CN111091093A - 一种高密度人群的数量估测方法、系统及相关装置 - Google Patents
一种高密度人群的数量估测方法、系统及相关装置 Download PDFInfo
- Publication number
- CN111091093A CN111091093A CN201911301677.8A CN201911301677A CN111091093A CN 111091093 A CN111091093 A CN 111091093A CN 201911301677 A CN201911301677 A CN 201911301677A CN 111091093 A CN111091093 A CN 111091093A
- Authority
- CN
- China
- Prior art keywords
- people
- density
- density map
- rows
- network
- 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
- 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
- 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
Abstract
本申请提供一种高密度人群的数量估测方法,具体技术方案如下:将目标拍摄图片输入至网络模型中,得到所述目标拍摄图片对应的预测密度图;对所述预测密度图进行求和运算得到人数估测值;本申请使用的网络模型中,通过采用三列具有不同扩张率的空洞卷积结构,可以学习到由前端网络提取的高维特征中尺度不一致的信息,促进网络的计数性能及生成密度图的质量,进而提高人群人数估测的准确性。本申请还提供一种高密度人群的数量估测系统、计算机可读存储介质和一种高密度人群的数量估测终端,具有上述有益效果。
Description
技术领域
本申请涉及图像处理领域,特别涉及一种高密度人群的数量估测方法、系统及相关装置。
背景技术
当前,重大事件使得人群聚集容易发生踩踏事件,或多发生在一些易于聚集大量人群的地方,例如大型活动现场、火车站、超市和街道等。由于缺少妥善的人群管理制度,极易造成人群挤压和踩踏事件的发生。随着监控摄像头的普遍使用和计算机视觉技术的快速发展,密集人群分析技术成为了近年来研究的热点问题。它可以从监控摄像头采集的人群图像中分析人群的分布信息。包括估计人群中的人数,以及识别人群密度高于安全限度的区域发出预警信息,防止人群挤压及踩踏事件的发生。
当前多采用基于检测的方法和基于回归的方法实现密集人群分析。基于检测的方法通过一个滑动的窗口检测图片中人群的数量,但是在人群较为密集存在严重遮挡的图片中会严重地降低该方法的性能。基于回归的方法会忽略一个称为显著性的关键特征,容易导致局部区域的结果不准确。
发明内容
本申请的目的是提供一种高密度人群的数量估测方法、系统、计算机可读存储介质和一种高密度人群的数量估测终端,能够根据摄像头拍摄的视频估测密集人群中更精确的人数。
为解决上述技术问题,本申请提供一种高密度人群的数量估测方法,具体技术方案如下:
将目标拍摄图片输入至网络模型中,得到所述目标拍摄图片对应的预测密度图;
对所述预测密度图进行求和运算得到人数估测值;
其中,所述网络模型的建立过程包括:
根据对监控视频抽帧得到的图像帧和所述图像帧中人头的中心坐标得到第一训练集;
根据所述中心坐标取全零矩阵中对应坐标位置预设大小的区域与高斯滤波矩阵相加得到所述图像帧的密度图;其中,所述全零矩阵与所述图像帧大小相同;
根据所述图像帧和所述密度图得到第二训练集;
将所述第二训练集在三列空洞卷积神经网络上训练得到所述网络模型;所述三列空洞卷积神经网络包含三列不同扩张率的空洞卷积结构。
其中,所述三列空洞卷积神经网络的前端结构为VGG16网络结构的前十层。
其中,所述三列空洞卷积神经网络中的激活函数均为ReLU激活函数。
其中,还包括:
根据网络训练参数、所述第二训练集中训练样本对应的真实密度图和预测密度图得到所述三列空洞卷积神经网络的损失函数,所述损失函数用于计算所述人数估测值的误差;
分别对所述真实密度图和所述预测密度图进行求和运算得到真实人数和预测人数,根据所述真实人数和预测人数的差的绝对值得到所述人数估测值的误差。
其中,所述三列空洞卷积神经网络包含三列不同扩张率的空洞卷积结构具体为所述三列空洞卷积神经网络包含扩张率分别为1、2和3的空洞卷积结构。
