CN110930384A - 基于密度信息的人群计数方法、装置、设备以及介质 - Google Patents
基于密度信息的人群计数方法、装置、设备以及介质 Download PDFInfo
- Publication number
- CN110930384A CN110930384A CN201911144065.2A CN201911144065A CN110930384A CN 110930384 A CN110930384 A CN 110930384A CN 201911144065 A CN201911144065 A CN 201911144065A CN 110930384 A CN110930384 A CN 110930384A
- Authority
- CN
- China
- Prior art keywords
- density
- regression
- image
- neural network
- convolutional neural
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开公开了一种基于密度信息的人群计数方法、装置、设备以及介质,包括将带有人头位置标注的图像数据集经过预处理得到训练样本集,将待测试图像分别输入至基于目标检测的卷积神经网络和基于密度回归的卷积神经网络中,得到基于目标检测的密度图和基于密度回归的密度图;将基于目标检测的密度图和基于密度回归的密度图进行密度图融合,得到目标估计密度图;对目标估计密度图进行积分计算得到待测试图像中的人数。通过卷积神经网络,融合了基于目标检测人群计数方法的密度图和基于密度回归的密度图,有效的互补了基于检测造成的拥挤地区则会降低其可靠性和基于回归的方法在不知道每个人的位置的情况下倾向于过高地估计低密度的计数的现象。
Description
技术领域
本公开涉及计算机视觉技术领域,特别是涉及一种基于密度信息的人群计数方法、装置、设备以及介质。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
随着社会的进步和经济的发展,一些公共场所的人群聚集先现象的发生越来越频繁,大规模的群众集会在群众游行、大型活动、热门比赛和举行演唱会中司空见惯。但是由于这些人群聚集的发生,有可能会发生严重的人群骚乱和踩踏事故,为了能够更好的保护聚集人群的安全,人群统计愈发的重要起来。所谓的人群统计,就是将人群图像通过特定的映射方式映射成相应的密度图,这种技术,在监控越来越普及的今天会对人群聚集的可控性做出至关重要的作用
随着计算机的普及,基于计算机视觉的人群计数的方法越来越多。传统的人群计数的方法包括基于检测的方法和基于回归的方法。其中关于基于检测的方法主要分为两大类,第一种是基于整体的检测,基于整体的检测方法主要是通过训练一个分类器,利用个人的边缘等特征去检测行人。第二种是基于部分身体的检测,基于部分身体的检测方法,主要通过检测身体的部分结构,例如头,胳膊等去统计输入图片的人群数量。关于基于回归的方法,主要思想是通过学习一种特征到人群数量的映射,首先提取低级的特征,例如边缘特征,纹理等;接下来是学习一个回归模型,例如线性回归高斯回归等方法学习一个低级特征到人群数量的映射关系。随着深度学习技术的发展,不同于传统的基于检测和回归的方法,深度学习凭借其出色的特征学习能力,被越来越多的应用到人群计数中来,主要是通过运用不同的卷积神经网络来实现提取不同尺度的特征。
但是基于检测的计数方法在低密度场景下可以准确估计人群,而在拥挤地区则会降低其可靠性。而基于回归的方法可以捕捉拥挤区域的一般密度信息。在不知道每个人的位置的情况下,它倾向于过高地估计低密度的计数。以及现有的基于深度学习的人群计数方法没有能够充分考虑到人群图像中全局密度变化,并且卷积神经网络中一般还会带有池化层,在池化层的池化过程中会损失细节特征,造成一些误差。
综上,现有的基于检测的计数方法在低密度场景下可以准确估计人群,而在拥挤地区则会降低其可靠性。而基于回归的方法可以捕捉拥挤区域的一般密度信息,但在不知道每个人的位置的情况下,它倾向于过高地估计低密度的计数。以及现有的基于深度学习的人群计数方法没有能够充分考虑到人群图像中全局密度变化造成一些误差。
发明内容
为了解决上述问题,本公开提出了一种基于密度信息的人群计数方法、装置、设备以及介质,结合基于目标检测的人群计数方法和基于密度回归的人群计数方法,通过卷积神经网络,融合了基于目标检测的密度图和基于密度回归的密度图,有效的互补了基于检测造成的拥挤地区则会降低其可靠性和基于回归的方法在不知道每个人的位置的情况下倾向于过高地估计低密度的计数的现象,能够适用于密度信息复杂多样的场景。
为了实现上述目的,本公开采用如下技术方案:
第一方面,本公开提供一种基于密度信息的人群计数方法,包括:
将带有人头位置标注的图像数据集经过预处理得到训练样本集,以此对基于密度信息的卷积神经网络进行训练;所述基于密度信息的卷积神经网络包括基于目标检测的卷积神经网络和基于密度回归的卷积神经网络;
将待测试图像分别输入至基于目标检测的卷积神经网络和基于密度回归的卷积神经网络中,得到基于目标检测的密度图和基于密度回归的密度图;
将所述基于目标检测的密度图和基于密度回归的密度图进行密度图融合,得到所述待测试图像的目标估计密度图;
对目标估计密度图进行积分计算得到所述待测试图像中的人数。
