；将第一数量与第二数量相加，得到图像对应的区域内目标的总数量。该方法基于可辨识区域中目标的识别点与头顶面积的关系，对图像中不可辨识区域中目标的数量进行估算，得到图像中目标的总数，能够解决由于监控设备中监控摄像头拍摄的视频分辨率较低，导致监控区域内距离摄像头较远的区域中的目标的成像模糊，不易计数、甚至无法计数的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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是本申请一个示例性实施例提供的标记监控图像的示意图；
图2是本申请一个示例性实施例提供的计算机系统的结构示意图；
图3是本申请另一个示例性实施例提供的计算机系统的结构示意图；
图4是本申请一个示例性实施例提供的群体区域中目标的数量确定方法的流程图；
图5是本申请一个示例性实施例提供的曲线拟合的示意图；
图6是本申请另一个示例性实施例提供的群体区域中目标的数量确定方法的流程图；
图7是本申请另一个示例性实施例提供的群体区域中目标的数量确定方法的流程图；
图8是本申请另一个示例性实施例提供的群体区域中目标的数量确定方法的流程图；
图9是本申请一个示例性实施例提供的显示监控图像的界面示意图；
图10是本申请另一个示例性实施例提供的显示监控图像的界面示意图；
图11是本申请另一个示例性实施例提供的群体区域中目标的数量确定方法的流程图；
图12是本申请一个示例性实施例提供的群体区域中目标的数量确定装置的框图；
图13是本申请一个示例性的实施例提供的服务器的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
首先，对本申请实施例涉及的若干个名词进行解释：
目标：指在环境中可自由活动的对象，该对象有聚集成群的活动行为，比如，人、羊、牛、鱼等动物。
群体区域：指图像中显示的目标的群体所在的区域；在以下实施例中以该图像是监控图像为例进行说明，该监控图像是监控系统中由监控摄像头拍摄得到的图像。通常情况下，监控摄像头拍摄的图像的分辨率较低，若监控摄像头拍摄的范围内存在目标较为密集的区域，上述目标较为密集的区域在图像中对应显示的区域中，一般通过人眼无法识别出该区域中目标的具体数量，不易计数；尤其在距离监控摄像头较远的区域中，目标的成像更为模糊，甚至无法计数；上述不易计数、甚至无法计数的区域即为不可辨识区域。相对的，图像中能够清楚的识别出目标的具体数量的区域，为容易计数的区域，也即为可辨识区域。
第一识别点：在对图像中目标的深度学习过程中，识别一个目标的成像可以是从该成像的一个像素点开始的，在图像的可辨识区域中该像素点即为第一识别点。可选地，由于监控摄像头通常安装在较高的位置，比如，头顶的上方，上述第一识别点可以是目标的成像的头顶区域中的任意一个像素点。
第二识别点：在图像的不可辨识区域中，由于目标较为密集，无法单独识别出每一个目标的头顶区域，因此，将不可辨识区域中目标的群体的头顶区域作为一个整体进行识别，对上述头顶区域的整体识别也是从一个像素点开始的，在图像的不可辨识区域中该像素点即为第二识别点。
区域面积：监控摄像头在指定的方向上具有一定的拍摄范围，该拍摄范围内的事物在监控摄像头进行拍摄时，显示在拍摄图像上；上述拍摄范围的面积即为区域面积，也就是说，拍摄图像中能够显示的区域在实际中的面积即为区域面积。
群体密度：是指图像中显示区域所对应的实际区域内目标的平均密度；可选地，该平均密度是上述实际区域内每平方米所包括的目标的数量。
在一些人流量较高的地方，比如，公司、机场、地铁、商场、步行街、体育场、以及学校等等地方，通常会设置有监控系统。该监控系统可以实现对上述场合内发生的事件的实时监控，使保安人员能够对突发事件及时应对；该监控系统还可以为保安人员实时提供上述场合内人群密度，以作为人流量的参考数据，甚至当人群密度过大时发出警报，使保安人员能够提前做好防范措施，避免由于人流量大、人群拥堵等等造成的问题，解决一些安全隐患。
但是，在上述监控系统中，监控摄像头拍摄的监控图像分辨率低，在人群较为密集的区域，和/或，距离监控摄像头距离较远的区域中，图像中的人不易计数，在处理过程中，也没有准确识别上述区域中人的数量的手段，在一些甚至直接放弃对上述区域中人的数量的统计，导致监控系统对人群密度的计算的准确性降低。
本申请提供的群体区域中目标的数量确定方法，应用于监控系统中，以群体是人群为例进行说明，该方法将图像中的人群区域标记为可辨识区域和不可辨识区域；如图1所示，对图像中的人群区域标记出区域11和区域12，其中，区域11为可辨识区域，区域12为不可辨识区域。区域11中人像的数量能够清楚的被识别；而由于人群密集，且距离监控摄像头较远，区域12中的人像不能清楚的被识别。监控系统对可辨识区域中的人像进行计数，得到准确的人的数量；对不可辨识区域中的人的数量进行预估，上述对人的数量的预估依赖于可辨识区域的人像的分布，详细的说明如下示例性实施例所示。
图2是本申请的一个示例性实施例提供的监控系统的结构示意图，该监控系统包括摄像头120、计算机设备140和终端160。
其中，摄像头120与计算机设备140之间通过有线或者无线网络相互连接；计算机设备还与终端160之间通过有线或者无线网络相互连接。
摄像头120用于采集监控图像，并将监控图像传输至计算机设备140中。可选地，摄像头120包括数字摄像头和模拟摄像头中的至少一种。示意性的，摄像头120可以包括网络摄像头、模拟摄像头、智能摄像头以及微型摄像头中的至少一种。
以摄像头120为数字摄像头为例，数字摄像头包括镜头(Lens)、图像传感器、模数转换器(Analog to Digital Converter，ADC)、第一通信模块和电源；图像传感器借助镜头采集图像后，由ADC将模拟信号转换为数字信号，并由第一通信模块将数字信号传输并存储至计算机设备140中。示意性的，上述第一通信模块可以通过通用串行总线(UniversalSerial Bus，USB)将数字信号传输并存储至计算机设备140中；或者，上述第一通信模块可以通过无线网络将数字信号传输并存储至计算机设备140中。