本申请还提供一种高密度人群的数量估测系统,包括:
图片输入模块,用于将目标拍摄图片输入至网络模型中,得到所述目标拍摄图片对应的预测密度图;
预测模块,用于对所述预测密度图进行求和运算得到人数估测值;
其中,还包括:
模型生成模块,用于根据对监控视频抽帧得到的图像帧和所述图像帧中人头的中心坐标得到第一训练集;根据所述中心坐标取全零矩阵中对应坐标位置预设大小的区域与高斯滤波矩阵相加得到所述图像帧的密度图;其中,所述全零矩阵与所述图像帧大小相同;根据所述图像帧和所述密度图得到第二训练集;将所述第二训练集在三列空洞卷积神经网络上训练得到所述网络模型;所述三列空洞卷积神经网络包含三列不同扩张率的空洞卷积结构。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本申请还提供一种高密度人群的数量估测终端,包括存储器和处理器,所述存储器中存有计算机程序,所述处理器调用所述存储器中的计算机程序时实现如上所述的方法的步骤。
本申请提供一种高密度人群的数量估测方法,具体技术方案如下:将目标拍摄图片输入至网络模型中,得到所述目标拍摄图片对应的预测密度图;对所述预测密度图进行求和运算得到人数估测值;
本申请通过给定一张图片,使用训练好的网络模型进行预测图片中的人群信息,而在此之前,使用图片中已经标注好的人头位置信息,利用高斯滤波矩阵生成人群图片的ground-truth密度图,并将所有图片归一化,使用处理好的图片及生成的密度图对网络进行训练,得到网络模型。在网络模型中,通过采用三列具有不同扩张率的空洞卷积结构,可以学习到由前端网络提取的高维特征中尺度不一致的信息,促进网络的计数性能及生成密度图的质量,进而提高人群人数估测的准确性。本申请还提供一种高密度人群的数量估测系统、计算机可读存储介质和一种高密度人群的数量估测终端,具有上述有益效果,此处不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种高密度人群的数量估测方法的流程图;
图2为本申请实施例所提供的三列空洞卷积神经网络结构示意图;
图3为本申请实施例所提供的一种高密度人群的数量估测结构示意图。.
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参考图1,图1为本申请实施例所提供的一种高密度人群的数量估测方法的流程图,该方法包括:
S101:将目标拍摄图片输入至网络模型中,得到所述目标拍摄图片对应的预测密度图;
S102:对所述预测密度图进行求和运算得到人数估测值;
其中,网络模型的建立过程包括:根据对监控视频抽帧得到的图像帧和图像帧中人头的中心坐标得到第一训练集;根据中心坐标取全零矩阵中对应坐标位置预设大小的区域与高斯滤波矩阵相加得到图像帧的密度图;其中,全零矩阵与图像帧大小相同;根据图像帧和密度图得到第二训练集;将第二训练集在三列空洞卷积神经网络上训练得到网络模型;三列空洞卷积神经网络包含三列不同扩张率的空洞卷积结构。
下文以相应的代数式和公式对该网络模型的训练过程作说明:
1、从监控摄像头拍摄的视频中进行抽帧,作为本系统的第一训练集。输入训练集其中Xi为第一训练集中第i张图片,大小为m*n;Pi是第i张图片中人头中心坐标的信息,大小为c*2,其中第一列为人头中心点在图片中的横坐标,第二列为人头中心点在图片中的纵坐标,c为图片中的人头数;N为训练集的数量。
2、先定义一个大小为m*n的全零矩阵M。然后生成一个大小为15×15,方差为σ(σ的值一般固定为4,也可以根据相近人头中心的平均距离决定)的高斯滤波矩阵G。最后根据Pi中人头中心的坐标信息,取M中对应坐标位置上下左右大小为15*15的区域与高斯滤波矩阵G相加得到图片的ground-truth密度图M′。
本申请中三列空洞卷积神经网络的前端结构使用的是VGG16网络结构的前十层,用于提取图片中的高维特征,后端结构使用三列卷积核大小为3×3,三列不同扩张率的空洞卷积结构,例如扩张率可以分别为1、2和3的空洞卷积结构。在网络的最后分别将三列空洞卷积学习到的特征信息在其通道上进行连接,通过一层卷积核大小为1×1的卷积层输出最终的密度图。本申请网路的结构中的三列空洞卷积具有相同的层数及相同的卷积核大小,但是使用了不同的扩张率,本申请网络中使用的所有激活函数均为ReLU激活函数。本申请采用三列具有不同扩张率的空洞卷积结构,可以学习到由前端网络提取的高维特征中尺度不一致的信息,促进网络的计数性能及生成密度图的质量。
