CN110795998A - 人流量的检测方法、装置、电子设备及可读存储介质 - Google Patents

人流量的检测方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN110795998A
CN110795998A CN201910887714.1A CN201910887714A CN110795998A CN 110795998 A CN110795998 A CN 110795998A CN 201910887714 A CN201910887714 A CN 201910887714A CN 110795998 A CN110795998 A CN 110795998A
Authority
CN
China
Prior art keywords
image
pixel
detected
preset
characteristic
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
CN201910887714.1A
Other languages
English (en)
Other versions
CN110795998B (zh
Inventor
李萌
丁旭
胡文泽
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.)
Shenzhen Intellifusion Technologies Co Ltd
Original Assignee
Shenzhen Intellifusion Technologies 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 Shenzhen Intellifusion Technologies Co Ltd filed Critical Shenzhen Intellifusion Technologies Co Ltd
Priority to CN201910887714.1A priority Critical patent/CN110795998B/zh
Publication of CN110795998A publication Critical patent/CN110795998A/zh
Application granted granted Critical
Publication of CN110795998B publication Critical patent/CN110795998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于图像处理技术领域，提供了一种人流量的检测方法、装置、电子设备及可读存储介质，所述检测方法包括：获取待检测区域的待检测图像；对所述待检测图像进行特征检测，获得与所述待检测图像对应的特征图；其中，所述特征图中每个像素点的特征值表征所述像素点属于人体的概率；若所述特征图中任一像素区域的像素点的特征值符合高斯分布，则确定该像素区域存在一个人体；统计存在一个人体的所有像素区域，获得所述待检测区域的人流数量。本申请实施例提高了人流量检测的实时性，并且提高了人流量检测结果的准确性。

Description

人流量的检测方法、装置、电子设备及可读存储介质
技术领域
本申请涉及图像处理技术领域，具体涉及一种人流量的检测方法、装置、电子设备及可读存储介质。
背景技术
随着社会的发展和进步，大规模群体性活动越来越多。近年来，在人群密集场所，由于人群密度过大而造成人员伤亡的事件屡见不鲜，因此需要对人群密集程度进行监控。
目前多通过对历史数据进行分析，估算某个时段下某个场所的人流量，这种估算方法不够准确。
发明内容
有鉴于此，本申请实施例提供了一种人流量的检测方法、装置、电子设备及可读存储介质，可以解决以上问题。
第一方面，本申请实施例提供了一种人流量的检测方法，包括：
获取待检测区域的待检测图像；
对所述待检测图像进行特征检测，获得与所述待检测图像对应的特征图；其中，所述特征图中每个像素点的特征值表征所述像素点属于人体的概率；
若所述特征图中任一像素区域的像素点的特征值符合高斯分布，则确定该像素区域存在一个人体；
统计存在一个人体的所有像素区域，获得所述待检测区域的人流数量。
本申请实施例通过直接对待检测区域的待检测图像进行像素级别的处理，得到每个像素点属于人体的概率，再根据概率分布检测出待检测图像中的人体，由于提高了检测的时效性和特征值提取的精度，从而大大提高了人体检测结果的实时性和准确度。
其中，所述对所述待检测图像进行特征检测，获得与所述待检测图像对应的特征图，包括：
利用深度学习网络模型对所述待检测图像进行特征检测，获得与所述待检测图像具有相同像素大小的特征图。
其中，深度学习网络模型包括第一分支网络、第二分支网络和特征融合模块，所述第一分支网络用于提取输入图像的空间特征；所述第二分支网络用于提取输入图像的语义特征；所述特征融合模块用于将所述空间特征和所述语义特征进行融合得到融合数据，所述融合数据进行上采样得到特征图。
本申请实施例通过融合图像的深层和浅层的特征，大大提高了利用深度学习网络模型进行特征提取的准确性，从而进一步提高了检测结果的准确度。
其中，所述检测方法，还包括：
若所述人流数量超过预设人数阈值，则发出警报。
本申请实施例通过对人群数量超过预设人数阈值时进行警报提醒，进一步提高本申请实施例的及时性，降低了损失。
其中，所述检测方法，还包括：
获取所述待检测区域在若干天数内每天相同时刻的人流数量，若若干个所述人流数量与所述待检测区域的实际人群数量不一致，则统计人量差值，利用所述人量差值对实时检测的该相同时刻的人流数量进行更新。