可选地，图像传感器包括电荷耦合器件(Charge Couple Device，CCD)，或者，互补金属氧化物半导体(Complementary Metal Oxide Semicondutor，CMOS)中的至少一种。
计算机设备140用于存储和处理接收的监控图像，还用于将监控图像以及处理得到的群体区域中目标的总数量或者监控图像中的群体密度传输至终端160。计算机设备140包括第一处理器、第一存储器、第二通信模块。
第一处理器、第一存储器以及第二通信模块之间直接或者间接的电性相连，以实现数据的传输或者交互。比如，第一处理器、第一存储器和第二通信模块之间可以通过一条通信总线或者多条通信线实现电性连接。
第一存储器中存储有监控程序，上述监控程序被处理器执行以实现本申请提供的群体区域中目标的数量确定方法，或者，本申请之外的其他功能。第一存储器可以包括但不限于以下几种：随机存取存储器(Random Access Memory，RAM)、只读存储器(Read OnlyMemory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)、以及电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)。
第一处理器可以是一个或者多个集成电路芯片组成。可选地，第一处理器可以是通用处理器，比如，中央处理器(Central Processing Unit，CPU)或者网络处理器(NetworkProcessor，NP)。第一处理器用于执行存储器中存储的监控程序以实现本申请提供的群体区域中目标的数量确定方法。
第二通信模块用于实现计算机设备140与摄像头120、终端160之间的数据传输以及交互，比如，计算机设备140通过第二通信模块接收摄像头120传输的监控图像，还通过第二通信模块向终端160传输监控图像、以及相应的群体区域中目标的总数量或者监控图像中的群体密度。
终端160包括第一显示器和第三通信模块，其中，第三通信模块用于接收计算机设备140传输的监控图像、以及群体区域中目标的总数量或者监控图像中的群体密度；第一显示器用于显示监控图像、以及群体区域中目标的总数量或者监控图像中的群体密度。
需要说明的是，终端160还可以包括第二处理器、第二存储器和第一输入设备。第二存储器中存储有程序，第二处理器执行上述程序可以实现用户与终端160之间的交互。比如，第二处理器根据用户通过第一输入设备输入控制命令，可以对监控图像进行放大或者缩小。
可选地，第二存储器可以包括但不限于以下几种：RAM、ROM、PROM、EPROM、EEPROM。可选地，第二处理器可以是通用处理器，比如，CPU或者NP。
可选地，终端160还包括摄像头，该摄像头用于采集图像；终端160的第二存储器中存储有应用程序，该应用程序能够被第二处理器加载并执行以实现本申请提供的群体区域中目标的数量确定方法。示意性的，该应用程序可以是单独用于实现本申请提供的群体区域中目标的数量确定方法的应用程序；还可以是能够实现本申请提供的群体区域中目标的数量确定方法的其他应用程序，比如，其他应用程序可以是拍照程序，在终端160中运行拍照程序，将摄像头对准人群进行图像采集时，执行上述群体区域中目标的数量确定方法，能够在拍照程序的图像采集的显示界面中显示人的总数量或者人群密度。
可选地，终端160可以包括笔记本电脑、台式电脑、智能手机、平板电脑中的至少一种。
在本申请提供的实施例中，摄像头120采集监控图像，并将监控图像传输并存储至计算机设备140中。
计算机设备140获取摄像头120采集监控图像，执行本申请提供的群体区域中目标的数量确定方法，得到图像的群体区域中目标的总数量或者图像中的群体密度；计算机设备140将上述监控图像、以及该监控图像对应的群体区域中目标的总数量或者监控图像中的群体密度传输至终端160中。示意性的，计算机设备140在图像的群体区域中分别标记出可辨识区域和不可辨识区域；识别出可辨识区域中目标的第一数量、第一识别点和第一头顶面积；以及不可辨识区域中目标的第二识别点和第二头顶面积；构建第一识别点与第一头顶面积的关系函数；根据第二头顶面积和关系函数，预测得到不可辨识区域中目标的第二数量；将第一数量与第二数量相加，得到图像对应的区域内目标的总数量；再次，将目标的总数量除以图像对应的区域面积，得到图像中目标的群体密度。
终端160接收并显示上述监控图像、以及对应的群体区域中目标的总数量或者图像中的群体密度。
还需要说明的是，计算机设备可以包括显示器，如图3，示出了另一个示例性实施例提供的监控系统的结构示意图，该监控系统包括摄像头120和计算机设备180；摄像头120和计算机设备180通过有线或者无线网络相互连接。
计算机设备180用于存储和处理接收的监控图像，还用于显示监控图像、以及处理得到的群体区域中目标的总数量或者监控图像中的群体密度。计算机设备180包括第三处理器、第三存储器、第四通信模块以及第二显示器。第三处理器、第三存储器以及第四通信模块之间直接或者间接电性相连；第三处理器与第二显示器之间直接或者间接电性相连。
第三存储器中存储有监控程序，上述监控程序被处理器执行以实现本申请提供的群体区域中目标的数量确定方法，监控图像、以及群体区域中目标的总数量或者图像中的群体密度的显示，或者，本申请之外的其他功能。第三存储器可以包括但不限于以下几种：RAM、ROM、PROM、EPROM、以及EEPROM。
第三处理器可以是一个或者多个集成电路芯片组成。可选地，第三处理器可以是通用处理器，比如，CPU或者NP。第三处理器用于执行存储器中存储的监控程序以实现本申请提供的群体区域中目标的数量确定方法。
第四通信模块用于实现与摄像头120之间的数据传输以及交互，从而使计算机设备180能够从摄像头120中获取监控图像；还能够控制摄像头120的拍摄角度。
计算机设备180还包括第二输入设备，该第二输入设备用于输入控制命令，由第三处理器执行以实现人机交互，比如，第三处理器根据用户通过第二输入设备输入控制命令，可以对监控图像进行放大或者缩小。