作为可能的一些实现方式,所述预处理包括,将带有人头位置标注的图像数据集通过二维高斯卷积核进行卷积,生成数据集中每张图像对应的人群密度图标签组成得到训练样本集。
作为可能的一些实现方式,所述得到基于目标检测的密度图包括,将待测试图像输入至基于目标检测的卷积神经网络中,对待测试图像进行头部检测,得到基于目标检测的密度图。
作为可能的一些实现方式,所述得到基于密度回归的密度图包括,将待测试图像输入至基于密度回归的卷积神经网络中,估计待测试图像中像素的人群密度,得到基于密度回归的密度图。
作为可能的一些实现方式,所述密度图融合包括,融合基于目标检测的密度图和基于密度回归的密度图,得到结合全局密度特征的密度图,对结合全局密度特征的密度图经过最大-均值池化和反卷积层的处理,得到目标估计密度图。
第二方面,本公开提供一种基于密度信息的人群计数装置,包括:
训练模块,其用于将带有人头位置标注的图像数据集经过预处理得到训练样本集,以此对基于密度信息的卷积神经网络进行训练;所述基于密度信息的卷积神经网络包括基于目标检测的卷积神经网络和基于密度回归的卷积神经网络;
输入模块,其用于将待测试图像分别输入至基于目标检测的卷积神经网络和基于密度回归的卷积神经网络中,得到基于目标检测的密度图和基于密度回归的密度图;
融合处理模块,其用于将所述基于目标检测的密度图和基于密度回归的密度图进行密度图融合,得到所述待测试图像的目标估计密度图;
计算模块,其用于对目标估计密度图进行积分计算得到所述待测试图像中的人数。
第三方面,本公开提供一种电子设备,包括存储器、处理器及存储在存储器上并可在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程序时实现所述的一种基于密度信息的人群计数方法的步骤。
第四方面,本公开提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现所述的一种基于密度信息的人群计数方法的步骤。
与现有技术相比,本公开的有益效果为:
(1)本公开基于密度信息的人群计数方法较好的结合了基于目标检测的人群计数方法和基于密度回归的人群计数方法。通过卷积神经网络,融合了基于目标检测人群计数方法的密度图和基于密度回归的密度图,有效的互补了基于检测造成的拥挤地区则会降低其可靠性和基于回归的方法在不知道每个人的位置的情况下倾向于过高地估计低密度的计数的现象。
(2)本公开为了捕捉人群密度的微妙变化分别通过检测个体和回归像素密度来估计两种人群密度图,然后将估计高密度人群效果明显的基于回归方法输出的密度图和估计低密度人群效果明显的基于回归方法输出的密度图进行融合,最后输出适应正确密度信息的密度图,最终进行误差较小的人群计数,能够适用于密度信息复杂多样的场景。因此基于密度信息的人群计数方法具有较好的准确性和鲁棒性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开所提供的基于密度信息的人群计数方法框架流程图;
图2为本公开所提供的基于目标检测人群计数的流程图;
图3为本公开所提供的基于密度回归人群计数的流程图;
图4为本公开所提供的密度图融合的流程图。
具体实施方式:
下面结合附图与实施例对本公开做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
如图1所示,本公开提供一种基于密度信息的人群计数方法,包括:
步骤一:准备训练样本集:将带有人头位置标注的图像数据集通过二维高斯卷积核进行卷积,生成数据集中每张图像对应的人群密度图标签组成得到训练样本集;
步骤二:将待测试图像输入至预先完成训练的基于密度信息的卷积神经网络模型中;其中,基于密度信息的卷积神经网络模型包括基于目标检测模块和密度回归模块,每个模块包括多个卷积核大小和个数不同的卷积层;
如图2所示:将所述待测试图像输入至基于目标检测的卷积神经网络模型中,该模块建立在更快的RCNN网络上,在bounding box输出后插入高斯卷积层,生成基于检测的人群密度图。
基于目标检测的人群计数方法可以被看作是一种基于ResNet-101体系结构的Faster-RCNN网络用于头部检测的扩展;
具体地说就是,在原始Faster-RCNN模块的bounding box后插入一个高斯卷积层。其中高斯卷积层采用常量高斯函数N(p|μ=P,σ2),将检测到的bounding box的中心点卷积到原始图像块上,该层就得到了基于检测的特征图,具体公式表示为:
其中,p表示特定像素处的密度,Pi表示图像像素的集合,指示了图像中的地面真值头部位置,N为高斯函数,μ是均值,σ2为高斯核的方差。
步骤三:如图3所示,基于密度回归的人群计数在没有对每个人进行本地化的情况下,该模块会对人群进行计数。在不知道输入图像块中每个头部的特定位置的情况下,它直接估计具有完全卷积网络的输入图像中所有像素的人群密度,得到基于密度回归的密度图;
该模块由5个卷积层组成,由于它是为了捕捉一般人群的密度信息而设计的,更大的卷积核的接收域将掌握更多的上下文细节,这更有利于密度图的建模。其中第一个卷积conv1拥有20个7×7的卷积核,第二个卷积层conv2由40个5×5的卷积层组成,conv1和conv2层后面是两个2×2的最大池层。在后面的conv3和conv4层都有5×5的卷积核,分别有20个和10个卷积核。由于密度估计结果可以看作是一个只有一个通道的cnn特征映射,所以再添加一个1×1大小的卷积核作为conv5.“conv5”层之后添加一个激活函数ReLU,确保输出密度图不包含负值。