本申请实施例通过对个别时刻的错误检测值进行误差补偿处理，从而提供了一种更具普适性的准确检测方案。
第二方面，本申请实施例提供了一种人流量的检测装置，包括：
图像获取模块，用于获取待检测区域的待检测图像；
特征检测模块，用于对所述待检测图像进行特征检测，获得与所述待检测图像对应的特征图；其中，所述特征图中每个像素点的特征值表征所述像素点属于人体的概率；
人体确定模块，用于若所述特征图中任一像素区域的像素点的特征值符合高斯分布，则确定该像素区域存在一个人体；
人数统计模块，用于统计存在一个人体的所有像素区域，获得所述待检测区域的人流数量。
第三方面，本申请实施例提供了一种电子设备，包括存储器以及处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如第一方面所述检测方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述检测方法的步骤。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面所述检测方法的步骤。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种人流量检测系统的结构示意图；
图2是本申请实施例提供的一种人流量的检测方法的流程图；
图3是本申请实施例提供的像素点的8邻域的示意图；
图4是本申请实施例提供的一种深度学习网络模型的结构示意图；
图5是本申请实施例提供的一种深度学习网络模型的第一分支网络的结构示意图；
图6是本申请实施例提供的一种深度学习网络模型的第二分支网络的结构示意图；
图7是本申请实施例提供的一种深度学习网络模型的第二分支网络的注意力模块的结构示意图；
图8是本申请实施例提供的一种深度学习网络模型的特征融合模块的结构示意图；
图9是本申请实施例提供的一种人流量的检测方法中步骤230的流程图；
图10是本申请实施例提供的另一种人流量的检测方法的流程图；
图11是本申请实施例提供的一种人流量的检测装置的结构示意图；
图12是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
当公众场所由于人群聚集成为人群密集场所时，为了避免人群密度过大而造成人员伤亡事件，需要对公众场所的人群密集程度进行监控，本申请实施例提供一种人流量的检测方法，对公众场所的人流量进行实时且准确的检测。
图1示出的是本申请实施例提供的一种人流量检测系统100，包括监控设备101和电子设备102。
在该人流量检测系统100中，监控设备101拍摄待检测区域的监控图像，通过有线或无线的通信网络将监控图像发送到电子设备102，电子设备102获取到该监控图像后，基于该监控图像进行人流量的检测，获得人流量数据。待检测区域为需要进行人流量检测的区域，可以为任一公众场所。
在一些实施例中，电子设备102在统计出监控图像中的流量数量后，还判断人流数量是否超过预警阈值，若流量数量超过预警阈值，则触发报警模块发出警报，以提醒相关人员注意。需要说明的是，报警模块可以为电子设备的内置模块，也可以为电子设备外置的模块，还可以是与电子设备相互独立的设备。
图1中仅示出一个监控设备101和一个电子设备102，本申请实施例中并不限制监控设备和电子设备的数量，本领域技术人员可以根据实际需要进行部署，本申请实施例中的图示和与图示对应的阐述不构成对其具体部署形式的限定。
可以理解的是，图1中的监控设备101包括但不限于带摄像头的摄像设备、带有摄像头的飞行器，如无人机等。
电子设备102为通过有线或无线通信网络接收监控设备101发送的监控图像，基于监控图像进行人群监控的用户设备或服务器等。
其中，用户设备包括但不限于手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personaldigital assistant，PDA)等终端设备。服务器包括独立的服务器、服务器集群、分布式服务器和云端服务器等。本申请实施例对电子设备的具体类型不作任何限制。
无线通信网络包括但不限于无线上网(Wireless Fidelity，Wi-Fi)、紫蜂协议(ZigBee)、蓝牙、全球移动通讯系统(Global System of Mobile communication，GSM)、通用分组无线服务(General Packet Radio Service，GPRS)、码分多址(Code DivisionMultiple Access，CDMA)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、长期演进(Long Term Evolution,LTE))、第五代移动通信网络(5th generationmobile networks，5G)和未来采用的通信网络等。
图2为本申请实施例提供的一种人流量的检测方法的流程图，人流量的检测方法应用于上述图1所示人流量检测系统100中的电子设备102，可由所述电子设备102的软件/硬件实现。如图2所示，该方法包括步骤S210至S240。各个步骤的具体实现原理如下。
S210，获取待检测区域的待检测图像。
其中，待检测图像为需要进行人流量检测的对象，可以为照片，也可以为视频帧。待检测图像可以为通过监控设备拍摄到的监控图像。监控图像可以为从监控设备实时获取到的图像，还可以为从电子设备的内部或外部存储器中存储的图像。
在一个非限定性的示例中，监控设备实时拍摄待检测区域的监控图像，发送监控图像给电子设备。电子设备获取监控图像，将监控图像作为待检测图像。
在另一个非限定性的示例中，监控设备实时拍摄监控图像发送给电子设备，电子设备先在数据库中存储该监控图像，再从数据库中获取该待检测区域的监控图像作为待检测图像。
