CN110688924A - 一种基于rfcn的垂直单目客流量统计方法 - Google Patents
一种基于rfcn的垂直单目客流量统计方法 Download PDFInfo
- Publication number
- CN110688924A CN110688924A CN201910887060.2A CN201910887060A CN110688924A CN 110688924 A CN110688924 A CN 110688924A CN 201910887060 A CN201910887060 A CN 201910887060A CN 110688924 A CN110688924 A CN 110688924A
- Authority
- CN
- China
- Prior art keywords
- target
- detection
- training
- rfcn
- passenger flow
- 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
- 238000007619 statistical method Methods 0.000 title claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 86
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 238000012805 post-processing Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000009434 installation Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明创造提供了一种基于RFCN的垂直单目客流量统计方法,采用基于RFCN的深度学习目标检测算法,根据垂直安装的监控设备获取的实时画面信息,对画面中存在的行人进行检测,统计画面中的人数并定位其所在位置,从而实时准确的获取客流信息。本发明创造所述的一种基于RFCN的垂直单目客流量统计方法,以ResNet‑18深层卷积神经网络为基础,采用基于RFCN的新型深度学习目标检测算法,检测速度快,实时性高,同时检测精准,满足实际应用需求。
Description
技术领域
本发明创造属于视频监控领域,尤其是涉及一种基于RFCN的垂直单目客流量统计方法。
背景技术
随着视频监控技术的发展和广泛应用,根据监控设备获取的视频画面进行人数统计,可以方便、可靠、实时地对各种场所的客流进行无感统计,能够快捷地掌握客流动态。常用的监控设备受安装位置所限,角度倾斜,对于客流量较少的情况尚可应对,但是当客流密集时,无法解决相互遮挡问题,导致客流量统计不准确。为了解决遮挡问题,也有提出双目视觉的办法,但是使用两个摄像机大大增加了成本,对设备的安装条件也要求较高,同时对资源也是一种浪费。
发明内容
有鉴于此,本发明创造旨在克服上述现有技术中存在的缺陷,提出一种基于RFCN的垂直单目客流量统计方法。
为达到上述目的,本发明创造的技术方案是这样实现的:
一种基于RFCN的垂直单目客流量统计方法,包括如下步骤:
S1.构建训练模型的训练样本集;
S2.搭建基于RFCN的深度学习目标检测网络架构;
S3.配置训练参数,训练检测模型;
S4.获取待检测图像信息,设置检测区域和规则;
S5.检测模型实时检测画面信息,输出检测结果;
S6.结果后处理、输出统计结果。
进一步的,所述步骤S1构建训练样本集,包括如下步骤:
S101.在待监测公共场所获取监控视频信息;
S102.通过数据增强技术对获取的原始图像帧进行处理,得到训练样本数据集;
S103.通过样本标注工具在训练样本集图片中标出目标的外接矩形框并设定所属类别;
S104.将样本图片和生成的标注文件分别保存作为样本集。
进一步的,所述步骤S2网络架构搭建方法如下:
S201.采用ResNet-18卷积神经网络作为backbone对输入的图像进行特征提取;
S202.将神经网络生成的特征图输入RFCN目标检测模块。
进一步的,所述步骤S3配置训练参数,训练检测模型包括如下步骤:
S301.设置训练网络模型的超参数,设置初始学习率为0.001,并且每隔固定的迭代次数,将学习率降为原来的一半,总共降五次,训练的总迭代次数设置为总样本数量的二十倍;
S302.模型训练根据BP反向传播算法,利用SGD随机梯度下降算法进行迭代训练,使网络训练最终输出的loss值下降至较低值;
S303.训练完成后,获取用于检测目标的模型。
进一步的,所述步骤S3中loss值的计算方法:
训练网络的loss分为分类损失Lconf(x,c)和回归损失Lloc(x,l,g),总的损失是二者的加权和。利用网络输出的预测框的位置l(x,y,w,h)与置信值confidence跟真实值g(x,y,w,h)计算损失,得到最终的loss,计算公式为:
其中i表示第i个预测框,j表示目标所属类别,yij表示第i个预测框所表示的类别与第j个类别是否匹配,匹配为1否则为0,xij表示第i 个预测框属于第j个真实框所代表的类别的概率,Lconf(x,c)表示分类的损失;xi表示如果第i个预测框与真实框之间的IOU大于0.7就等于 1,小于0.3时等于0,否则不参与训练。
进一步的,如果Ncls和Nloc设置的差距过大,用参数β平衡二者。
进一步的,所述步骤S4设置检测区域和规则,在待检测图像中画一个四边形区域,并在其中画一条规则线;所述规则线可以是直线或折线;所述规则线用于判断目标通过区域是否计数。
进一步的,所述步骤S5检测结果包括目标的外接矩形框的坐标、目标所属的类别和对应的置信度。
进一步的,所述步骤S6结果后处理、输出统计结果,主要包括如下步骤:
S601.根据步骤S5中检测结果的坐标信息,判断是否在设置的区域内,排除不在区域内的目标;
S602.根据目标的置信值,设置一个阈值,去除置信值较低的目标,排除误检;
S603.设置一个IOU交并比参数,去除IOU值较大的检测框集合中置信值较低的检测框;
S604.根据检测框的大小,去除不符合实际场景中目标大小范围的检测结果;
S605.匹配连续帧的检测结果中的目标位置信息,判断目标的连续运动状态,对目标的运动轨迹进行跟踪;
S606.对目标检测框的中心点是否通过规则线及通过规则线的方向进行判断,作为该目标是否通过区域的判断指标,用以不同进出方向的计数;
S607.通过对目标运动状态的轨迹跟踪信息,判断目标是否在检测区域内徘徊,如果同一目标多次通过规则线,则不进行计数;
S608.根据进出的计数差,实时计算此时区域内的人数。
进一步的,所述步骤S4获取待检测图像信息,采用单目检测方法;所述步骤S4获取待检测图像信息所用设备安装在监控区域的顶部,垂直向下俯视监控区域。
相对于现有技术,本发明创造具有以下优势:
(1)深度学习,检测精准。本发明以ResNet-18深层卷积神经网络为基础,采用基于RFCN的新型深度学习目标检测算法,检测速度快,实时性高,同时检测精准,满足实际应用需求;
(2)垂直监控,避免遮挡。设备垂直安装于顶部,垂直向下俯视监控区域,可以避免倾斜安装时由于客流量较大导致的相互遮挡问题;
(3)单目检测,节约成本。双目检测方法需要同时使用两个摄像头,造成成本的增加和资源的浪费,本发明采用单目检测的方法,仅需要一个摄像头即可完成准确的客流量统计。
附图说明
构成本发明创造的一部分的附图用来提供对本发明创造的进一步理解,本发明创造的示意性实施例及其说明用于解释本发明创造,并不构成对本发明创造的不当限定。在附图中:
图1为本发明创造实施例所述的应用场景示意图;
图2为本发明创造实施例所述的算法流程图示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明创造中的实施例及实施例中的特征可以相互组合。
在本发明创造的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明创造和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明创造的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明创造的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明创造中的具体含义。
下面将参考附图并结合实施例来详细说明本发明创造。
本发明适用于大多数公共场合的进出口的客流量统计,可以实时监测进入区域内的实际人数。本发明已实际应用于食堂、饭店等多个场景,设备安装于门口的顶棚上,监控门口区域,实时监控进出饭店的人数,用于比对不同饭店的经营状况,实际测试统计准确率可以达到98%以上,满足实际需求。
如图2所示,具体实施方法如下:
1.训练检测模型。利用预先收集的样本图片,基于深度学习神经网络训练用于检测客流的模型,主要分为三步。
首先是构建用于训练样本集。从监测场景中获取监控视频信息,对获取的原始图像帧利用各种数据增强技术进行预处理,从而得到丰富的训练样本数据集。然后对样本数据进行标注,在训练样本集图片中标出人(检测目标)的外接矩形框并设定所属类别,将样本图片和生成的标注文件分别保存作为样本集;
然后搭建基于RFCN的深度学习目标检测网络架构。采用ResNet- 18卷积神经网络作为backbone对输入的图像进行特征提取,将神经网络网络生成的特征图输入到RFCN目标检测模块;
最后配置训练参数,训练检测模型。设置初始学习率为0.001,并且每隔固定的迭代次数,将学习率降为原来的一半,总共降五次,训练的总迭代次数一般设置为总样本数量的二十倍。模型训练根据BP (反向传播)算法,利用SGD(随机梯度下降)算法进行迭代训练,使网络训练最终输出的loss值下降至较低值。训练完成后,获取用于检测人的模型;