步骤四:如图4所示,密度图融合:融合基于目标检测和密度回归中提取得到的密度图,并得到结合全局密度特征的密度图,然后利用最大-均值池和反卷积层,对密度图进行处理,得到目标估计密度图;
其中,融合基于目标检测和密度回归中提取得到的密度图,并得到结合全局密度特征的特征图的具体模块如下:该模块首先将基于检测和基于回归的样本提升到与输入图像相同的大小;该模块由3个完全卷积层组成,第一个卷积层conv1拥有20个7×7的卷积核,第二个卷积层conv2由40个5×5的卷积层组成,在后面的conv3有20个5×5个卷积核组成;
接下来,使用max-pooling化作为网络的池化层,保留更多图像特征信息,得到结合全局密度特征的密度图,在获取到结合全局密度特征的密度图之后,通过两个3×3卷积层来增强生成密度图的特征映射,使用两个转置卷积层还原密度图分辨率,再通过1×1的卷积得到最终的目标估计密度图。
步骤四:人群计数:对最终得到的目标估计密度图进行积分,得到最终的人群计数的数值,具体公式如下:
其中,c是最终估计的人数,H是密度图的高度,W是密度图的宽度,pij是整幅图像密度图在坐标(i,j)处的像素值。通过上述公式最终得到最终估计的人数。
实施例2
本公开提供一种基于密度信息的人群计数装置,包括:
训练模块,其用于将带有人头位置标注的图像数据集经过预处理得到训练样本集,以此对基于密度信息的卷积神经网络进行训练;所述基于密度信息的卷积神经网络包括基于目标检测的卷积神经网络和基于密度回归的卷积神经网络;
输入模块,其用于将待测试图像分别输入至基于目标检测的卷积神经网络和基于密度回归的卷积神经网络中,得到基于目标检测的密度图和基于密度回归的密度图;
融合处理模块,其用于将所述基于目标检测的密度图和基于密度回归的密度图进行密度图融合,得到所述待测试图像的目标估计密度图;
计算模块,其用于对目标估计密度图进行积分计算得到所述待测试图像中的人数。
所述输入模块包括目标检测模块和密度回归模块,所述目标检测模块用于将待测试图像输入至基于目标检测的卷积神经网络中,对待测试图像进行头部检测,得到基于目标检测的密度图。
所述密度回归模块用于将待测试图像输入至基于密度回归的卷积神经网络中,估计待测试图像中像素的人群密度,得到基于密度回归的密度图。
实施例3
本公开提供一种电子设备,包括存储器、处理器及存储在存储器上并可在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程序时实现所述的一种基于密度信息的人群计数方法的步骤。
实施例4
本公开提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现所述的一种基于密度信息的人群计数方法的步骤。
以上仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于密度信息的人群计数方法,其特征在于,包括:
将带有人头位置标注的图像数据集经过预处理得到训练样本集,以此对基于密度信息的卷积神经网络进行训练;所述基于密度信息的卷积神经网络包括基于目标检测的卷积神经网络和基于密度回归的卷积神经网络;
将待测试图像分别输入至基于目标检测的卷积神经网络和基于密度回归的卷积神经网络中,得到基于目标检测的密度图和基于密度回归的密度图;
将所述基于目标检测的密度图和基于密度回归的密度图进行密度图融合,得到所述待测试图像的目标估计密度图;
对目标估计密度图进行积分计算得到所述待测试图像中的人数。
2.如权利要求1所述的一种基于密度信息的人群计数方法,其特征在于,
所述预处理包括,将带有人头位置标注的图像数据集通过二维高斯卷积核进行卷积,生成数据集中每张图像对应的人群密度图标签组成得到训练样本集。
3.如权利要求1所述的一种基于密度信息的人群计数方法,其特征在于,
所述得到基于目标检测的密度图包括,将待测试图像输入至基于目标检测的卷积神经网络中,对待测试图像进行头部检测,得到基于目标检测的密度图。
4.如权利要求1所述的一种基于密度信息的人群计数方法,其特征在于,
所述得到基于密度回归的密度图包括,将待测试图像输入至基于密度回归的卷积神经网络中,估计待测试图像中像素的人群密度,得到基于密度回归的密度图。
5.如权利要求1所述的一种基于密度信息的人群计数方法,其特征在于,
所述密度图融合包括,融合基于目标检测的密度图和基于密度回归的密度图,得到结合全局密度特征的密度图,对结合全局密度特征的密度图经过最大-均值池化和反卷积层的处理,得到目标估计密度图。
6.一种基于密度信息的人群计数装置,其特征在于,包括:
训练模块,其用于将带有人头位置标注的图像数据集经过预处理得到训练样本集,以此对基于密度信息的卷积神经网络进行训练;所述基于密度信息的卷积神经网络包括基于目标检测的卷积神经网络和基于密度回归的卷积神经网络;
输入模块,其用于将待测试图像分别输入至基于目标检测的卷积神经网络和基于密度回归的卷积神经网络中,得到基于目标检测的密度图和基于密度回归的密度图;
融合处理模块,其用于将所述基于目标检测的密度图和基于密度回归的密度图进行密度图融合,得到所述待测试图像的目标估计密度图;