在一些实施例中，电子设备获取待检测区域的待检测图像，在获取待检测图像后，直接进行后续的步骤S220，即对待检测图像进行特征检测。
在另一些实施例中，电子设备对待检测区域的待检测图像，添加了高斯模糊操作过滤图像内的噪点，以提高后续检测结果的准确度。也就是说，在这些实施例中，获取待检测区域的待检测图像，包括：获取待检测区域的待检测图像，对所述待检测图像进行高斯模糊处理，得到目标图像。在得到目标图像后，再进行后续的步骤S220，即对目标图像进行特征检测。
在一个非限定性的示例中，对待检测图像进行高斯模糊处理，包括：针对所述待检测图像中的每个像素点，利用3×3的高斯核与该像素点的8邻域做相乘后求和，求和得到的第二和值作为该像素点经过高斯模糊处理后的像素值。
其中，像素点的8邻域包括像素点本身和与其相邻的8个像素点，3×3共9个像素点。如图3所示为像素点(i,j)的8邻域示意图，像素点(i,j)的8邻域包括如下9个像素点，分别为：(i,j)、(i-1,j)、(i-1,j+1)、(i,j+1)、(i+1,j+1)、(i+1,j)、(i+1,j-1)、(i,j-1)、和(i-1,j-1)。
在其他非限定性的示例中，高斯核的大小还可以不同，例如采用2×2，4×4的高斯核等。需要说明的是，与高斯核的大小对应，采用相同像素大小的像素邻域，例如，采用4×4的高斯核时，将该高斯核与4×4的像素邻域相乘后再求和。还需要说明的是，采用3×3的高斯核在提高噪点过滤效果的同时，也可以节约算力成本。
S220，对所述待检测图像进行特征检测，获得与所述待检测图像对应的特征图；其中，所述特征图中每个像素点的特征值表征所述像素点属于人体的概率。
步骤S220为对待检测图像进行特征检测的步骤，提取待检测图像的特征图。
在本申请实施例中利用深度学习网络模型对待检测图像进行特征检测，获得与所述待检测图像对应的特征图，特征图中的每个像素点的特征值表征该像素点属于人体的概率。
当特征图中某个像素点的特征值大时，表示该像素点属于人体的概率高；当特征图中某个像素点的特征值小时，表示该像素点属于人体的概率低。特征值可以与概率成正相关，例如，像素点的特征值等于像素点属于人体的概率，或者，像素点的特征值等于像素点属于人体的概率的正整数倍等。
深度学习网络模型用于获取待检测图像中每个像素点属于人体的概率。当待检测图像输入深度学习网络模型，深度学习网络模型输出与待检测图像对应的特征图，特征图的每个像素点的特征值表征该像素点属于人体的概率。
其中，深度学习网络模型的训练过程包括：获取大量样本图像；所述样本图像为标记人体位置的样本图像；将所述样本图像分为训练样本集和测试样本集，根据所述训练样本集和所述测试样本集，利用反向传播算法训练深度学习网络模型。
在训练的过程中，需要获取大量的标记人体位置的样本图像作为样本，将样本图像分为训练样本集和测试样本集，根据所述训练样本集和所述测试样本集，利用反向传播算法训练神经网络模型。
需要说明的是，训练深度学习网络模型的过程可以在电子设备实现，还可以在与电子设备进行通信连接的其他设备上实现，当电子设备将训练好的深度学习网络模型存储好，或者其他设备将训练好的深度学习网络模型推送至电子设备后，从而实现在电子设备对获取到的待检测图像进行特征检测。需要说明的是，电子设备在检测过程中获得的待检测图像还可以用以增加样本图像数据库的数据，在电子设备或其他设备端执行深度学习网络模型的进一步优化，电子设备或其他设备再将进一步优化的深度学习网络模型存储到电子设备中以替换之前的深度学习网络模型。通过这种方式优化深度学习网络模型，进一步提高了本申请的适用范围，鲁棒性强。
在训练神经网络模型的过程中，采用的损失函数可以为0-1损失函数，绝对值损失函数，对数损失函数，指数损失函数和铰链损失函数中的一种或者至少两者的组合。
深度学习网络模型可以为以人工智能中机器学习技术为基础的深度学习网络模型，包括但不限于深度卷积神经网络模型、深度残差卷积神经网络模型(ResNet)等。其中，深度卷积神经网络模型包括但不限于AlexNet、VGG-Net和DenseNet等。
作为本申请一非限制性示例，如图4所示，所述深度学习网络模型包括两个分支网络，第一分支网络用于提取输入图像的空间特征，第二分支网络用于提取输入图像的语义特征。空间特征和语义特征最后在特征融合模块进行融合，特征融合模块输出的数据进行上采样得到与输入图像具备相同像素大小的特征图，深度学习网络模型最终输出通道数为1的特征图。该深度网络模型通过融合图像中深层和浅层的特征，大大提高了利用模型进行特征提取的准确度，从而提高了后续检测结果的精度。
其中，如图5所示，深度学习网络模型中第一分支网络包括3个卷积层，每个卷积层带有BN(Batch Normalization)和ReLU函数。第一分支网络采用这种设置，能够提取输入图像大尺度的空间特征，同时，避免梯度消失问题产生，可以使学习收敛速度加快，大大提高训练速度。
如图6所示，深度学习网络模型中第二分支网络包括四次下采样，四次下采样依次为4×下采样，8×下采样，16×下采样，以及32×下采样。四次下采样可以通过四个池化层实现，4×下采样通过步幅(stride)等于4的池化层实现，8×下采样，16×下采样，以及32×下采样通过stride＝2的池化层实现。其中，16×下采样，以及32×下采样的结果均输入特征融合模块。在16×下采样和32×下采样后增加了注意力模块，注意力模块对结果产生较大影响的特征，增大了权重，进一步提高了特征提取的准确度。
示例性地，如图7所示，注意力模块包括1个全局池化层(global pool)和1个卷积核为1×1的卷积层，卷积层带有BN和Sigmoid函数。