图4本申请的一个示例性实施例提供的群体密度检测方法的流程图，应用于图1所示的计算机设备中，该方法包括：
步骤201，计算机设备在图像的群体区域中分别标记出可辨识区域和不可辨识区域。
可选地，计算机设备中存储有区域标记模型，该区域标记模型用于标记出图像的群体区域中的可辨识区域和不可辨识区域。其中，该区域标记模型是采集历史图像对神经网络模型训练得到的；示意性的，在采集的历史图像中人为的标记出可辨识区域和不可辨识区域，将上述被标记后的历史图像作为样本对神经网络模型进行训练，得到区域标记模型。
可选地，神经网络模型可以包括感知机(Perceptron)、卷积神经网络(Convolutional Neural Networks，CNN)、反卷积神经网络(Deconvolutional Networks，DN)、递归神经网络(Recurrent Neural Networks，RNN)、长短期记忆(Long/Short TermMemory，LSTM)网络、Hopfield网络(Hopfield Networks，HN)、玻尔兹曼机(BoltzmannMachine，BM)网络、深度置信网络(Deep Belief Networks，DBN)、自动编码器(AutoEncoder，AE)中的至少一种。
当计算机设备获取得到摄像头拍摄的图像时，计算机设备通过区域标记模型在图像的群体区域中分别标记出可辨识区域和不可辨识区域。继而，执行以下步骤202至步骤204，分别对可辨识区域和不可辨识区域中目标的数量进行识别统计。
步骤202，计算机设备识别出可辨识区域中目标的第一数量、第一识别点和第一头顶面积；以及不可辨识区域中目标的第二识别点和第二头顶面积。
可选地，计算机设备通过检测算法对可辨识区域中的目标进行识别，识别得到可辨识区域中目标的第一数量，以及第一识别点和第一头顶面积。其中，若可辨识区域中目标的第一数量为l，则对应的有l个第一识别点和l个第一头顶面积，l为正整数。
计算机设备还通过检测算法对不可辨识区域中目标进行识别，识别得到不可辨识区域中目标的第二识别点和第二头顶面积。
其中，由于可辨识区域中能够识别出每一个目标，不可辨识区域中无法识别出每一个目标，因此，第一识别点是指可辨识区域中每一个目标的头顶区域的任意一个像素点；第二识别点是指不可辨识区域中目标的整体的头顶区域的任意一个像素点；第一头顶面积是指可辨识区域中每一个目标的头顶区域的面积；第二头顶面积是指不可辨识区域中目标的整体的头顶区域的面积。
步骤203，计算机设备构建第一识别点与第一头顶面积的关系函数。
可选地，计算机设备构建关系函数的步骤可以如下：
1)计算机设备在平面直角坐标系中确定出第一识别点的位置坐标和第一头顶面积的关系曲线。
可选地，构建第一识别点的位置坐标与第一头顶面积的线性关系曲线；示意性的，上述关系曲线的表达式可以如下所示：
Area(personi)＝h(personi)*ε；
其中，Area(personi)表示第i个目标的头顶面积，h(personi)表示第i个目标的识别点的位置坐标，ε表示关系曲线的模型参数，i为正整数。
2)计算机设备根据上述关系曲线确定关系函数的模型参数。
可选地，计算机设备确定上述模型参数可以通过以下步骤实现：
a、通过最小二乘法对关系曲线进行曲线拟合，得到关系曲线拟合后的线性曲线；
b、根据拟合后的线性曲线确定关系函数的模型参数。
3)计算机设备根据模型参数构建出关系曲线。
可选地，模型参数包括第一参数和第二参数，则识别点与头顶面积的关系函数可以表示为：第一头顶面积等于第一乘积与第二乘积的和；其中，第一乘积为第一识别点的横坐标与第一参数的乘积，第二乘积为第一识别点的纵坐标与第二参数的乘积。
示意性的，关系函数的公式可以如下所示：
Area(personi(x，y))＝ax+by；
其中，(x，y)为识别点的位置坐标，x为识别点的横坐标，y为识别点的纵坐标；Area(personi(x，y))为以x、y表示的第i个目标的头顶面积；a为第一参数，b为第二参数。
计算机设备将n个第一识别点的位置坐标以及对应的n个第一头顶面积作为已知量，代入上述关系函数中，确定出关系函数的模型参数。其中，上述n个第一识别点可以为部分第一识别点或者全部第一识别点。
比如，如图5，对n个第一识别点进行曲线拟合，图中示出了(1,6)、(2,5)(3,7)(4,10)四个第一识别点，将上述四个第一识别点进行拟合，得到线性曲线cx+by＝e，该线性曲线用于确定上述关系函数的模型参数。
步骤204，计算机设备根据第二识别点、第二头顶面积和关系函数，预测得到不可辨识区域中目标的第二数量。
可选地，计算机设备预测不可辨识区域中目标的第二数量的示意性步骤如下：
1)计算机设备将第二识别点的位置坐标输入关系函数中，得到平均头顶面积。
其中，该平均头顶面积表示不可辨识区域中的每一个目标的头顶面积的平均值。
可选地，计算机设备还识别出不可辨识区域中的第二识别点，示意性步骤如下：
a、识别出不可辨识区域中头顶区域包括的n个识别点。
b、计算n个识别点的平均位置坐标作为第二识别点的位置坐标。
上述平均位置坐标由计算机设备对n个识别点计算得到，计算机设备计算n个识别点的横坐标的平均值，得到平均位置坐标的横坐标；计算n个识别点的纵坐标的平均值，得到平均位置坐标的纵坐标。示意性的，平均位置坐标的计算公式如下：
其中，xmean为平均位置坐标的横坐标，ymean为平均位置坐标的纵坐标，xi为n个识别点中的第i个识别点的横坐标，yi为n个识别点中的第i个识别点的纵坐标，n为正整数，i为小于或者等于n的正整数。
可选地，n个识别点可以为不可辨识区域中头顶区域的全部像素点。
示意性的，计算机设备将第二识别点的位置坐标代入关系函数中，得到平均头顶面积，也就是说，将上述第二识别点的位置坐标代入公式Area(personi(x，y))＝ax+by中，计算得到平均头顶面积为：
Areamean＝a*xmean+b*ymean；
其中，Areamean表示平均头顶面积，“*”为乘以的符号。