计算模块,其用于对目标估计密度图进行积分计算得到所述待测试图像中的人数。
7.如权利要求6所述的一种基于密度信息的人群计数装置,其特征在于,
所述输入模块包括目标检测模块和密度回归模块,所述目标检测模块用于将待测试图像输入至基于目标检测的卷积神经网络中,对待测试图像进行头部检测,得到基于目标检测的密度图。
8.如权利要求7所述的一种基于密度信息的人群计数装置,其特征在于,
所述密度回归模块用于将待测试图像输入至基于密度回归的卷积神经网络中,估计待测试图像中像素的人群密度,得到基于密度回归的密度图。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1-5任一项方法所述的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5任一项方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911144065.2A CN110930384A (zh) | 2019-11-20 | 2019-11-20 | 基于密度信息的人群计数方法、装置、设备以及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911144065.2A CN110930384A (zh) | 2019-11-20 | 2019-11-20 | 基于密度信息的人群计数方法、装置、设备以及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110930384A true CN110930384A (zh) | 2020-03-27 |
Family
ID=69851419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911144065.2A Pending CN110930384A (zh) | 2019-11-20 | 2019-11-20 | 基于密度信息的人群计数方法、装置、设备以及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110930384A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652168A (zh) * | 2020-06-09 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 基于人工智能的群体检测方法、装置、设备及存储介质 |
CN111985316A (zh) * | 2020-07-10 | 2020-11-24 | 上海富洁科技有限公司 | 一种用于道路智能清扫的路面垃圾感知方法 |
CN113688747A (zh) * | 2021-08-27 | 2021-11-23 | 国网浙江省电力有限公司双创中心 | 图像中人员目标检测方法、系统、装置及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992223A (zh) * | 2015-06-12 | 2015-10-21 | 安徽大学 | 基于深度学习的密集人数估计方法 |
CN107480320A (zh) * | 2017-06-20 | 2017-12-15 | 山东师范大学 | 一种基于拓扑地图与视觉影响的人群疏散仿真方法及系统 |
CN107679503A (zh) * | 2017-10-12 | 2018-02-09 | 中科视拓(北京)科技有限公司 | 一种基于深度学习的人群计数算法 |
CN109241895A (zh) * | 2018-08-28 | 2019-01-18 | 北京航空航天大学 | 密集人群计数方法及装置 |
CN109726658A (zh) * | 2018-12-21 | 2019-05-07 | 上海科技大学 | 人群计数及定位方法、系统、电子终端及存储介质 |
CN109858424A (zh) * | 2019-01-25 | 2019-06-07 | 佳都新太科技股份有限公司 | 人群密度统计方法、装置、电子设备和存储介质 |
CN109948593A (zh) * | 2019-04-04 | 2019-06-28 | 浙江工业大学 | 基于结合全局密度特征的mcnn人群计数方法 |
-
2019
- 2019-11-20 CN CN201911144065.2A patent/CN110930384A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992223A (zh) * | 2015-06-12 | 2015-10-21 | 安徽大学 | 基于深度学习的密集人数估计方法 |
CN107480320A (zh) * | 2017-06-20 | 2017-12-15 | 山东师范大学 | 一种基于拓扑地图与视觉影响的人群疏散仿真方法及系统 |
CN107679503A (zh) * | 2017-10-12 | 2018-02-09 | 中科视拓(北京)科技有限公司 | 一种基于深度学习的人群计数算法 |
CN109241895A (zh) * | 2018-08-28 | 2019-01-18 | 北京航空航天大学 | 密集人群计数方法及装置 |