在三列空洞卷积神经网络上训练得到网络模型,此后给定一张目标拍摄图片P,将目标拍摄图片P输入到训练好的网络模型中进行预测,可以得到目标拍摄图片P的预测密度图M’P,对M’P进行求和运算得到的值即为图片P中预测的人数:即p_count=sum(M’P)。
需要注意的是,在利用本申请提供的网络模型进行目标人群的数量估测时,可以直接使用已经建立完成的网络模型,也可以针对目标人群重先新构建网络模型再进行人数估测,有利于提高估测准确度。
在得到网络模型后,将摄像头的拍摄视频以视频帧的形式输入至网络模型,即可输出相应的估测人数。容易理解的是,由于本申请采用图像处理的方法进行人数估测,所得到的人数与实际值存在一定误差,但可以根据本申请提供的高密度人群的数量估测方法得到相应的估测值后,根据估测值采取相应的措施,以防止高密度人群发生危险事件。
进一步的,在得到人数估测值后,还可以结合高密度人群所在地的场地面积等计算人群密度,判断是否存在安全风险,一旦存在安全风险,可以通过相应告警装置提示相关人员采取相应措施等。
特别的,该网络的损失函数L(Θ)可以定义如下:
其中,N为训练样本的个数,Xi为第i个训练样本,Θ为网络学习的参数,F(Xi;Θ)为网络预测第i个样本的密度图,M’i为第i个样本的真实密度图。
损失函数是网络模型对数据拟合程度的反映,拟合的越差,损失函数的值就应该越大。
此外,还可以分别对真实密度图和预测密度图进行求和运算得到真实人数和预测人数,再根据真实人数和预测人数的差的绝对值得到人数估测值的误差。根据人数估测值的误差可以判断预测出的人数估测值与实际值的关系,即真实人数值通常在人数估测值的有效误差范围内。
本申请采用的网络模型采用三列空洞卷积神经网络,即包含三列具有不同扩张率的空洞卷积结构,使得网络模型可以捕捉到图片中不同尺度的特征信息,可以有效地提高网络模型的计数性能及密度图的生成质量。
下文将本申请所公开的一种高密度人群的数量估测方法在密集人群公开数据集Shanghaitech数据集上进行了测试,该数据集中一共包含1198张已标注的图片,数据集中共有330165个人头中心位置已标注。该数据集包含两个部分:Part_A和Part_B。Part_A中有482张图片,其中300张用于训练,其余182张用于测试,Part_A中的数据是从网络上随机爬取的图片,人群密度较大,图片的大小不一致。Part_B中有716张图片,其中400张用于训练,其余316张用于测试,Part_B中的数据是从上海街道上拍摄的场景图片,人群密度较小,图片的尺寸均为768×1024。
具体实施步骤如下:
(1)输入Shanghaitech数据集Part_B的第一训练集其中Xi为Part_B中的第i张图片,大小为768×1024;Pi是第i张图片中人头中心坐标的信息,大小为c×2,其中第一列为人头中心点在图片中的横坐标,第二列为人头中心点在图片中的纵坐标,c为第i张图片中的人头数;N为Part_B中训练集的数量。
(2)先定义一个大小为768×1024的全零矩阵M。然后生成一个大小为15×15,方差为4的高斯滤波矩阵G。最后根据Pi中人头中心的坐标信息,取M中对应坐标位置上下左右大小为15×15的区域与高斯滤波矩阵G相加得到图片的ground-truth密度图M′。
其中所有卷积层全部使用“same”模式填充,卷积层参数含义conv-(卷积核大小)-(卷积核数量)-(扩张率)。本申请网络的前端结构使用的是VGG16网络结构的前十层,用于提取图片中的高维特征,后端结构使用三列卷积核大小为3×3扩张率分别为1、2和3的空洞卷积结构,在网络的最后分别将三列空洞卷积学习到的特征信息在其通道上进行连接,通过一层卷积核大小为1×1的卷积层输出最终的密度图。本申请网路的结构中的三列空洞卷积具有相同的层数及相同的卷积核大小,但是使用了不同的扩张率,本申请网络中使用的所有激活函数均为ReLU激活函数。本申请采用三列具有不同扩张率的空洞卷积结构,可以学习到由前端网络提取的高维特征中尺度不一致的信息,促进网络的计数性能及生成密度图的质量。
该网络的损失函数L(Θ)定义同上,在此不作重复说明。
其中,N为训练样本的个数,Xi为第i个训练样本,Θ为网络学习的参数,F(Xi;Θ)为网络预测第i个样本的密度图,M’i为第i个样本的真实密度图。
给定一张目标拍摄图片P,将图片P输入到训练好的网络模型中进行预测,可以得到图片P的预测密度图M’P,对M’P进行求和运算得到的值即为图片P中预测的人数:
p_count=sum(M’P)
本申请对于进行高密度人群的数量估测效果可以通过如下实验验证:
本申请基于CSRNet网络提出了三列空洞卷积神经网络结构,它可以捕捉图片中尺度不一致的特征信息,提高人群计数性能。本网络模型与CSRNet网络模型在相同的数据集上做人群计数比较。从表1的结果中可以看出,本申请提出的网络模型在平均绝对误差(MAE)和均方误差(MSE)上都比CSRNet模型获得了更好的性能。
表1人群计数结果的对比
本申请基于CSRNet网络提出了三列空洞卷积神经网络结构,它可以捕捉图片中尺度不一致的特征信息,提高人群计数性能。本网络模型与CSRNet网络模型在相同的数据集上做人群计数比较。从表1的结果中可以看出,本申请提出的网络模型在平均绝对误差(MAE)和均方误差(MSE)上都比CSRNet模型获得了更好的性能。
下面对本申请实施例提供的一种高密度人群的数量估测系统进行介绍,下文描述的数量估测系统与上文描述的数量估测方法可相互对应参照。
参见图3,图3为本申请实施例所提供的一种高密度人群的数量估测系统结构示意图,本申请还提供一种高密度人群的数量估测系统,包括:
图片输入模块100,用于将目标拍摄图片输入至网络模型中,得到所述目标拍摄图片对应的预测密度图;
预测模块200,用于对所述预测密度图进行求和运算得到人数估测值;
基于上述实施例,作为优选的实施例,还包括:
模型生成模块,用于根据对监控视频抽帧得到的图像帧和所述图像帧中人头的中心坐标得到第一训练集;根据所述中心坐标取全零矩阵中对应坐标位置预设大小的区域与高斯滤波矩阵相加得到所述图像帧的密度图;其中,所述全零矩阵与所述图像帧大小相同;根据所述图像帧和所述密度图得到第二训练集;将所述第二训练集在三列空洞卷积神经网络上训练得到所述网络模型;所述三列空洞卷积神经网络包含三列不同扩张率的空洞卷积结构。
本申请还提供了一种计算机可读存储介质,其上存有计算机程序,该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请还提供了一种高密度人群的数量估测终端,可以包括存储器和处理器,所述存储器中存有计算机程序,所述处理器调用所述存储器中的计算机程序时,可以实现上述实施例所提供的步骤。当然所述高密度人群的数量估测终端还可以包括各种网络接口,电源等组件。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例提供的系统而言,由于其与实施例提供的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (9)
1.一种高密度人群的数量估测方法,其特征在于,包括:
将目标拍摄图片输入至网络模型中,得到所述目标拍摄图片对应的预测密度图;
对所述预测密度图进行求和运算得到人数估测值;
其中,所述网络模型的建立过程包括:
根据对监控视频抽帧得到的图像帧和所述图像帧中人头的中心坐标得到第一训练集;
根据所述中心坐标取全零矩阵中对应坐标位置预设大小的区域与高斯滤波矩阵相加得到所述图像帧的密度图;其中,所述全零矩阵与所述图像帧大小相同;
根据所述图像帧和所述密度图得到第二训练集;
将所述第二训练集在三列空洞卷积神经网络上训练得到所述网络模型;所述三列空洞卷积神经网络包含三列不同扩张率的空洞卷积结构。
2.根据权利要求1所述的数量估测方法,其特征在于,所述三列空洞卷积神经网络的前端结构为VGG16网络结构的前十层。
3.根据权利要求1所述的数量估测方法,其特征在于,所述三列空洞卷积神经网络中的激活函数均为ReLU激活函数。
4.根据权利要求1所述的数量估测方法,其特征在于,还包括:
根据网络训练参数、所述第二训练集中训练样本对应的真实密度图和预测密度图得到所述三列空洞卷积神经网络的损失函数;
分别对所述真实密度图和所述预测密度图进行求和运算得到真实人数和预测人数,根据所述真实人数和预测人数的差的绝对值得到所述人数估测值的误差。
5.根据权利要求1所述的数量估测方法,其特征在于,所述三列空洞卷积神经网络包含三列不同扩张率的空洞卷积结构具体为所述三列空洞卷积神经网络包含扩张率分别为1、2和3的空洞卷积结构。
6.一种高密度人群的数量估测系统,其特征在于,包括:
图片输入模块,用于将目标拍摄图片输入至网络模型中,得到所述目标拍摄图片对应的预测密度图;
预测模块,用于对所述预测密度图进行求和运算得到人数估测值。
7.根据权利要求6所述的数量估测系统,其特征在于,还包括:
模型生成模块,用于根据对监控视频抽帧得到的图像帧和所述图像帧中人头的中心坐标得到第一训练集;根据所述中心坐标取全零矩阵中对应坐标位置预设大小的区域与高斯滤波矩阵相加得到所述图像帧的密度图;其中,所述全零矩阵与所述图像帧大小相同;根据所述图像帧和所述密度图得到第二训练集;将所述第二训练集在三列空洞卷积神经网络上训练得到所述网络模型;所述三列空洞卷积神经网络包含三列不同扩张率的空洞卷积结构。
8.一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,所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的方法的步骤。
9.一种高密度人群的数量估测终端,其特征在于,包括存储器和处理器,所述存储器中存有计算机程序,所述处理器调用所述存储器中的计算机程序时实现如权利要求1-5任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911301677.8A CN111091093A (zh) | 2019-12-17 | 2019-12-17 | 一种高密度人群的数量估测方法、系统及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911301677.8A CN111091093A (zh) | 2019-12-17 | 2019-12-17 | 一种高密度人群的数量估测方法、系统及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111091093A true CN111091093A (zh) | 2020-05-01 |
Family
ID=70395674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911301677.8A Pending CN111091093A (zh) | 2019-12-17 | 2019-12-17 | 一种高密度人群的数量估测方法、系统及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091093A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695544A (zh) * | 2020-06-23 | 2020-09-22 | 中国平安人寿保险股份有限公司 | 基于人群检测模型的信息发送方法、装置和计算机设备 |
CN111723742A (zh) * | 2020-06-19 | 2020-09-29 | 苏州大学 | 一种人群密度分析方法、系统、装置及计算机可读存储介质 |
CN111738136A (zh) * | 2020-06-19 | 2020-10-02 | 新希望六和股份有限公司 | 显微对象的数量确定方法、装置、计算机设备和存储介质 |
CN112541891A (zh) * | 2020-12-08 | 2021-03-23 | 山东师范大学 | 一种基于空洞卷积高分辨率网络的人群计数方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101930A (zh) * | 2018-08-18 | 2018-12-28 | 华中科技大学 | 一种人群计数方法及系统 |
CN109214337A (zh) * | 2018-09-05 | 2019-01-15 | 苏州大学 | 一种人群统计方法、装置、设备及计算机可读存储介质 |
CN110210603A (zh) * | 2019-06-10 | 2019-09-06 | 长沙理工大学 | 人群的计数模型构建方法、计数方法和装置 |
CN110853025A (zh) * | 2019-11-15 | 2020-02-28 | 苏州大学 | 基于多列残差空洞卷积神经网络的人群密度预测方法 |
-
2019
- 2019-12-17 CN CN201911301677.8A patent/CN111091093A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101930A (zh) * | 2018-08-18 | 2018-12-28 | 华中科技大学 | 一种人群计数方法及系统 |
CN109214337A (zh) * | 2018-09-05 | 2019-01-15 | 苏州大学 | 一种人群统计方法、装置、设备及计算机可读存储介质 |