在本申请实施例中，第二分支网络采用轻量化模型和全局池化提供了大感受野，进一步提高了模型的表现。
示例性地，如图8所示，特征融合模块依次包括1个特征拼接层(concatenate)，1个带有BN和ReLU函数的卷积层，1个全局池化层(global pool)，1个带有ReLU函数且卷积核为1×1的卷积层，1个带有Sigmoid函数且卷积核为1×1的卷积层。
需要说明的是，基于深度学习网络模型，通过融合不同尺度的特征，获取输入图像中每个像素点属于人体的概率，适用于不同成像质量的图像，系统鲁棒性强。此处描述的深度学习网络模型仅为示例性描述，不能解释为对发明的具体限制。
S230，若所述特征图中任一像素区域的像素点的特征值符合高斯分布，则确定该像素区域存在一个人体。
通过步骤S220得到待检测图像对应的特征图，在步骤S230中，针对特征图中任一像素区域，该像素区域中某一像素点的特征值较大，且其周边各像素点的特征值同样较大，在其周边一定范围内成高斯分布，则说明该像素区域存在一个人体。
作为一非限制性示例，针对特征图中一3×3大小的像素区域，在这个像素区域中，特征值为3.694的像素点，它的上下左右各3个像素点的特征值都明显大于0.1，在2.5至3.5之间波动，且都小于3.694，且离3.694的像素点越近的像素点特征值越大，那么就认为3.694是该像素区域的峰值点，是人体中心。通常而言，像素区域包括的像素点的特征值若满足高斯分布，像素区域的中心像素点的特征值最大，该像素区域的周边像素点的特征值逐渐减小，该像素区域中特征值的和约等于1。在其他一些实施例中，像素区域的特征值分布满足高斯分布，该像素区域中特征值的和也可以不等于1。
作为一非限制性示例，利用预设大小的滑动窗对特征图进行滑窗处理，若当前滑动窗的像素点的特征值符合高斯分布，则确定当前滑动窗存在一个人体。此时当前滑动窗为一像素区域。
需要说明的是，在其他一些实施例中，像素区域的大小可以不采用3×3大小，还可以为4×4或5×5像素大小。此处仅为示例性描述，不能解释为对本发明的具体限制。
如图9所示，步骤S230中，特征图中任一像素区域的像素点的特征值符合高斯分布，包括步骤S231至步骤S233。
S231，计算特征图中任一像素区域的像素点的特征值的方差和均值。
S232，根据所述方差和所述均值计算该像素区域的中心像素点的偏度和峰度。
S233，若所述偏度属于第一预设范围，且所述峰度属于第二预设范围，则该像素区域的像素点的特征值符合高斯分布；其中，所述第一预设范围和所述第二预设范围均包括零。
若任一像素区域中包括的N个像素点(N为正整数)的特征值分别为：X1，X2，X3，.....，XN，则该像素区域的特征值的均值Mean的计算公式为：
Figure BDA0002207812010000101
方差Var的计算公式为：
Figure BDA0002207812010000102
根据所述方差Var和所述均值Mean计算该像素区域的中心像素点的特征值Xi的偏度bsi，偏度bsi的计算公式为：根据所述方差Var和所述均值Mean计算该像素区域的中心像素点的特征值Xi的峰度ki，峰度ki的计算公式为：
Figure BDA0002207812010000104
当所述偏度bsi属于第一预设范围，且所述峰度ki属于第二预设范围，则该像素区域的特征值满足高斯分布。其中，第一预设范围和第二预设范围均包括零。
当确定像素区域的特征值满足高斯分布，则确定该像素区域存在一个人体。
需要说明的是，第一预设范围为针对偏度设置的数值范围，第二预设范围是针对峰度设置的数值范围，这两个预设范围的取值为经验值，可以预先在系统中设置好，也可以根据需求由用户自行调整，也可以在用户调整之后将设置值设为系统默认值，本申请对这两个预设范围的取值不作具体限制。
还需要说明的是，当偏度bsi不属于第一预设范围，或峰度ki不属于第二预设范围，则该像素区域的特征值不满足高斯分布，此时确定该像素区域不存在人体。
此处示例性的提供了一种定量的方式实现高斯分布的判断，使得本申请实施例易于实施。
S240，统计存在一个人体的所有像素区域，获得所述待检测区域的人流数量。
步骤S240，统计存在一个人体的所有像素区域，获得待检测区域的人流数量。也就是说，对人体数量进行求和，得到待检测区域内存在的人体数目。
本申请实施例通过对待检测区域的待检测图像进行特征检测得到特征图，特征图中每个像素点的特征值表征该像素点属于人体的概率，再根据概率分布确定待检测区域的人流数量，由于针对待检测区域的待检测图像进行人流量检测，提高了检测的时效性，针对待检测图像提取像素级的特征值，提高了特征检测的精度，从而大大提高了人流量检测结果的实时性和准确度。
参见图10所示，为本申请另一实施例提供的一种人流量的检测方法，该方法在前述实施例的基础上做了进一步优化。图2至图9所示实施例的内容均适用于本申请实施例，本方法实施例中与图2至图9所示实施例的相同之处，此处不再描述，请参见图2至图9所示实施例相应描述之处。如图10所示，人流量的检测方法包括步骤S310至S360。
S310，获取待检测区域的多个待检测图像。
其中，多个待检测图像可以为监控设备连续拍摄的多个照片，还可以为监控设备拍摄的监控视频中的多个视频帧。
示例性地，获取监控视频，从监控视频的视频帧中选取预设历史时长内的多个视频帧，例如过去5秒、10秒、或10分钟内的多个视频帧。其中，预设历史时长可以根据监控设备的摄像频率等参数来定，本申请对此不作具体限制。
S320，对各个所述待检测图像分别进行高斯模糊处理，得到每个所述待检测图像对应的高斯模糊图像。
S330，从多个所述高斯模糊图像中筛选符合预设质量条件的图像作为目标图像。
步骤S330对多个高斯模糊图像进行筛选，选取符合预设质量条件的图像作为目标图像。基于这种设置，将进一步提高特征检测的准确度，从而得出更为准确的人流量检测结果。
在一些实施例中，所述符合预设质量条件，包括以下至少一种：
所述高斯模糊图像的平均对比度属于第一阈值范围；
所述高斯模糊图像的平均亮度属于第二阈值范围；
所述高斯模糊图像与预设的背景图像相比，像素变化超过预设变化条件。
其中，背景图像为待检测区域中无人时拍摄的图像，预存储在电子设备中。
需要说明的是，第一阈值范围为针对平均对比度设置的数值范围，第二阈值范围是针对平均亮度设置的数值范围，这两个阈值范围的取值为经验值，可以预先在系统中设置好，也可以根据需求由用户自行调整，也可以在用户调整之后将设置值设为系统默认值，本申请对这两个阈值范围的取值不作具体限制。
在这些实施例中，通过统计图像的平均对比度、统计图像的平均亮度、或与背景图像对比的像素变化等信息中的至少一个，滤除过亮、过暗、或信息含量少的图像，以进一步提高检测结果的准确度。
在一些实施例中，所述所述高斯模糊图像与预设背景图像相比，像素变化超过预设变化条件，包括：
计算所述高斯模糊图像中与预设的背景图像中的对应像素点的像素差值；
计算所有所述像素差值的绝对值的统计特征值，若所述统计特征值满足预设条件，则所述高斯模糊图像的所述像素变化超过预设变化条件。
其中，高斯模糊图像具有与背景图像相同的像素大小，两个图像的像素点相互对应，两个图像中具有相同像素坐标的两个像素点为一对对应像素点。计算没对对应像素点的像素差值，若根据所有像素差值的绝对值的统计特征值确定像素变化超过预设变化条件，则说明待检测图像拍摄到的不全是背景，信息含量大，可以进行后续步骤流程。
在这些实施例中，因为待检测区域背景固定，利用背景图像作为模板，与待检测图像(或高斯模糊图像)进行比对。也就是说，先拍摄一张图像内都是背景，没有任何移动物体的图片作为背景图像，然后在实际人流量检测过程当中，将实际拍摄到的待检测图像(或高斯模糊图像)与背景图像各个像素做差，统计待检测图像(或高斯模糊图像)的像素变化情况，变化越多说明信息含量越大。
在一些实施例中，所述计算所有所述像素差值的绝对值的统计特征值，若所述统计特征值满足预设条件，则所述高斯模糊图像的所述像素变化超过预设变化条件，包括以下至少一种：
对所有所述像素差值的绝对值求和，若求和得到的第一和值大于第三阈值，则所述高斯模糊图像的所述像素变化超过预设变化条件；
对所有所述像素差值的绝对值求平均，若求平均得到的均值大于第四阈值，则所述高斯模糊图像的所述像素变化超过预设变化条件；
计算所有所述像素差值的绝对值中大于第五阈值的像素占比，若所述像素占比大于第六阈值，则所述高斯模糊图像的所述像素变化超过预设变化条件。
需要说明的是，第三阈值为针对像素差值的绝对值求和得到的和值设置的数值，第四阈值为针对像素差值的绝对值求平均得到的均值设置的数值，第五阈值为针对像素差值的绝对值设置的数值，第六阈值为针对像素差值的绝对值中大于第五阈值的像素占比设置的数值。第三阈值，第四阈值，第五阈值，第六阈值的取值为经验值，可以预先在系统中设置好，也可以根据需求由用户自行调整，也可以在用户调整之后将设置值设为系统默认值，本申请对这四个阈值的取值不作具体限制。
将实际拍摄到的待检测图像(或高斯模糊图像)与背景图像各个像素做差，统计待检测图像(或高斯模糊图像)的像素变化情况，变化越多说明信息含量越大，如果差值的绝对值的和值，或平均值，或大于阈值的像素占比等不满足预设条件，则说明像素没变化，拍摄到的还是背景，如果满足预设条件，则说明像素变化了，拍摄到移动物体，需要进行后续步骤。
S340，对所述目标图像进行特征检测，获得与所述待检测图像对应的特征图。其中，所述特征图中每个像素点的特征值表征所述像素点属于人体的概率。
S350，若所述特征图中任一像素区域的像素点的特征值符合高斯分布，则确定该像素区域存在一个人体。
S360，统计存在一个人体的所有像素区域，获得所述待检测区域的人流数量。
本申请实施例通过对待检测区域的多个待检测图像进行筛选，对质量较高的待检测图像进行特征检测，得到特征图，特征图中每个像素点的特征值表征该像素点属于人体的概率，再根据概率分布确定待检测区域的人流数量，由于针对待检测区域的待检测图像进行人流量检测，提高了检测的时效性，针对待检测图像提取像素级的特征值，提高了特征检测的精度，从而大大提高了人流量检测结果的实时性和准确度。此外，由于提高了进行特征检测的图像的质量，进一步提高了特征检测的准确性，从而进一步提高了人流量检测结果的准确度。
在本申请其他一些实施例中，在前述任一人流量的检测方法的基础上，在获得所述待检测区域的人流数量之后，还包括：显示所述人流数量。
通过将人流数量直观的显示出来，让相关人员注意，并由相关人员决定是否需要控制人流量。
在本申请其他一些实施例中，在前述任一人流量的检测方法的基础上，在获得所述待检测区域的人流数量之后，还包括：若所述人流数量超过预设人数阈值，则发出警报。
在这些实施例中，还包括对人流数量超过预设人数阈值进行预警的步骤。如果某时刻人群数量过大超过预警阈值，则发出警报提醒相关人员注意，进一步提高本申请实施例的及时性，避免人员伤亡情形发生，降低损失。
其中，发出警报，包括但不限于触发报警模块发出警报，或发送提示信息给预设终端设备等。警报可以为灯光警报，或语音警报等。
在本申请其他一些实施例中，在前述任一人流量的检测方法的基础上，在获得所述待检测区域的人流数量之后，还包括：获取所述待检测区域在若干天数内每天相同时刻的人流数量，若若干个所述人流数量与所述待检测区域的实际人群数量不一致，则统计人量差值，利用所述人量差值对实时检测的该相同时刻的人流数量进行更新。在其他一些实施例中，进一步地，包括显示更新后的实时检测的该相同时刻的人流数量的步骤。
其中，电子设备实时获取待检测区域的待检测图像，从而基于待检测图像得到所述待检测区域的实时人流数量，实现实时对待检测区域进行人流量检测，可以统计到待检测区域在若干天数内每天相同时刻的人流数量，当若干个人流数量与实际人群数量不一致，则计算统计差值，对后续相同时刻的实时检测的人流数量进行更新。
在这些实施例中，通过对待检测图像的连续分析，统计若干天数中每天相同时刻的人流数量，对个别时刻的错误检测值进行误差补偿处理，从而提供了一种更具普适性的准确检测方案。可以理解地，若干天数可以由用户自行设置，例如一周、半个月或一个月等，本申请实施例对此不做具体限制。
示例性地，某路口每天上午10点实际经过100个人，通过本申请实施例的方法，某天上午10点检测人流数量为80，意味着这个路口经过了80人，并且统计了一个星期后，每天都是比实际情况少20％，在后续得到人流数量检测结果时，就在检测结果的基础上增加20％，从而获得该时刻的准确而稳定的人群数量。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的人流量的检测方法，图4-6示出了本申请实施例提供的人流量的检测装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图11，该人流量的检测装置包括：
图像获取模块1101，用于获取待检测区域的待检测图像；
特征检测模块1102，用于对所述待检测图像进行特征检测，获得与所述待检测图像对应的特征图；其中，所述特征图中每个像素点的特征值表征所述像素点属于人体的概率；
人体确定模块1103，用于若所述特征图中任一像素区域的像素点的特征值符合高斯分布，则确定该像素区域存在一个人体；
人数统计模块1104，用于统计存在一个人体的所有像素区域，获得所述待检测区域的人流数量。
可以理解的是，以上检测方法实施例中的各种实施方式和实施方式组合及其有益效果同样适用于本装置实施例，这里不再赘述。
图12是本申请一实施例提供的电子设备的示意图。如图12所示，该实施例的电子设备12包括：处理器120、存储器121以及存储在所述存储器121中并可在所述处理器120上运行的计算机程序122，例如人流量检测的程序。所述处理器120执行所述计算机程序122时实现上述人流量的检测方法实施例中的步骤，例如图2所示的步骤S210至S240。
所述电子设备可包括，但不仅限于，处理器120、存储器121。本领域技术人员可以理解，图12仅仅是电子设备12的示例，并不构成对电子设备12的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述心电图机还可以包括输入输出设备、网络接入设备、总线等。
所称处理器120可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器121可以是所述电子设备12的内部存储单元，例如电子设备12的硬盘或内存。所述存储器121也可以是所述电子设备12的外部存储设备，例如所述电子设备12上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器121还可以既包括所述电子设备12的内部存储单元也包括外部存储设备。所述存储器121用于存储所述计算机程序以及所述电子设备12所需的其他程序和数据。所述存储器121还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的电子设备和方法，可以通过其它的方式实现。例如，以上所描述的电子设备实施例仅仅是示意性的。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上内容是结合具体的优选实施方式对本申请所作的进一步详细说明，不能认定本申请的具体实施只局限于这些说明。对于本申请所属技术领域的技术人员来说，在不脱离本申请构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本申请的保护范围。

Claims (10)

1.一种人流量的检测方法，其特征在于，包括：
获取待检测区域的待检测图像；
对所述待检测图像进行特征检测，获得与所述待检测图像对应的特征图；其中，所述特征图中每个像素点的特征值表征所述像素点属于人体的概率；
若所述特征图中任一像素区域的像素点的特征值符合高斯分布，则确定该像素区域存在一个人体；
统计存在一个人体的所有像素区域，获得所述待检测区域的人流数量。
2.如权利要求1所述的检测方法，其特征在于，所述获取待检测区域的待检测图像，包括：
获取待检测区域的待检测图像，对所述待检测图像进行高斯模糊处理，得到目标图像；或
获取待检测区域的多个待检测图像，对各个所述待检测图像分别进行高斯模糊处理，得到每个所述待检测图像对应的高斯模糊图像；
从多个所述高斯模糊图像中筛选符合预设质量条件的图像作为目标图像；
相应的，对所述待检测图像进行特征检测，包括：
对所述目标图像进行特征检测。
3.如权利要求2所述的检测方法，其特征在于，所述符合预设质量条件，包括以下至少一种：
所述高斯模糊图像的平均对比度属于第一阈值范围；
所述高斯模糊图像的平均亮度属于第二阈值范围；
所述高斯模糊图像与预设的背景图像相比，像素变化超过预设变化条件；
其中，所述所述高斯模糊图像与预设的背景图像相比，像素变化超过预设变化条件，包括：
计算所述高斯模糊图像中与预设的背景图像中的对应像素点的像素差值；
计算所有所述像素差值的绝对值的统计特征值，若所述统计特征值满足预设条件，则所述高斯模糊图像的所述像素变化超过预设变化条件。
4.如权利要求3所述的检测方法，其特征在于，所述计算所有所述像素差值的绝对值的统计特征值，若所述统计特征值满足预设条件，则所述高斯模糊图像的所述像素变化超过预设变化条件，包括以下至少一种：
对所有所述像素差值的绝对值求和，若求和得到的第一和值大于第三阈值，则所述高斯模糊图像的所述像素变化超过预设变化条件；
对所有所述像素差值的绝对值求平均，若求平均得到的均值大于第四阈值，则所述高斯模糊图像的所述像素变化超过预设变化条件；
计算所有所述像素差值的绝对值中大于第五阈值的像素占比，若所述像素占比大于第六阈值，则所述高斯模糊图像的所述像素变化超过预设变化条件。
5.如权利要求1至4任一项所述的检测方法，其特征在于，所述特征图中任一像素区域的像素点的特征值符合高斯分布，包括：
计算特征图中任一像素区域的像素点的特征值的方差和均值；
根据所述方差和所述均值计算该像素区域的中心像素点的偏度和峰度；
若所述偏度属于第一预设范围，且所述峰度属于第二预设范围，则该像素区域的像素点的特征值符合高斯分布；其中，所述第一预设范围和所述第二预设范围均包括零。
6.如权利要求1所述的检测方法，其特征在于，所述对所述待检测图像进行特征检测，获得与所述待检测图像对应的特征图，包括：
利用深度学习网络模型对所述待检测图像进行特征检测，获得与所述待检测图像具有相同像素大小的特征图。
7.如权利要求1所述的检测方法，其特征在于，还包括：
若所述人流数量超过预设人数阈值，则发出警报。
8.一种人流量的检测装置，其特征在于，包括：
图像获取模块，用于获取待检测区域的待检测图像；
特征检测模块，用于对所述待检测图像进行特征检测，获得与所述待检测图像对应的特征图；其中，所述特征图中每个像素点的特征值表征所述像素点属于人体的概率；
人体确定模块，用于若所述特征图中任一像素区域的像素点的特征值符合高斯分布，则确定该像素区域存在一个人体；
人数统计模块，用于统计存在一个人体的所有像素区域，获得所述待检测区域的人流数量。
9.一种电子设备，包括存储器以及处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至7任一项所述检测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述检测方法的步骤。
CN201910887714.1A 2019-09-19 2019-09-19 人流量的检测方法、装置、电子设备及可读存储介质 Active CN110795998B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910887714.1A CN110795998B (zh) 2019-09-19 2019-09-19 人流量的检测方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910887714.1A CN110795998B (zh) 2019-09-19 2019-09-19 人流量的检测方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN110795998A true CN110795998A (zh) 2020-02-14
CN110795998B CN110795998B (zh) 2023-03-24

Family

ID=69438576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910887714.1A Active CN110795998B (zh) 2019-09-19 2019-09-19 人流量的检测方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN110795998B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680567A (zh) * 2020-05-12 2020-09-18 深圳数联天下智能科技有限公司 活体检测方法、装置、计算机设备和存储介质
CN113297888A (zh) * 2020-09-18 2021-08-24 阿里巴巴集团控股有限公司 一种图像内容检测结果核查方法及装置
CN114972126A (zh) * 2022-07-29 2022-08-30 阿法龙(山东)科技有限公司 基于智能视觉的照明设备智能监管系统
CN113297888B (zh) * 2020-09-18 2024-06-07 阿里巴巴集团控股有限公司 一种图像内容检测结果核查方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105049810A (zh) * 2015-08-07 2015-11-11 虎扑（上海）文化传播股份有限公司 一种视频智能监控的方法及视频设备
CN107133607A (zh) * 2017-05-27 2017-09-05 上海应用技术大学 基于视频监控的人群统计方法及系统
CN107330364A (zh) * 2017-05-27 2017-11-07 上海交通大学 一种基于cGAN网络的人群计数方法及系统
CN108108739A (zh) * 2017-12-18 2018-06-01 上海联影医疗科技有限公司 图像目标区域的检测方法、装置、x射线系统及存储介质
CN108986064A (zh) * 2017-05-31 2018-12-11 杭州海康威视数字技术股份有限公司 一种人流量统计方法、设备及系统
CN109272016A (zh) * 2018-08-08 2019-01-25 广州视源电子科技股份有限公司 目标检测方法、装置、终端设备和计算机可读存储介质
CN110119675A (zh) * 2019-03-28 2019-08-13 广州广电运通金融电子股份有限公司 一种产品识别方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105049810A (zh) * 2015-08-07 2015-11-11 虎扑（上海）文化传播股份有限公司 一种视频智能监控的方法及视频设备
CN107133607A (zh) * 2017-05-27 2017-09-05 上海应用技术大学 基于视频监控的人群统计方法及系统
CN107330364A (zh) * 2017-05-27 2017-11-07 上海交通大学 一种基于cGAN网络的人群计数方法及系统
CN108986064A (zh) * 2017-05-31 2018-12-11 杭州海康威视数字技术股份有限公司 一种人流量统计方法、设备及系统
CN108108739A (zh) * 2017-12-18 2018-06-01 上海联影医疗科技有限公司 图像目标区域的检测方法、装置、x射线系统及存储介质
CN109272016A (zh) * 2018-08-08 2019-01-25 广州视源电子科技股份有限公司 目标检测方法、装置、终端设备和计算机可读存储介质
CN110119675A (zh) * 2019-03-28 2019-08-13 广州广电运通金融电子股份有限公司 一种产品识别方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HAO LIU EA AL.: "Cross-Scene Crowd Counting via FCN and Gaussian Model", 《2016 INTERNATIONAL CONFERENCE ON VIRTUAL REALITY AND VISUALIZATION》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680567A (zh) * 2020-05-12 2020-09-18 深圳数联天下智能科技有限公司 活体检测方法、装置、计算机设备和存储介质
CN111680567B (zh) * 2020-05-12 2023-08-29 深圳数联天下智能科技有限公司 活体检测方法、装置、计算机设备和存储介质
CN113297888A (zh) * 2020-09-18 2021-08-24 阿里巴巴集团控股有限公司 一种图像内容检测结果核查方法及装置
CN113297888B (zh) * 2020-09-18 2024-06-07 阿里巴巴集团控股有限公司 一种图像内容检测结果核查方法及装置
CN114972126A (zh) * 2022-07-29 2022-08-30 阿法龙(山东)科技有限公司 基于智能视觉的照明设备智能监管系统

Also Published As

Publication number Publication date
CN110795998B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN110660066B (zh) 网络的训练方法、图像处理方法、网络、终端设备及介质
CN110399929B (zh) 眼底图像分类方法、装置以及计算机可读存储介质
CN108229526B (zh) 网络训练、图像处理方法、装置、存储介质和电子设备
WO2021184894A1 (zh) 一种去模糊的人脸识别方法、系统和一种巡检机器人
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
JP6914699B2 (ja) 情報処理装置、情報処理方法及びプログラム
US20210110522A1 (en) Image processing method and apparatus, and storage medium
CN108197546B (zh) 人脸识别中光照处理方法、装置、计算机设备及存储介质
CN108337505B (zh) 信息获取方法和装置
KR101167567B1 (ko) 어류 모니터링을 위한 영상감시장치 및 방법
CN110059666B (zh) 一种注意力检测方法及装置
CN110659391A (zh) 一种视频侦查方法及装置
CN110795998B (zh) 人流量的检测方法、装置、电子设备及可读存储介质
CN113554726B (zh) 基于脉冲阵列的图像重构方法、装置、存储介质及终端
CN111444555B (zh) 一种测温信息显示方法、装置及终端设备
CN112766028B (zh) 人脸模糊处理方法、装置、电子设备及存储介质
CN111654694A (zh) 图像处理算法的质量评测方法、装置及电子设备
CN114511898A (zh) 疼痛识别方法、装置、存储介质及电子设备
CN111488779A (zh) 视频图像超分辨率重建方法、装置、服务器及存储介质
CN114140481A (zh) 一种基于红外图像的边缘检测方法、装置
CN111753775B (zh) 鱼的生长评估方法、装置、设备及存储介质
CN111368596B (zh) 人脸识别逆光补偿方法、装置、可读存储介质及设备
CN109961060B (zh) 用于生成人群密度信息的方法和装置
CN112949390B (zh) 一种基于视频质量的事件检测方法、装置
CN112818743B (zh) 图像识别的方法、装置、电子设备及计算机存储介质

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