CN109726658A (zh) * | 2018-12-21 | 2019-05-07 | 上海科技大学 | 人群计数及定位方法、系统、电子终端及存储介质 |
CN109858424A (zh) * | 2019-01-25 | 2019-06-07 | 佳都新太科技股份有限公司 | 人群密度统计方法、装置、电子设备和存储介质 |
CN109948593A (zh) * | 2019-04-04 | 2019-06-28 | 浙江工业大学 | 基于结合全局密度特征的mcnn人群计数方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652168A (zh) * | 2020-06-09 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 基于人工智能的群体检测方法、装置、设备及存储介质 |
CN111652168B (zh) * | 2020-06-09 | 2023-09-08 | 腾讯科技(深圳)有限公司 | 基于人工智能的群体检测方法、装置、设备及存储介质 |
CN111985316A (zh) * | 2020-07-10 | 2020-11-24 | 上海富洁科技有限公司 | 一种用于道路智能清扫的路面垃圾感知方法 |
CN111985316B (zh) * | 2020-07-10 | 2023-09-19 | 上海富洁科技有限公司 | 一种用于道路智能清扫的路面垃圾感知方法 |
CN113688747A (zh) * | 2021-08-27 | 2021-11-23 | 国网浙江省电力有限公司双创中心 | 图像中人员目标检测方法、系统、装置及存储介质 |
CN113688747B (zh) * | 2021-08-27 | 2024-04-09 | 国网浙江省电力有限公司双创中心 | 图像中人员目标检测方法、系统、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276264B (zh) | 一种基于前景分割图的人群密度估计方法 | |
WO2017020528A1 (zh) | 车道线的识别建模方法、装置、存储介质和设备及识别方法、装置、存储介质和设备 | |
CN109190444B (zh) | 一种基于视频的收费车道车辆特征识别系统的实现方法 | |
WO2017041396A1 (zh) | 一种车道线数据的处理方法、装置、存储介质及设备 | |
CN108875600A (zh) | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 | |
CN111161317A (zh) | 一种基于多重网络的单目标跟踪方法 | |
CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
WO2015161776A1 (en) | Hand motion identification method and apparatus | |
CN110765833A (zh) | 一种基于深度学习的人群密度估计方法 | |
CN108564120B (zh) | 基于深度神经网络的特征点提取方法 | |
CN106780727B (zh) | 一种车头检测模型重建方法及装置 | |
CN110930384A (zh) | 基于密度信息的人群计数方法、装置、设备以及介质 | |
CN109919002B (zh) | 黄色禁停线识别方法、装置、计算机设备及存储介质 | |
CN109948593A (zh) | 基于结合全局密度特征的mcnn人群计数方法 | |
WO2019071976A1 (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
Ye et al. | A two-stage real-time YOLOv2-based road marking detector with lightweight spatial transformation-invariant classification | |
CN111191649A (zh) | 一种识别弯曲多行文本图像的方法与设备 | |
CN114519819B (zh) | 一种基于全局上下文感知的遥感图像目标检测方法 | |
CN109558790B (zh) | 一种行人目标检测方法、装置及系统 | |
CN103632153A (zh) | 一种基于区域的图像显著图提取方法 | |
CN116883588A (zh) | 一种大场景下的三维点云快速稠密重建方法及系统 | |
CN113643365A (zh) | 一种相机位姿估计方法、装置、设备以及可读存储介质 | |
CN108388854A (zh) | 一种基于改进fast-surf算法的定位方法 | |
WO2014205787A1 (zh) | 一种基于混合图像模板的车辆检测方法 | |
CN113158954B (zh) | 交通非现场的基于ai技术的斑马线区域自动检测方法 |
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 |