CN110210603A (zh) * | 2019-06-10 | 2019-09-06 | 长沙理工大学 | 人群的计数模型构建方法、计数方法和装置 |
CN110853025A (zh) * | 2019-11-15 | 2020-02-28 | 苏州大学 | 基于多列残差空洞卷积神经网络的人群密度预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723742A (zh) * | 2020-06-19 | 2020-09-29 | 苏州大学 | 一种人群密度分析方法、系统、装置及计算机可读存储介质 |
CN111738136A (zh) * | 2020-06-19 | 2020-10-02 | 新希望六和股份有限公司 | 显微对象的数量确定方法、装置、计算机设备和存储介质 |
CN111695544A (zh) * | 2020-06-23 | 2020-09-22 | 中国平安人寿保险股份有限公司 | 基于人群检测模型的信息发送方法、装置和计算机设备 |
CN111695544B (zh) * | 2020-06-23 | 2023-07-25 | 中国平安人寿保险股份有限公司 | 基于人群检测模型的信息发送方法、装置和计算机设备 |
CN112541891A (zh) * | 2020-12-08 | 2021-03-23 | 山东师范大学 | 一种基于空洞卷积高分辨率网络的人群计数方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858461B (zh) | 一种密集人群计数的方法、装置、设备以及存储介质 | |
CN111091093A (zh) | 一种高密度人群的数量估测方法、系统及相关装置 | |
CN110110601B (zh) | 基于多时空注意力模型的视频行人重识别方法及装置 | |
CN104508682B (zh) | 使用群组稀疏性分析来识别关键帧 | |
US11048948B2 (en) | System and method for counting objects | |
US7853038B2 (en) | Systems and methods for object dimension estimation | |
TWI358674B (zh) | ||
US20140037269A1 (en) | Video summarization using group sparsity analysis | |
CN110853025A (zh) | 基于多列残差空洞卷积神经网络的人群密度预测方法 | |
CN111723773B (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
WO2022048582A1 (zh) | 光流信息预测方法、装置、电子设备和存储介质 | |
JP2022542566A (ja) | オブジェクト追跡方法及び装置、記憶媒体並びにコンピュータプログラム | |
CN112766123B (zh) | 一种基于纵横交叉注意力网络的人群计数方法及系统 | |
CN115424209A (zh) | 一种基于空间金字塔注意力网络的人群计数方法 | |
CN111683221A (zh) | 嵌入矢量红线数据的自然资源实时视频监测方法及系统 | |
CN110930384A (zh) | 基于密度信息的人群计数方法、装置、设备以及介质 | |
CN113920585A (zh) | 行为识别方法及装置、设备和存储介质 | |
CN111563492B (zh) | 一种跌倒检测方法、跌倒检测装置及存储装置 | |
CN117132768A (zh) | 车牌及人脸检测和脱敏方法、装置、电子设备和存储介质 | |
CN116091781B (zh) | 一种用于图像识别的数据处理方法及装置 | |
CN112149528A (zh) | 一种全景图目标检测方法、系统、介质及设备 | |
CN112464765A (zh) | 一种基于单像素特征放大的安全帽检测算法及其应用 | |
CN112257492A (zh) | 一种多路摄像头实时入侵检测与跟踪方法 | |
CN109064444B (zh) | 基于显著性分析的轨道板病害检测方法 | |
WO2022012573A1 (zh) | 图像处理方法及装置、电子设备、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 |