2.利用模型检测图片并输出检测结果。利用前一步训练生成的模型对实际的监控场景视频帧进行检测,获取画面中的检测目标的置信度和位置信息,主要分为三步。
首先是设备安装。如图1所示,由于采用单目检测方法,只需一个设备即可监控一个区域。设备安装在监控区域的顶部,垂直向下俯视监控区域,可以有效避免客流密集时各个目标之间的相互遮挡问题;
然后设置检测区域和规则。在设备返回的视频画面中设置检测区域,按照顺时针或者逆时针的顺序画一个四边形区域,并在其中画一条规则线(可以是直线或折线),用于判断目标通过区域是否计数;
最后利用模型实时检测画面信息,并输出结果。对获取的待检测图像进行简单的预处理,并将其送入检测模型中进行检测,获取模型输出的检测结果,模型输出的检测结果包括目标的外接矩形框的坐标、目标所属的类别和对应的置信度;
3.结果后处理、输出统计结果。模型输出的检测结果只是画面中所有检测到的目标信息,并不能作为统计结果输出,而是要利用目标的置信度、运动状态、相对位置等信息,根据预先设置的检测区域和规则线进行判断,并输出最终的结果,主要分为两步。
首先是对检测结果进行后处理。根据检测得到的各个检测结果的坐标信息,判断是否在设置的检测区域内,排除不在区域内的检测结果;根据设置的阈值,去除目标置信值较低的检测结果,排除误检;设置一个IOU(交并比,判断不同检测结果的重叠度)参数,去除IOU 值较大的检测框集合中置信值较低的检测框,重叠度较高的检测框可能检测的是同一个目标,只保留一个置信值最高的即可。根据检测框的大小,去除不符合实际场景中目标大小范围的检测结果,经过多重筛选后,剩下的检测框就是检测区域内实际存在的目标;
然后综合分析连续的视频帧图像,确定最终计数结果。由于检测速度快实时性高,连续两帧中目标所在位置很接近,因此对连续帧的检测结果中输出的目标位置进行匹配,可以判断目标的连续运动状态,并对目标的运动轨迹进行跟踪。对目标检测框的中心点是否通过规则线及通过规则线的方向进行判断,作为该目标是否通过区域的判断指标,用以不同进出方向的计数。利用对目标运动状态的轨迹跟踪信息,判断目标是否在检测区域内徘徊,如果出现同一目标多次通过规则线,则不进行计数,避免误计数现象。另外在靠近出的规则线一侧,可设置一条虚拟线,用以统计经过区域但是未进入的目标。
最后根据进出的不同方向的计数差,实时计算此时区域内的人数,实现客流量的统计。
以上所述仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明创造的保护范围之内。
Claims (10)
1.一种基于RFCN的垂直单目客流量统计方法,其特征在于:包括如下步骤:
S1.构建训练模型的训练样本集;
S2.搭建基于RFCN的深度学习目标检测网络架构;
S3.配置训练参数,训练检测模型;
S4.获取待检测图像信息,设置检测区域和规则;
S5.检测模型实时检测画面信息,输出检测结果;
S6.结果后处理、输出统计结果。
2.根据权利要求1所述的一种基于RFCN的垂直单目客流量统计方法,其特征在于:所述步骤S1构建训练样本集,包括如下步骤:
S101.在待监测公共场所获取监控视频信息;
S102.通过数据增强技术对获取的原始图像帧进行处理,得到训练样本数据集;
S103.通过样本标注工具在训练样本集图片中标出目标的外接矩形框并设定所属类别;
S104.将样本图片和生成的标注文件分别保存作为样本集。
3.根据权利要求1所述的一种基于RFCN的垂直单目客流量统计方法,其特征在于:所述步骤S2网络架构搭建方法如下:
S201.采用ResNet-18卷积神经网络作为backbone对输入的图像进行特征提取;
S202.将神经网络生成的特征图输入RFCN目标检测模块。
4.根据权利要求1所述的一种基于RFCN的垂直单目客流量统计方法,其特征在于:所述步骤S3配置训练参数,训练检测模型包括如下步骤:
S301.设置训练网络模型的超参数,设置初始学习率为0.001,并且每隔固定的迭代次数,将学习率降为原来的一半,总共降五次,训练的总迭代次数设置为总样本数量的二十倍;
S302.模型训练根据BP反向传播算法,利用SGD随机梯度下降算法进行迭代训练,使网络训练最终输出的loss值下降至较低值;
S303.训练完成后,获取用于检测目标的模型。
5.根据权利要求4所述的一种基于RFCN的垂直单目客流量统计方法,其特征在于:所述步骤S302中loss值的计算方法如下:
训练网络的loss分为分类损失Lconf(x,c)和回归损失Lloc(x,l,g),总的损失是二者的加权和。利用网络输出的预测框的位置l(x,y,w,h)与置信值confidence跟真实值g(x,y,w,h)计算损失,得到最终的loss,计算公式为:
其中i表示第i个预测框,j表示目标所属类别,yij表示第i个预测框所表示的类别与第j个类别是否匹配,匹配为1否则为0,xij表示第i个预测框属于第j个真实框所代表的类别的概率,Lconf(x,c)表示分类的损失;xi表示如果第i个预测框与真实框之间的IOU大于0.7就等于1,小于0.3时等于0,否则不参与训练。