2)计算机设备将第二头顶面积除以平均头顶面积，得到不可辨识区域中目标的第二数量。
步骤205，计算机设备将第一数量与第二数量相加，得到图像对应的区域内目标的总数量。
综上所述，本实施例提供的群体区域中目标的数量确定方法，通过将图像中的群体区域划分为可辨识区域和不可辨识区域，对图像中可辨识区域中目标的数量进行识别；基于可辨识区域中目标的识别点与头顶面积的关系，对图像中不可辨识区域中目标的数量进行估算，得到图像中目标的总数，从而计算目标的群体密度；该方法能够解决由于监控设备中监控摄像头拍摄的视频分辨率较低，导致监控区域内距离摄像头较远的区域中的目标的成像模糊，不易计数、甚至无法计数的问题。
该方法中对于不可辨识区域的标注还解决了如何对低分辨率的监控图像中目标的模糊的成像进行标注的问题。
还需要说明的是，计算机设备还可以根据关系函数动态确定报警阈值，当图像中对应的区域内目标达到报警阈值时，响起警报以提醒监控人员，如图6，基于图4，步骤203之后，还包括步骤206至步骤208，如下所示：
步骤206，计算机设备根据第二识别点、区域面积和关系函数确定图像中目标的数量极值。
示意性的，计算机设备确定人的数量极值的步骤如下：
1)将第二识别点的位置坐标输入关系函数中，得到平均头顶面积。
2)将区域面积除以平均头顶面积得到的商，确定为图像中目标的数量极值。
步骤207，计算机设备根据上述数量极值和报警系数确定报警阈值。
可选地，计算机设备中预先设置有报警系数，该报警系数用于确定报警阈值。计算机设备将数量极值乘以报警系数得到报警阈值。当图像中目标的数量大于报警阈值时，触发报警；否则，不触发报警。
步骤208，当目标的总数量大于报警阈值时，计算机设备发出报警信息。
示意性的，以目标是人为例进行说明，计算机设备将第二识别点输入关系函数中，得到平均头顶面积；将区域面积除以平均头顶面积得到的商确定为图像中人的数量极值；继而，将数量极值与报警系数相乘得到报警阈值；当上述目标的总数量大于报警阈值时，表示图像中对应区域的人流量过大，发出报警信息，否则，不发出报警。
综上所述，本实施里提供的报警方法，通过关系函数确定报警阈值，在第一数量与第二数量的和大于报警阈值时，发出报警；该方法能够根据当前的场景对报警阈值进行动态调整，发出警报的时机更符合实际情况。
当目标是人时，该方法能够为保安人员提供了更可靠的参考信息，比如，该警报能够提醒保安人员对人流量进行及时的控制，避免一些安全隐患。
需要说明的是，本实施例中对步骤206至步骤207与步骤204至步骤205的执行顺序不作限定。
还需要说明的是，本实施例中，目标的数量极值还可以根据第一识别点、区域面积和关系函数确定，示意性步骤如下：
1)确定m个第一识别点的平均坐标，m为正整数；
2)将平均坐标输入关系函数中，得到平均头顶面积；
3)将区域面积除以平均头顶面积得到的商确定为图像中目标的数量极值。
在一些应用场景中，还需要确定群体区域内的群体密度，以方便对群体密集的区域进行合理规划，因此，在步骤205之后增加步骤209，以实现区域内群体密度的确定，如图7，示意性步骤如下：
步骤209，计算机设备将目标的总数量除以图像对应的区域面积，得到图像中目标的群体密度。
示意性的，计算机设备计算第一数量与第二数量的和，得到可辨识区域与不可辨识区域中目标的总数量之后，还获取图像对应的区域面积，计算上述目标的总数量除以区域面积的商，得到图像中目标的群体密度。
综上所述，本实施例提供的群体区域中目标的数量确定方法，通过将图像中的群体区域划分为可辨识区域和不可辨识区域，对图像中可辨识区域中目标的数量进行识别；基于可辨识区域中目标的识别点与头顶面积的关系，对图像中不可辨识区域中目标的数量进行估算，得到图像中目标的总数，从而计算目标的群体密度；该方法能够解决由于监控设备中监控摄像头拍摄的视频分辨率较低，导致监控区域内距离摄像头较远的区域中的目标的成像模糊，不易计数、甚至无法计数的问题，而且能够计算得到更准确的目标的群体密度。
还需要说明的是，本申请提供了一种群体区域中目标的数量确定方法，该方法可以应用于以下设备中：
第一，应用于摄像头中，该摄像头连接有监控设备；
第二，应用于连接有摄像头的监控设备中；
第三，应用于连接有摄像头的计算机设备中，该计算机设备还连接有监控设备。
当该方法被摄像头、或者监控设备、或者计算机设备执行时，能够确定出图像的群体区域中目标的数量，并在监控设备上显示图像和目标的总数量。
请参考图8，以该方法应用在监控设备中，且目标为人进行举例说明，该监控设备包括显示器，该方法包括：
步骤301，监控设备获取监控摄像头拍摄的监控图像。
可选地，监控设备中包括监控摄像头，监控设备通过监控摄像头采集监控图像；或者，监控设备与监控摄像头通过有线或者无线网络连接，监控设备通过网络获取监控摄像头拍摄的监控图像。
步骤302，监控设备在监控图像的人群区域中分别标记出可辨识区域和不可辨识区域。
监控设备中存储有区域标记模型，该区域标记模型为用于标记可辨识区域和不可辨识区域的神经网络模型；监控设备通过该区域标记模型识别监控图像中的人群区域，且标记出人群区域中的可辨识区域和不可辨识区域。
步骤303，监控设备识别出可辨识区域中人的第一数量、第一识别点和第一头顶面积；以及不可辨识区域中人的第二识别点和第二头顶面积。
其中，由于可辨识区域中能够识别出每一个人，不可辨识区域中无法识别出每一个人，因此，第一识别点是指可辨识区域中每一个人的头顶区域的任意一个像素点；第二识别点是指不可辨识区域中人的整体的头顶区域的任意一个像素点；第一头顶面积是指可辨识区域中每一个人的头顶区域的面积；第二头顶面积是指不可辨识区域中人的整体的头顶区域的面积。
可选地，由于监控摄像头通常安装在头顶以上的位置，因此，监控设备可以通过人的头顶来识别人，进而可以通过头发的发色来识别人的头顶区域；以识别可辨别区域中的第一头顶面积为例，示意性步骤如下：
1)根据头发的发色确定第一识别点对应的连通域；
2)将上述连通域的面积确定为第一头顶面积。