6.根据权利要求5所述的一种基于RFCN的垂直单目客流量统计方法,其特征在于:如果Ncls和Nloc设置的差距过大,用参数β平衡二者。
7.根据权利要求1所述的一种基于RFCN的垂直单目客流量统计方法,其特征在于:所述步骤S4设置检测区域和规则,在待检测图像中画一个四边形区域,并在其中画一条规则线;所述规则线可以是直线或折线;所述规则线用于判断目标通过区域是否计数。
8.根据权利要求1所述的一种基于RFCN的垂直单目客流量统计方法,其特征在于:所述步骤S5检测结果包括目标的外接矩形框的坐标、目标所属的类别和对应的置信度。
9.根据权利要求1所述的一种基于RFCN的垂直单目客流量统计方法,其特征在于:所述步骤S6结果后处理、输出统计结果,主要包括如下步骤:
S601.根据步骤S5中检测结果的坐标信息,判断是否在设置的区域内,排除不在区域内的目标;
S602.根据目标的置信值,设置一个阈值,去除置信值较低的目标,排除误检;
S603.设置一个IOU交并比参数,去除IOU值较大的检测框集合中置信值较低的检测框;
S604.根据检测框的大小,去除不符合实际场景中目标大小范围的检测结果;
S605.匹配连续帧的检测结果中的目标位置信息,判断目标的连续运动状态,对目标的运动轨迹进行跟踪;
S606.对目标检测框的中心点是否通过规则线及通过规则线的方向进行判断,作为该目标是否通过区域的判断指标,用以不同进出方向的计数;
S607.通过对目标运动状态的轨迹跟踪信息,判断目标是否在检测区域内徘徊,如果同一目标多次通过规则线,则不进行计数;
S608.根据进出的计数差,实时计算此时区域内的人数。
10.根据权利要求1所述的一种基于RFCN的垂直单目客流量统计方法,其特征在于:所述步骤S4获取待检测图像信息,采用单目检测方法;所述步骤S4获取待检测图像信息所用设备安装在监控区域的顶部,垂直向下俯视监控区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910887060.2A CN110688924A (zh) | 2019-09-19 | 2019-09-19 | 一种基于rfcn的垂直单目客流量统计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910887060.2A CN110688924A (zh) | 2019-09-19 | 2019-09-19 | 一种基于rfcn的垂直单目客流量统计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110688924A true CN110688924A (zh) | 2020-01-14 |
Family
ID=69109500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910887060.2A Pending CN110688924A (zh) | 2019-09-19 | 2019-09-19 | 一种基于rfcn的垂直单目客流量统计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110688924A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382720A (zh) * | 2020-03-18 | 2020-07-07 | 浩云科技股份有限公司 | 基于顶视单目摄像机的人员数量的实时统计方法及装置 |
CN113033353A (zh) * | 2021-03-11 | 2021-06-25 | 北京文安智能技术股份有限公司 | 基于俯视图像的行人轨迹生成方法、存储介质和电子设备 |
CN114220077A (zh) * | 2022-02-21 | 2022-03-22 | 金叶仪器(山东)有限公司 | 基于监控设备实现物体数量统计和移动方向监测的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096813A (zh) * | 2011-02-10 | 2011-06-15 | 北京邮电大学 | 单目摄像机垂直视角下基于Blob的行人计数方法 |
CN106650593A (zh) * | 2016-09-30 | 2017-05-10 | 王玲 | 客流统计方法和装置 |
CN107103279A (zh) * | 2017-03-09 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种在垂直视角下基于深度学习的客流计数方法 |
CN109101888A (zh) * | 2018-07-11 | 2018-12-28 | 南京农业大学 | 一种游客人流量监控预警方法 |
CN109711322A (zh) * | 2018-12-24 | 2019-05-03 | 天津天地伟业信息系统集成有限公司 | 一种基于rfcn的人车分离方法 |
-
2019
- 2019-09-19 CN CN201910887060.2A patent/CN110688924A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096813A (zh) * | 2011-02-10 | 2011-06-15 | 北京邮电大学 | 单目摄像机垂直视角下基于Blob的行人计数方法 |
CN106650593A (zh) * | 2016-09-30 | 2017-05-10 | 王玲 | 客流统计方法和装置 |
CN107103279A (zh) * | 2017-03-09 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种在垂直视角下基于深度学习的客流计数方法 |
CN109101888A (zh) * | 2018-07-11 | 2018-12-28 | 南京农业大学 | 一种游客人流量监控预警方法 |
CN109711322A (zh) * | 2018-12-24 | 2019-05-03 | 天津天地伟业信息系统集成有限公司 | 一种基于rfcn的人车分离方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382720A (zh) * | 2020-03-18 | 2020-07-07 | 浩云科技股份有限公司 | 基于顶视单目摄像机的人员数量的实时统计方法及装置 |
CN113033353A (zh) * | 2021-03-11 | 2021-06-25 | 北京文安智能技术股份有限公司 | 基于俯视图像的行人轨迹生成方法、存储介质和电子设备 |
CN114220077A (zh) * | 2022-02-21 | 2022-03-22 | 金叶仪器(山东)有限公司 | 基于监控设备实现物体数量统计和移动方向监测的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416250B (zh) | 人数统计方法及装置 | |
CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN108986064B (zh) | 一种人流量统计方法、设备及系统 | |
CN111126399B (zh) | 一种图像检测方法、装置、设备及可读存储介质 | |
CN103164706B (zh) | 基于视频信号分析的对象计数方法与装置 | |
CN108021848B (zh) | 客流量统计方法及装置 | |
CN109034036B (zh) | 一种视频分析方法、教学质量评估方法及系统、计算机可读存储介质 | |
CN110688924A (zh) | 一种基于rfcn的垂直单目客流量统计方法 | |
CN108154110B (zh) | 一种基于深度学习人头检测的密集人流量统计方法 | |
CN111209892A (zh) | 一种基于卷积神经网络的人群密度及数量估计方法 | |
CN104240264B (zh) | 一种运动物体的高度检测方法和装置 | |
CN111339839B (zh) | 一种密集型目标检测计量方法 | |
CN109840982B (zh) | 排队推荐方法及装置、计算机可读存储介质 | |
CN108363953B (zh) | 一种行人检测的方法及双目监控设备 | |
CN105631418A (zh) | 一种人数统计的方法和装置 | |
CN108038839B (zh) | 一种流水生产线上双绞线绞距实时检测方法 | |
CN109711322A (zh) | 一种基于rfcn的人车分离方法 | |
CN103150552B (zh) | 一种基于人头计数的驾驶培训管理方法 | |
CN207233038U (zh) | 人脸点名与计数系统 | |
CN109697438B (zh) | 一种特殊群体聚集行为早期检测及聚集地预测方法和系统 | |
CN111259736A (zh) | 一种基于深度学习的复杂环境下行人实时检测方法 | |
CN110889347B (zh) | 基于时空计数特征的密度交通流计数方法及系统 | |
CN102867214A (zh) | 区域范围内人数统计管理方法 | |
CN112183287A (zh) | 一种移动机器人在复杂背景下的人数统计方法 | |
CN110490170A (zh) | 一种人脸候选框提取方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200114 |
|
RJ01 | Rejection of invention patent application after publication |