其中，像素点的连通域是指相邻且相同的像素点组成的域，本实施例中，第一识别点对应的连通域指包括第一识别点的相同且相邻的q个像素点组成的域，q为大于1的正整数。比如，像素点1与邻接的至少一个像素点2相同，像素点2与邻接的至少一个像素点3相同，以此类推，q个像素点两两之间邻接且相同，上述q个像素点组成的域即为连通域。
步骤304，监控设备构建第一识别点与第一头顶面积的关系函数。
步骤305，监控设备根据第二识别点、第二头顶面积和关系函数，预测得到不可辨识区域中人的第二数量。
步骤306，监控设备将第一数量和第二数量相加，得到监控图像对应的区域内人的总数量。
需要说明的是，步骤304至步骤306的详细说明可以参考步骤203至步骤205，在此不再加以赘述。
步骤307，监控设备显示监控图像和人的总数量。
监控设备通过显示器对监控图像和对应的人的总数量进行显示。
还需要说明的是，监控设备还可以通过显示器对监控图像和图像中的人群密度进行显示。可选地，人群密度叠加显示在监控图像上；比如，人群密度叠加显示在监控图像的边缘区域，如图9，人群密度21叠加显示在监控图像22的左下角。或者，监控设备对人群密度与监控图像进行分区域显示；比如，监控图像显示在人群密度的上方，如图10，监控图像23与人群密度24上下并排显示。
综上所述，本实施例提供的群体区域中目标的数量确定方法，通过将图像中的人群区域划分为可辨识区域和不可辨识区域，对图像中可辨识区域中的人数进行识别；基于可辨识区域中人的识别点与头顶面积的关系，对图像中不可辨识区域中的人数进行估算，得到图像中的人的总数，还能够计算人群密度；该方法能够解决由于监控设备中监控摄像头拍摄的视频分辨率较低，导致监控区域内距离摄像头较远的区域中的人像模糊，不易计数、甚至无法计数的问题，而且能够计算得到更准确的人群密度，从而为高人流区域的保安对人流量的控制提供准确的参考数据，避免一些安全隐患。
该方法中对于不可辨识区域的标注还解决了如何对低分辨率的监控图像中的模糊人群进行标注的问题。
需要说明的是，图8示出的实施例中，图像中的人数总和的确定流程可以总结为5个步骤，如图11，步骤如下：
步骤401，计算机设备通过区域标记模型识别出图像的人群区域中可辨识区域和不可辨识区域。
步骤402，计算机设备对可辨识区域进行深度学习，得出第一识别点与第一头顶面积的关系函数。
计算机设备识别出可辨识区域中第一识别点和第一头顶面积，根据第一识别点和第一头顶面积构建关系函数。
计算机设备还对可辨识区域中的人进行识别得到人的第一数量。可选地，计算机设备通过检测算法识别可辨识区域中人的第一数量。示意性的，检测算法可以为yolo_v3，mask_cnn等等算法。
步骤403，计算机设备识别不可辨识区域中的头顶面积与第二识别点。
其中，不可辨识区域为人群密集区域(Region Of Interest Crowd，ROIC)。上述头顶面积为ROIC中整体的头顶面积；上述第二识别点为ROIC中整体的头顶区域的识别点。
步骤404，计算机设备根据关系函数估算不可辨识区域中人的第二数量。
计算机设备将第二识别点输入关系函数中，得到平均头顶面积；该平均头顶面积为ROIC中每一个人的头顶面积的平均值。
计算机设备将ROIC中整体的头顶面积除以平均头顶面积，得到ROIC中人的第二数量。
步骤405，计算机设备根据第一数量和第二数量计算图像中人的总数量。
计算机设备计算第一数量与第二数量的总和，得到图像中的人的总数量。
综上所述，本实施例提供的群体区域中目标的数量确定方法，通过将图像中的人群区域划分为可辨识区域和不可辨识区域，对图像中可辨识区域中的人数进行识别；基于可辨识区域中人的识别点与头顶面积的关系，对图像中不可辨识区域中的人数进行估算，得到图像中的人的总数；该方法能够解决由于监控设备中监控摄像头拍摄的视频分辨率较低，导致监控区域内距离摄像头较远的区域中的人像模糊，不易计数、甚至无法计数的问题，能够更准确的识别出图像中的人的总数量，从而为高人流区域的保安对人流量的控制提供准确的参考数据，避免一些安全隐患。
该方法中对于不可辨识区域的标注还解决了如何对低分辨率的监控图像中的模糊人群进行标注的问题。
图12是本申请提供的一个示例性实施例提供的群体区域中目标的数量确定装置，该装置可以通过软件、硬件、或者二者的结合实现成为计算机设备的部分或者全部，该装置包括：
标记模块501，用于在图像的群体区域中分别标记出可辨识区域和不可辨识区域；
识别模块502，用于识别出可辨识区域中目标的第一数量、第一识别点和第一头顶面积；以及不可辨识区域中目标的第二识别点和第二头顶面积；
构建模块503，用于构建第一识别点与第一头顶面积的关系函数；
预测模块504，用于根据第二识别点、第二头顶面积和关系函数，预测得到不可辨识区域中目标的第二数量；
确定模块505，用于将第一数量与第二数量相加，得到图像对应的区域内目标的总数量。
在一些实施例中，构建模块503，包括：
第一确定子模块5031，用于在平面直角坐标系中确定出第一识别点的位置坐标与第一头顶面积的关系曲线；
第一确定子模块5031，用于根据关系曲线确定关系函数的模型参数；
构建子模块5032，用于根据模型参数构建出关系函数。
在一些实施例中，第一确定子模块5031，用于通过最小二乘法对关系曲线进行曲线拟合，得到关系曲线拟合后的线性曲线；根据拟合后的线性曲线确定关系函数的模型参数。
在一些实施例中，关系函数表示为：第一头顶面积等于第一乘积与第二乘积的和；
其中，第一乘积为第一识别点的横坐标与第一参数的乘积，第二乘积为第一识别点的纵坐标与第二参数的乘积；第一参数和第二参数为关系函数的模型参数。
在一些实施例中，预测模块504，用于将第二识别点的位置坐标输入关系函数中，得到平均头顶面积，平均头顶面积表示不可辨识区域中的每一个目标的头顶面积的平均值；将第二头顶面积除以平均头顶面积，得到不可辨识区域中目标的第二数量。
在一些实施例中，识别模块502，包括：
识别子模块5021，用于识别出不可辨识区域中头顶区域包括的n个识别点；
第二确定子模块5022，用于确定n个识别点的平均位置坐标作为第二识别点的位置坐标，n为正整数。
在一些实施例中，第二确定子模块5022，用于根据头发的发色确定第一识别点对应的连通域；将连通域的面积确定为第一头顶面积。
在一些实施例中，确定模块505，用于将目标的总数量除以图像对应的区域面积，得到图像中目标的群体密度。
在一些实施例中，该装置还包括：
确定模块505，用于根据第二识别点、区域面积和关系函数确定图像中目标的数量极值；
确定模块505，用于根据数量极值和报警系数确定报警阈值；报警系数为预先设置的系数；
报警模块506，用于当目标的总数量大于报警阈值时，发出警报信息。
在一些实施例中，该装置还包括：
显示模块507，用于在监控设备上显示图像和目标的总数量。
综上所述，本实施例提供的群体区域中目标的数量确定装置，通过将图像中的群体区域划分为可辨识区域和不可辨识区域，对图像中可辨识区域中目标的数量进行识别；基于可辨识区域中目标的识别点与头顶面积的关系，对图像中不可辨识区域中目标的数量进行估算，得到图像中目标的总数，还能够计算得到目标的群体密度；该装置能够解决由于监控设备中监控摄像头拍摄的视频分辨率较低，导致监控区域内距离摄像头较远的区域中的目标的成像模糊，不易计数、甚至无法计数的问题，而且能够计算得到更准确的目标的群体密度。
该装置中对于不可辨识区域的标注还解决了如何对低分辨率的监控图像中目标的模糊的成像进行标注的问题。
图13示出了本申请一个实施例提供的服务器的结构示意图。该服务器用于实施上述实施例中提供的工作总结的生成方法。具体来讲：
所述服务器700包括中央处理单元(CPU)701、包括随机存取存储器(RAM)702和只读存储器(ROM)703的系统存储器704，以及连接系统存储器704和中央处理单元701的系统总线705。所述服务器700还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)706，和用于存储操作系统713、应用程序714和其他程序模块715的大容量存储设备707。
所述基本输入/输出系统706包括有用于显示信息的显示器708和用于用户输入信息的诸如鼠标、键盘之类的输入设备709。其中所述显示器708和输入设备709都通过连接到系统总线705的输入输出控制器710连接到中央处理单元701。所述基本输入/输出系统706还可以包括输入输出控制器710以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器710还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备707通过连接到系统总线705的大容量存储控制器(未示出)连接到中央处理单元701。所述大容量存储设备707及其相关联的计算机可读介质为服务器700提供非易失性存储。也就是说，所述大容量存储设备707可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器704和大容量存储设备707可以统称为存储器。
根据本申请的各种实施例，所述服务器700还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器700可以通过连接在所述系统总线705上的网络接口单元711连接到网络712，或者说，也可以使用网络接口单元711来连接到其他类型的网络或远程计算机系统(未示出)。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质；也可以是单独存在，未装配入终端中的计算机可读存储介质。该计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如图4至图11任一所述的群体区域中目标的数量确定方法。
可选地，该计算机可读存储介质可以包括：只读存储器(Read Only Memory，ROM)、随机存取记忆体(Random Access Memory，RAM)、固态硬盘(Solid State Drives，SSD)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(Resistance Random AccessMemory，ReRAM)和动态随机存取存储器(Dynamic Random Access Memory，DRAM)。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (13)

1.一种群体区域中目标的数量确定方法，其特征在于，所述方法包括：
在图像的群体区域中分别标记出可辨识区域和不可辨识区域；
识别出所述可辨识区域中目标的第一数量、第一识别点和第一头顶面积；以及所述不可辨识区域中目标的第二识别点和第二头顶面积；
构建所述第一识别点与所述第一头顶面积的关系函数；
根据所述第二识别点、所述第二头顶面积和所述关系函数，预测得到所述不可辨识区域中目标的第二数量；
将所述第一数量与所述第二数量相加，得到所述图像对应的区域内目标的总数量。
2.根据权利要求1所述的方法，其特征在于，所述构建所述第一识别点与所述第一头顶面积的关系函数，包括：
在平面直角坐标系中确定出所述第一识别点的位置坐标与所述第一头顶面积的关系曲线；
根据所述关系曲线确定所述关系函数的模型参数；
根据所述模型参数构建出所述关系函数。
3.根据权利要求2所述的方法，其特征在于，所述根据所述关系曲线确定所述关系函数的模型参数，包括：
通过最小二乘法对所述关系曲线进行曲线拟合，得到所述关系曲线拟合后的线性曲线；
根据所述拟合后的线性曲线确定所述关系函数的模型参数。
4.根据权利要求1至3任一所述的方法，其特征在于，所述关系函数表示为：所述第一头顶面积等于第一乘积与第二乘积的和；
其中，所述第一乘积为所述第一识别点的横坐标与第一参数的乘积，所述第二乘积为所述第一识别点的纵坐标与第二参数的乘积；所述第一参数和所述第二参数为所述关系函数的模型参数。
5.根据权利要求1至3任一所述的方法，其特征在于，所述根据所述第二识别点、所述第二头顶面积和所述关系函数，预测得到所述不可辨识区域中目标的第二数量，包括：
将所述第二识别点的位置坐标输入所述关系函数中，得到平均头顶面积，所述平均头顶面积表示不可辨识区域中的每一个目标的头顶面积的平均值；
将所述第二头顶面积除以所述平均头顶面积，得到所述不可辨识区域中目标的所述第二数量。
6.根据权利要求5所述的方法，其特征在于，所述识别出所述不可辨识区域中目标的第二识别点，包括：
识别出所述不可辨识区域中所述头顶区域包括的n个识别点；
确定所述n个识别点的平均位置坐标作为所述第二识别点的位置坐标，n为正整数。
7.根据权利要求1至3任一所述的方法，其特征在于，所述将所述第一数量与所述第二数量相加，得到所述图像对应的区域内目标的总数量之后，包括：
将所述目标的总数量除以所述图像对应的区域面积，得到所述图像中目标的群体密度。
8.根据权利要求1至3任一所述的方法，其特征在于，所述方法还包括：
根据所述第二识别点、所述区域面积和所述关系函数确定所述图像中所述目标的数量极值；
根据所述数量极值和报警系数确定报警阈值；所述报警系数为预先设置的系数；
当所述目标的总数量大于所述报警阈值时，发出警报信息。
9.根据权利要求1至3任一所述的方法，其特征在于，所述方法应用于摄像头中，所述摄像头连接有监控设备；或者，应用于连接有所述摄像头的所述监控设备中；或者，应用于连接有所述摄像头的计算机设备中，所述计算机设备还连接有所述监控设备；所述方法还包括：
在所述监控设备上显示所述图像和所述目标的总数量。
10.一种群体区域中目标的数量确定装置，其特征在于，所述装置包括：
标记模块，用于在图像的群体区域中分别标记出可辨识区域和不可辨识区域；
识别模块，用于识别出所述可辨识区域中目标的第一数量、第一识别点和第一头顶面积；以及所述不可辨识区域中目标的第二识别点和第二头顶面积；
构建模块，用于构建所述第一识别点与所述第一头顶面积的关系函数；
预测模块，用于根据所述第二识别点、所述第二头顶面积和所述关系函数，预测得到所述不可辨识区域中目标的第二数量；
确定模块，用于将所述第一数量与所述第二数量相加，得到所述图像对应的区域内目标的总数量。
11.一种监控设备，其特征在于，所述监控设备包括：
存储器；
与所述存储器电性相连的处理器；
与所述处理器电性相连的显示器；
其中，所述处理器，用于获取监控摄像头拍摄的监控图像；在所述监控图像的人群区域中分别标记出可辨识区域和不可辨识区域；识别出所述可辨识区域中人的第一数量、第一识别点和第一头顶面积；以及所述不可辨识区域中人的第二识别点和第二头顶面积；构建所述第一识别点与所述第一头顶面积的关系函数；根据所述第二识别点、所述第二头顶面积和所述关系函数，预测得到所述不可辨识区域中人的第二数量；将所述第一数量与所述第二数量相加，得到所述图像对应的区域内人的总数量；
所述显示器，用于显示所述监控图像和所述人的总数量。
12.一种计算机设备，其特征在于，所述计算机设备包括：
存储器；
与所述存储器电性相连的处理器；
其中，所述处理器用于加载并执行可执行指令以实现如权利要求1至9任一所述的群体区域中目标的数量确定方法。
13.一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中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至9任一所述的群体区域中目标的数量确定方法。
CN201910585861.3A 2019-07-01 2019-07-01 群体区域中目标的数量确定方法、装置、设备及存储介质 Active CN110287929B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910585861.3A CN110287929B (zh) 2019-07-01 2019-07-01 群体区域中目标的数量确定方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910585861.3A CN110287929B (zh) 2019-07-01 2019-07-01 群体区域中目标的数量确定方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN110287929A true CN110287929A (zh) 2019-09-27
CN110287929B CN110287929B (zh) 2023-09-05

Family

ID=68021569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910585861.3A Active CN110287929B (zh) 2019-07-01 2019-07-01 群体区域中目标的数量确定方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110287929B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364739A (zh) * 2020-10-31 2021-02-12 成都新潮传媒集团有限公司 一种人数统计方法、装置及计算机可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289805A (zh) * 2011-06-10 2011-12-21 北京云加速信息技术有限公司 一种基于视频的地铁人群密度检测方法
CN104463121A (zh) * 2014-12-08 2015-03-25 北京市新技术应用研究所 人群密度信息获取方法
US20160019698A1 (en) * 2014-07-21 2016-01-21 Florida Atlantic University Systems and methods for people counting in sequential images
CN106778632A (zh) * 2016-12-22 2017-05-31 东南大学 轨道交通大客流识别预警系统和方法
JP2019066909A (ja) * 2017-09-28 2019-04-25 セコム株式会社 物体分布推定装置
CN109697435A (zh) * 2018-12-14 2019-04-30 重庆中科云从科技有限公司 人流量监测方法、装置、存储介质及设备
WO2019087383A1 (ja) * 2017-11-06 2019-05-09 三菱電機株式会社 群集密度算出装置、群集密度算出方法および群集密度算出プログラム

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289805A (zh) * 2011-06-10 2011-12-21 北京云加速信息技术有限公司 一种基于视频的地铁人群密度检测方法
US20160019698A1 (en) * 2014-07-21 2016-01-21 Florida Atlantic University Systems and methods for people counting in sequential images
CN104463121A (zh) * 2014-12-08 2015-03-25 北京市新技术应用研究所 人群密度信息获取方法
CN106778632A (zh) * 2016-12-22 2017-05-31 东南大学 轨道交通大客流识别预警系统和方法
JP2019066909A (ja) * 2017-09-28 2019-04-25 セコム株式会社 物体分布推定装置
WO2019087383A1 (ja) * 2017-11-06 2019-05-09 三菱電機株式会社 群集密度算出装置、群集密度算出方法および群集密度算出プログラム
CN109697435A (zh) * 2018-12-14 2019-04-30 重庆中科云从科技有限公司 人流量监测方法、装置、存储介质及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
葛昭阳: "基于目标检测和密度分布的复杂场景人群计数", 中国优秀硕士学位论文全文数据库 (信息科技辑) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364739A (zh) * 2020-10-31 2021-02-12 成都新潮传媒集团有限公司 一种人数统计方法、装置及计算机可读存储介质
CN112364739B (zh) * 2020-10-31 2023-08-08 成都新潮传媒集团有限公司 一种人数统计方法、装置及计算机可读存储介质

Also Published As

Publication number Publication date
CN110287929B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN107256377B (zh) 用于检测视频中的对象的方法、设备和系统
CN109813434B (zh) 一种基于温度检测的人体识别方法、装置及终端设备
US10769531B2 (en) Methods and systems for counting people
WO2019210555A1 (zh) 一种基于深度神经网络的人数统计方法及装置、存储介质
CN109034355A (zh) 致密人群的人数预测方法、装置、设备以及存储介质
Liu et al. Geometric and physical constraints for drone-based head plane crowd density estimation
JP5459674B2 (ja) 移動物体追跡システムおよび移動物体追跡方法
CN107679503A (zh) 一种基于深度学习的人群计数算法
JP6624629B2 (ja) 魚計数装置、魚計数方法、魚数の予測装置、魚数の予測方法、魚計数システムおよび魚数予測システム
JP2014006586A (ja) 情報処理装置及びその制御方法、コンピュータプログラム
CN113420682B (zh) 车路协同中目标检测方法、装置和路侧设备
GB2545900A (en) Method, device, and computer program for re-identification of objects in images obtained from a plurality of cameras
CN110348371B (zh) 人体三维动作自动提取方法
CN116309781B (zh) 一种基于跨模态融合的水下视觉目标测距方法及装置
CN109815787A (zh) 目标识别方法、装置、存储介质及电子设备
De Guzman et al. Social Distancing Violation Monitoring Using YOLO for Human Detection
CN108628442A (zh) 一种信息提示方法、装置以及电子设备
CN111178235A (zh) 一种目标数量确定方法、装置、设备及存储介质
KR102274581B1 (ko) 개인화된 hrtf 생성 방법
CN110287929A (zh) 群体区域中目标的数量确定方法、装置、设备及存储介质
CN108362382B (zh) 一种热成像监控方法及其监控系统
CN109858319A (zh) 图像处理设备及控制方法和非暂时性计算机可读存储介质
Liu et al. Geometric and physical constraints for head plane crowd density estimation in videos
CN113538513A (zh) 监控对象的进出控制方法、装置、设备及存储介质
CN106874829B (zh) 提高监测系统的可靠性的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant