CN111241993A - 座位数的确定方法、装置、电子设备及存储介质 - Google Patents
座位数的确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111241993A CN111241993A CN202010018955.5A CN202010018955A CN111241993A CN 111241993 A CN111241993 A CN 111241993A CN 202010018955 A CN202010018955 A CN 202010018955A CN 111241993 A CN111241993 A CN 111241993A
- Authority
- CN
- China
- Prior art keywords
- radius
- convolution kernel
- target
- seat
- determining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 90
- 238000012545 processing Methods 0.000 claims abstract description 75
- 238000013528 artificial neural network Methods 0.000 claims description 36
- 238000010586 diagram Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 description 11
- BUGBHKTXTAQXES-UHFFFAOYSA-N Selenium Chemical compound [Se] BUGBHKTXTAQXES-UHFFFAOYSA-N 0.000 description 8
- 229910052711 selenium Inorganic materials 0.000 description 8
- 239000011669 selenium Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012804 iterative process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 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
-
- 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
-
- G06T5/70—
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种座位数的确定方法、装置、电子设备及存储介质，通过确定目标卷积神经网络对初始座位图进行处理，将初始座位图中每个座位的多余闭合区域进行模糊处理，使得目标处理后座位图中每个座位仅有一个闭合区域，方便后续准确识别目标处理后座位图中闭合区域的数量，从而得到初始座位图中的座位数，进而得到准确的上座率，为获取真实的票房信息提供准确的判断依据。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种座位数的确定方法、装置、电子设备及存储介质。
背景技术
目前，电子商务的崛起丰富了各类演出票销售的渠道，同时也为票房数据的统计增加了新的难度。现有技术通过视频监控系统获取影片放映过程中或演出进行过程中的监控图像，通过识别监控图像的人数，确定影片或演出的上座率，为获取真实的票房信息提供判断依据。
但现有技术采用的识别方法会因为观众的走动、暂时离开、迟到或早退等行为，造成识别数据的不准确，从而影响上座率的统计和票房信息的判断。
发明内容
针对现有技术存在的问题，本发明实施例提供一种座位数的确定方法、装置、电子设备及存储介质。
第一方面，本发明实施例提供一种座位数的确定方法，包括：
将初始座位图输入不同卷积核半径对应的卷积神经网络，并根据不同卷积核半径对应的卷积神经网络的输出结果确定目标卷积神经网络，所述目标卷积神经网络用于对输入的图像进行模糊处理；
将初始座位图输入所述目标卷积神经网络，得到所述目标卷积神经网络输出的目标处理后座位图；
识别所述目标处理后座位图中的闭合区域，根据闭合区域的数量确定所述初始座位图中的座位数。
可选地，所述将初始座位图输入不同卷积核半径对应的卷积神经网络，并根据不同卷积核半径对应的卷积神经网络的输出结果确定目标卷积神经网络，具体包括：
将所述初始座位图输入不同卷积核半径对应的卷积神经网络，得到不同卷积核半径的不同卷积神经网络对应输出的处理后座位图；
根据各处理后座位图确定各卷积神经网络的最小卷积核半径和最大卷积核半径，根据所述最小卷积核半径和所述最大卷积核半径，确定目标卷积核半径，并根据所述目标卷积核半径确定所述目标卷积神经网络。
可选地，所述根据各处理后座位图确定各卷积神经网络的最小卷积核半径和最大卷积核半径，根据所述最小卷积核半径和所述最大卷积核半径，确定所述目标卷积核半径，具体包括：
确定所述初始座位图中的初始区域数量；
将所述初始座位图输入第一卷积核半径对应的卷积神经网络，得到所述第一卷积核半径对应的卷积神经网络输出的第一处理后座位图，并确定所述第一处理后座位图中的第一区域数量；
若所述第一区域数量与所述初始区域数量相等，则根据预设规则将所述第一卷积核半径更新为第二卷积核半径，继续将所述初始座位图输入所述第二卷积核半径对应的卷积神经网络，得到所述第二卷积核半径对应的卷积神经网络输出的第二处理后座位图，并确定所述第二处理后座位图中的第二区域数量；
若所述第二区域数量与所述第一区域数量满足第一预设条件，则将所述第二区域数量对应的第二卷积核半径确定为所述最小卷积核半径；
若所述第二区域数量与所述第一区域数量满足第二预设条件，则将所述第二区域数量对应的第二卷积核半径确定为所述最大卷积核半径；
计算所述最小卷积核半径和所述最大卷积核半径的平均值，并将所述平均值确定为所述目标卷积核半径。
可选地，所述预设规则为卷积核半径递增预设数量；
所述第一预设条件为所述第二卷积核半径为所述第一卷积核半径的N倍，N为大于等于2的整数；
第二预设条件为所述第二卷积核半径与所述第一卷积核半径的差值大于预设半径。
可选地，所述识别所述目标处理后座位图中的闭合区域，根据闭合区域的数量确定所述初始座位图中的座位数之后，还包括：
将所述目标卷积核半径保存至数据库中。
可选地，所述将初始座位图输入所述目标卷积神经网络，得到所述目标卷积神经网络输出的目标处理后座位图，具体包括：
将所述目标卷积核半径对应的目标卷积核分别从左到右、从上到下对所述初始座位图进行卷积操作，得到卷积值，并根据当前的卷积值更新当前卷积的中心像素；
所有卷积的中心像素更新后得到所述目标处理后座位图；
其中，当前的卷积值f(x,y)为：
x为目标卷积核，y为所述初始座位图中的当前卷积，σ为预设的标准差。
可选地，所述将初始座位图输入不同卷积核半径对应的卷积神经网络之前，还包括：
获取所述售票网站的选座界面中的座位图区域，生成座位图；
对所述座位图进行灰度化处理，得到所述初始座位图。
第二方面，本发明实施例还提出一种座位数的确定装置，包括：
神经网络确定模块，用于将初始座位图输入不同卷积核半径对应的卷积神经网络，并根据不同卷积核半径对应的卷积神经网络的输出结果确定目标卷积神经网络，所述目标卷积神经网络用于对输入的图像进行模糊处理；
图像处理模块，用于将初始座位图输入所述目标卷积神经网络，得到所述目标卷积神经网络输出的目标处理后座位图；
座位数确定模块，用于识别所述目标处理后座位图中的闭合区域，根据闭合区域的数量确定所述初始座位图中的座位数。
第三方面，本发明实施例还提出一种电子设备，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述座位数的确定方法。
第四方面，本发明实施例还提出一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述座位数的确定方法。
本发明实施例提供的座位数的确定方法、装置、电子设备及存储介质，通过确定目标卷积神经网络对初始座位图进行处理，将初始座位图中每个座位的多余闭合区域进行模糊处理，使得目标处理后座位图中每个座位仅有一个闭合区域，方便后续准确识别目标处理后座位图中闭合区域的数量，从而得到初始座位图中的座位数，进而得到准确的上座率，为获取真实的票房信息提供准确的判断依据。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明一实施例提供的一种座位数的确定方法的流程示意图；
图2为本发明一实施例提供的卷积神经网络的输入和输出示意图；
图3为本发明一实施例提供的初始座位图的示意图；
图4为本发明一实施例提供的目标处理后座位图的示意图；
图5为本发明另一实施例提供的一种座位数的确定方法的流程示意图；
图6为本发明一实施例提供的一种座位数的确定装置的结构示意图；
图7为本发明一实施例提供的电子设备的逻辑框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1示出了本实施例提供的一种座位数的确定方法的流程示意图，包括：
S101、将初始座位图输入不同卷积核半径对应的卷积神经网络，并根据不同卷积核半径对应的卷积神经网络的输出结果确定目标卷积神经网络。
其中，所述目标卷积神经网络用于对输入的图像进行模糊处理，输出模糊处理后的图像。
所述模糊处理为对图像进行去燥和平滑，在本实施例中模糊处理是将图像中多个闭合区域处理为一个闭合区域。
举例来说，如图2所示，本实施例中卷积神经网络的模糊处理是将左侧图像中包含的2个闭合区域模糊为右侧图像中的1个闭合区域，方便后续快速准确识别图像中闭合区域的数量。
S102、将初始座位图输入所述目标卷积神经网络，得到所述目标卷积神经网络输出的目标处理后座位图。
其中，所述初始座位图为待确定座位数的图像。
所述目标处理后座位图为将初始座位图输入目标卷积神经网络后，输出的模糊处理后的图像。
举例来说，如图3所示为初始座位图，将该图输入目标卷积神经网络后，输出如图4所示的目标处理后座位图，图4中每个座位仅有一个闭合区域，方便后续快速准确识别目标处理后座位图中闭合区域的数量。
S103、识别所述目标处理后座位图中的闭合区域，根据闭合区域的数量确定所述初始座位图中的座位数。
其中，所述闭合区域为图像中闭合的区域。
所述闭合区域的数量为图像中闭合区域的总个数。
所述座位数为图像中识别到的座位的数量。
具体地，如图2左侧所示的图像中，根据不同的识别规则，其识别到的闭合区域的数量可能为2个，也可能为3个。由于有重叠的边，因此需要进行相对复杂的处理；而对于图2右侧所示的图像中，由于仅有一个闭合区域，不存在重叠的边，因此其识别过程相对简单，能够大大减小计算量。
举例来说，如图4所示的目标处理后座位图，其识别到的闭合区域的数量为68，则确定初始座位图中的座位数为68。
本实施例通过确定目标卷积神经网络对初始座位图进行处理，将初始座位图中每个座位的多余闭合区域进行模糊处理，使得目标处理后座位图中每个座位仅有一个闭合区域，方便后续准确识别目标处理后座位图中闭合区域的数量，从而得到初始座位图中的座位数，进而得到准确的上座率，为获取真实的票房信息提供准确的判断依据。
进一步地，在上述方法实施例的基础上，S101具体包括：
将所述初始座位图输入不同卷积核半径对应的卷积神经网络，得到卷积神经网络对应输出的处理后座位图；
根据各处理后座位图确定各卷积神经网络的最小卷积核半径和最大卷积核半径，根据所述最小卷积核半径和所述最大卷积核半径，确定所述目标卷积核半径，并根据所述目标卷积核半径确定所述目标卷积神经网络。
其中，所述最小卷积核半径为卷积神经网络对所述初始座位图进行模糊处理的最小的卷积核半径。
所述最大卷积核半径为卷积神经网络对所述初始座位图进行模糊处理的最大的卷积核半径。
所述目标卷积核半径为对当前的初始座位图进行模糊处理的卷积核半径。
具体地，为了确定模糊效果最佳的卷积核半径，需要获取多个卷积核半径对应的卷积神经网络的模糊效果，因此需要将所述初始座位图输入不同卷积核半径对应的卷积神经网络，得到卷积神经网络对应输出的处理后座位图；另一方面，由于模糊效果的判断难以量化，因此本实施例通过确定各卷积神经网络中的最小卷积核半径和最大卷积核半径，来进一步确定目标卷积核半径。
本实施例通过不同卷积核半径对应的卷积神经网络的输出结果，确定最小卷积核半径和最大卷积核半径，进一步通过最小卷积核半径和最大卷积核半径确定卷积神经网络的目标卷积核半径，能够获得模糊效果满足要求的卷积核半径，进行最终的模糊处理。
进一步地，在上述方法实施例的基础上，所述根据各处理后座位图确定各卷积神经网络的最小卷积核半径和最大卷积核半径，并根据所述最小卷积核半径和所述最大卷积核半径，确定所述目标卷积核半径，具体包括：
确定所述初始座位图中的初始区域数量；
将所述初始座位图输入第一卷积核半径对应的卷积神经网络，得到所述第一卷积核半径对应的卷积神经网络输出的第一处理后座位图，并确定所述第一处理后座位图中的第一区域数量；
若所述第一区域数量与所述初始区域数量相等，则根据预设规则将所述第一卷积核半径更新为第二卷积核半径，继续将所述初始座位图输入所述第二卷积核半径对应的卷积神经网络，得到所述第二卷积核半径对应的卷积神经网络输出的第二处理后座位图，并确定所述第二处理后座位图中的第二区域数量；
若所述第二区域数量与所述第一区域数量满足第一预设条件，则将所述第二区域数量对应的第二卷积核半径确定为所述最小卷积核半径；
若所述第二区域数量与所述第一区域数量满足第二预设条件，则将所述第二区域数量对应的第二卷积核半径确定为所述最大卷积核半径；
计算所述最小卷积核半径和所述最大卷积核半径的平均值，并将所述平均值确定为所述目标卷积核半径。
其中，所述初始区域数量为初始座位图中识别得到的闭合区域的数量，例如，图3所示的初始座位图中的初始区域数量为68×2＝136。
所述第一卷积核半径为迭代过程中的任一选择的卷积核半径。
所述第一处理后座位图为第一卷积核半径对应的卷积神经网络输出的处理后座位图。
所述第一区域数量为第一处理后座位图中的区域数量。
所述第二卷积核半径为第一卷积核半径对应的迭代过程的下一次迭代过程中的卷积核半径。
所述第二处理后座位图为第二卷积核半径对应的卷积神经网络输出的处理后座位图。
所述第二区域数量为第二处理后座位图中的区域数量。
所述预设规则为卷积核半径递增预设数量，例如每一次迭代过程卷积核半径递增1，或，每一次迭代过程卷积核半径递增2，以具体要求为准。
所述第一预设条件为所述第二卷积核半径为所述第一卷积核半径的N倍，N为大于等于2的整数，对于图3对应的初始座位图，由于每个座位有2个闭合区域，为了获得最小卷积核半径，N取2。
第二预设条件为所述第二卷积核半径与所述第一卷积核半径的差值大于预设半径，为了获得最大卷积核半径，所述预设半径需要足够大。
具体地，由于座位图的特殊性，卷积核半径的大小无法固定，因为固定的卷积核半径无法适配所有类型的座位图，因为有的场馆座位多，有的场馆座位少，座位少的卷积核半径就需要增大，否则一个座位会被割裂成为2个；座位多的卷积核半径要小，否则会把座位中间的空隙和座位模糊到一起。
通常卷积核半径需要配置，根据具体的图像具体设置，本实施例提供的座位数的确定方法具有自适应性，能够根据座位图的特点，计算得到最佳的卷积核半径。
举例来说，为了减少后续的计算量，一般先将获取的图像进行灰度化处理，得到所述初始座位图。先不对所述初始座位图进行模糊处理，确定所述初始座位图的初始区域数量C1，具体的迭代过程如下：
首先，初始化卷积核半径为R1＝1，将所述初始座位图输入R＝1对应的卷积神经网络，并确定输出图像的区域数量C2；
若C2＝C1，则更新卷积核半径为R2＝2，继续迭代如上的步骤，得到新输出图像的区域数量C3，如此迭代下去，直到Cn＝Cn-1/2，确定此时的卷积核半径为最小卷积核半径Rmin；
继续迭代，直到Cn-1远大于Cn，确定此时的卷积核半径为最大卷积核半径Rmax。
因此卷积核半径的取值范围Rmin至Rmax。由于卷积核半径是线性增长的，因此选取的最佳的目标卷积核半径为R＝(Rmin+Rmax)/2，后续直接用该目标卷积核半径对应的卷积神经网络进行模糊处理即可。
本实施例提供的迭代过程，通过确定最小卷积核半径和最大卷积核半径，并基于卷积核半径增长的线性特性，选取最小卷积核半径和最大卷积核半径的平均值作为目标卷积核半径，能够获取最佳的模糊效果。
进一步地，在上述方法实施例的基础上，S102具体包括：
将所述目标卷积核半径对应的目标卷积核分别从左到右、从上到下对所述初始座位图进行卷积操作，得到卷积值，并根据当前的卷积值更新当前卷积的中心像素；
所有卷积的中心像素更新后得到所述目标处理后座位图；
其中，当前的卷积值f(x,y)为：
x为目标卷积核，y为所述初始座位图中的当前卷积，σ为预设的标准差。
所述目标卷积核为根据目标卷积核半径确定的卷积核。
所述当前卷积的中心像素为根据目标卷积核对初始座位图进行分块后，该分块的中心像素。
具体地，基于卷积操作的特性，根据目标卷积核对初始座位图进行分块，得到若干个卷积，分别从左到右、从上到下对所述初始座位图的每个卷积进行卷积操作。针对当前卷积，根据上述公式计算目标卷积核和当前卷积的卷积值，并将该卷积值作为当前卷积的中心像素。
对图像进行模糊处理的作用是对图像去燥和平滑，在处理过程中，最关键的参数是卷积核的大小和卷积值，该卷积值利用高斯概率分布公式f(x,y)计算得到，假设图像的噪声符合正态分布，靠着像素中心近的像素权重高，靠着中心像素远的像素权重低，因此在模糊处理的过程中，标准差σ和卷积核半径的设置至关重要，σ一般采用预设值1.5，卷积核半径通过本实施例提供的座位数的确定方法得到。
本实施例通过高斯概率分布公式计算卷积值，并更新卷积的中心像素，使得当设定合适的卷积核半径后，即可得到模糊效果最佳的图像。
进一步地，在上述方法实施例的基础上，所述S101之前，还包括：
获取所述售票网站的选座界面中的座位图区域，生成座位图；
对所述座位图进行灰度化处理，得到所述初始座位图。
举例来说，可以通过selenium的鼠标控制功能自动登录售票网站，获取所述售票网站的选座界面中的座位图区域，生成座位图；并根据所述座位图中各颜色的加权平均值对所述座位图进行灰度化处理，得到所述初始座位图。
其中，所述selenium是一个用于Web应用程序测试的工具，该工具直接运行在浏览器中，就像真正的用户在操作一样，方便自动登录售票网站。
所述selenium的鼠标控制功能为通过selenium控制鼠标的操作。
所述座位图区域为选座界面中座位图所属的区域。
所述座位图为截取座位图区域生成的图像。
举例来说，首先通过selenium框架的chromdriver驱动，自动拉起chrome浏览器，然后通过qq等软件，加上selenium的鼠标控制功能，自动实现登录功能。例如，一般网站通过账号登录需要进行手动的滑动验证，因此在登录时，通过获取登录界面qq图标的位置，使用selenium的鼠标控制功能，将鼠标移动至qq图标界面，自动点击登录。
然后进入具体场次的选座界面，获取整个flash的dom节点，保存flash元素的基准坐标以及dom节点的长和宽，并使用selenium对flash元素进行截图，得到包含所有座位的座位图，如图3所示。
接着对座位图进行灰度化处理，具体根据各颜色的加权平均值对所述座位图进行灰度化处理，得到初始座位图，例如灰度值采用三色的加权平均值对图片进行灰度化：gray＝0.299*R+0.587*G+0.144*B，其中RGB为图像的三原色三个维度的颜色数值。
针对所有flash加载数据的网站，均可使用此类方法爬取其中的信息，爬取的信息除了座位信息，还可以包括文字等信息。
本实施例可以结合爬虫技术和图像处理技术，利用爬虫技术获取各大售票网站的座位图，并通过图像处理技术，准确获取各场馆或影厅的座位数，方便后续统计上座率。和现有技术相比，本提案的技术既能保证上座率的准确度，又能快速获取数据，及时性高。
进一步地，在上述方法实施例的基础上，S103之后，还包括：
获取当前演出的售票数，根据所述售票数和所述座位数，计算得到当前影片或演出的上座率；
和/或，
将所述目标卷积核半径保存至数据库中。
具体地，S103之后，还包括：
获取当前演出的售票数，根据所述售票数和所述座位数，计算得到当前影片或演出的上座率。
或者，S103之后，还包括：
将所述目标卷积核半径保存至数据库中。
或者，S103之后，还包括：
获取当前演出的售票数，根据所述售票数和所述座位数，计算得到当前影片或演出的上座率；
将所述目标卷积核半径保存至数据库中。
其中，所述售票数为当前场次售出的总票数。
所述上座率为当前场次中售票数占座位数的比例。
所述数据库用于存储各场次的卷积核半径。
具体来说，如图5所示，当爬取到初始化座位图后，首先判断数据库中是否已经存在该座位图对应的卷积核半径，若已经存在，则直接获取该卷积核半径作为目标卷积核半径；若不存在，则需要通过多次迭代过程确定目标卷积核半径。
在多次迭代过程确定目标卷积核半径的过程中，首先对初始化座位图进行灰度化处理，并初始化卷积核半径；然后根据当前的卷积核半径进行模糊处理(将初始化座位图输入当前卷积核半径对应的卷积神经网络)，输出处理后图像；接着确定处理后图像中闭合区域的数量，若闭合区域的数量不满足预设条件，则更新卷积核半径，并继续迭代，若闭合区域的数量满足预设条件，则确定目标卷积核半径，并将该目标卷积核半径存入数据库，方便下次计算上座率直接使用，加快处理的速度。
确定目标卷积核半径后，根据该目标卷积核半径进行模糊处理(将初始化座位图输入目标卷积核半径对应的卷积神经网络)，输出目标处理后图像；确定目标处理后图像中闭合区域的数量后，根据闭合区域的数量确定座位数，进一步结合售票数计算得到上座率。
本实施例提供的座位数的确定方法能够适配所有场馆和场次，无论座位图的大小如何，无需人工配置，能够自动确定最佳的卷积核半径，并针对特定网站进行多次模拟测试，座位数的识别精度满足要求，可以推广。
图6示出了本实施例提供的一种座位数的确定装置的结构示意图，所述装置包括：半径确定模块601、图像处理模块602和座位数确定模块603，其中：
所述神经网络确定模块601用于将初始座位图输入不同卷积核半径对应的卷积神经网络，并根据不同卷积核半径对应的卷积神经网络的输出结果确定目标卷积神经网络，所述目标卷积神经网络用于对输入的图像进行模糊处理；
所述图像处理模块602用于将初始座位图输入所述目标卷积神经网络，得到所述目标卷积神经网络输出的目标处理后座位图；
所述座位数确定模块603用于识别所述目标处理后座位图中的闭合区域，根据闭合区域的数量确定所述初始座位图中的座位数。
具体地，所述半径确定模块601将初始座位图输入不同卷积核半径对应的卷积神经网络，并根据不同卷积核半径对应的卷积神经网络的输出结果确定目标卷积神经网络，所述目标卷积神经网络用于对输入的图像进行模糊处理；所述图像处理模块602将初始座位图输入所述目标卷积神经网络，得到所述目标卷积神经网络输出的目标处理后座位图；所述座位数确定模块603识别所述目标处理后座位图中的闭合区域，根据闭合区域的数量确定所述初始座位图中的座位数。
本实施例通过确定目标卷积核半径的卷积神经网络对初始座位图进行处理，将初始座位图中每个座位的多余闭合区域进行模糊处理，使得目标处理后座位图中每个座位仅有一个闭合区域，方便后续准确识别目标处理后座位图中闭合区域的数量，从而得到初始座位图中的座位数，进而得到准确的上座率，为获取真实的票房信息提供准确的判断依据。
进一步地，在上述装置实施例的基础上，所述半径确定模块601具体用于：
将所述初始座位图输入不同卷积核半径对应的卷积神经网络，得到不同卷积核半径的不同卷积神经网络对应输出的处理后座位图；
根据各处理后座位图确定各卷积神经网络的最小卷积核半径和最大卷积核半径，根据所述最小卷积核半径和所述最大卷积核半径，确定所标卷积核半径，并根据所述目标卷积核半径确定所述目标卷积神经网络。
进一步地，在上述装置实施例的基础上，所述半径确定模块601具体用于：
确定所述初始座位图中的初始区域数量；
将所述初始座位图输入第一卷积核半径对应的卷积神经网络，得到所述第一卷积核半径对应的卷积神经网络输出的第一处理后座位图，并确定所述第一处理后座位图中的第一区域数量；
若所述第一区域数量与所述初始区域数量相等，则根据预设规则将所述第一卷积核半径更新为第二卷积核半径，继续将所述初始座位图输入所述第二卷积核半径对应的卷积神经网络，得到所述第二卷积核半径对应的卷积神经网络输出的第二处理后座位图，并确定所述第二处理后座位图中的第二区域数量；
若所述第二区域数量与所述第一区域数量满足第一预设条件，则将所述第二区域数量对应的第二卷积核半径确定为所述最小卷积核半径；
若所述第二区域数量与所述第一区域数量满足第二预设条件，则将所述第二区域数量对应的第二卷积核半径确定为所述最大卷积核半径；
计算所述最小卷积核半径和所述最大卷积核半径的平均值，并将所述平均值确定为所述目标卷积核半径。
进一步地，在上述装置实施例的基础上，所述预设规则为卷积核半径递增预设数量；
所述第一预设条件为所述第二卷积核半径为所述第一卷积核半径的N倍，N为大于等于2的整数；
第二预设条件为所述第二卷积核半径与所述第一卷积核半径的差值大于预设半径。
进一步地，在上述装置实施例的基础上，所述座位数的确定装置，还包括：
半径保存模块，用于将所述目标卷积核半径保存至数据库中。
进一步地，在上述装置实施例的基础上，所述图像处理模块602具体用于：
将所述目标卷积核半径对应的目标卷积核分别从左到右、从上到下对所述初始座位图进行卷积操作，得到卷积值，并根据当前的卷积值更新当前卷积的中心像素；
所有卷积的中心像素更新后得到所述目标处理后座位图；
其中，当前的卷积值f(x,y)为：
x为目标卷积核，y为所述初始座位图中的当前卷积，σ为预设的标准差。
进一步地，在上述装置实施例的基础上，所述座位数的确定装置还包括：
座位图生成模块，用于获取所述售票网站的选座界面中的座位图区域，生成座位图；
灰度化处理模块，用于对所述座位图进行灰度化处理，得到所述初始座位图。
本实施例所述的座位数的确定装置可以用于执行上述方法实施例，其原理和技术效果类似，此处不再赘述。
图7示出了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)701、通信接口(Communications Interface)702、存储器(memory)703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信。处理器701可以调用存储器703中的逻辑指令，以执行如下方法：
确定目标卷积神经网络的目标卷积核半径，所述目标卷积神经网络用于对输入的图像进行模糊处理；
将初始座位图输入所述目标卷积神经网络，得到所述目标卷积神经网络输出的目标处理后座位图；
识别所述目标处理后座位图中的闭合区域，根据闭合区域的数量确定所述初始座位图中的座位数。
需要说明的是，本实施例中的电子设备在具体实现时可以为服务器，也可以为PC机，还可以为其他设备，只要其结构中包括如图7所示的处理器701、通信接口702、存储器703和通信总线704，其中处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信，且处理器701可以调用存储器703中的逻辑指令以执行上述方法即可。本实施例不对电子设备的具体实现形式进行限定。
此外，上述的存储器703中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地，本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：
确定目标卷积神经网络的目标卷积核半径，所述目标卷积神经网络用于对输入的图像进行模糊处理；
将初始座位图输入所述目标卷积神经网络，得到所述目标卷积神经网络输出的目标处理后座位图；
识别所述目标处理后座位图中的闭合区域，根据闭合区域的数量确定所述初始座位图中的座位数。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：
确定目标卷积神经网络的目标卷积核半径，所述目标卷积神经网络用于对输入的图像进行模糊处理；
将初始座位图输入所述目标卷积神经网络，得到所述目标卷积神经网络输出的目标处理后座位图；
识别所述目标处理后座位图中的闭合区域，根据闭合区域的数量确定所述初始座位图中的座位数。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种座位数的确定方法，其特征在于，包括：
将初始座位图输入不同卷积核半径对应的卷积神经网络，并根据不同卷积核半径对应的卷积神经网络的输出结果确定目标卷积神经网络，所述目标卷积神经网络用于对输入的图像进行模糊处理；
将初始座位图输入所述目标卷积神经网络，得到所述目标卷积神经网络输出的目标处理后座位图；
识别所述目标处理后座位图中的闭合区域，根据闭合区域的数量确定所述初始座位图中的座位数。
2.根据权利要求1所述的座位数的确定方法，其特征在于，所述将初始座位图输入不同卷积核半径对应的卷积神经网络，并根据不同卷积核半径对应的卷积神经网络的输出结果确定目标卷积神经网络，具体包括：
将所述初始座位图输入不同卷积核半径对应的卷积神经网络，得到不同卷积核半径的不同卷积神经网络对应输出的处理后座位图；
根据各处理后座位图确定各卷积神经网络的最小卷积核半径和最大卷积核半径，根据所述最小卷积核半径和所述最大卷积核半径，确定目标卷积核半径，并根据所述目标卷积核半径确定所述目标卷积神经网络。
3.根据权利要求2所述的座位数的确定方法，其特征在于，所述根据各处理后座位图确定各卷积神经网络的最小卷积核半径和最大卷积核半径，根据所述最小卷积核半径和所述最大卷积核半径，确定所述目标卷积核半径，具体包括：
确定所述初始座位图中的初始区域数量；
将所述初始座位图输入第一卷积核半径对应的卷积神经网络，得到所述第一卷积核半径对应的卷积神经网络输出的第一处理后座位图，并确定所述第一处理后座位图中的第一区域数量；
若所述第一区域数量与所述初始区域数量相等，则根据预设规则将所述第一卷积核半径更新为第二卷积核半径，继续将所述初始座位图输入所述第二卷积核半径对应的卷积神经网络，得到所述第二卷积核半径对应的卷积神经网络输出的第二处理后座位图，并确定所述第二处理后座位图中的第二区域数量；
若所述第二区域数量与所述第一区域数量满足第一预设条件，则将所述第二区域数量对应的第二卷积核半径确定为所述最小卷积核半径；
若所述第二区域数量与所述第一区域数量满足第二预设条件，则将所述第二区域数量对应的第二卷积核半径确定为所述最大卷积核半径；
计算所述最小卷积核半径和所述最大卷积核半径的平均值，并将所述平均值确定为所述目标卷积核半径。
4.根据权利要求3所述的座位数的确定方法，其特征在于，所述预设规则为卷积核半径递增预设数量；
所述第一预设条件为所述第二卷积核半径为所述第一卷积核半径的N倍，N为大于等于2的整数；
第二预设条件为所述第二卷积核半径与所述第一卷积核半径的差值大于预设半径。
5.根据权利要求2-4任一项所述的座位数的确定方法，其特征在于，所述识别所述目标处理后座位图中的闭合区域，根据闭合区域的数量确定所述初始座位图中的座位数之后，还包括：
将所述目标卷积核半径保存至数据库中。
6.根据权利要求1所述的座位数的确定方法，其特征在于，所述将初始座位图输入所述目标卷积神经网络，得到所述目标卷积神经网络输出的目标处理后座位图，具体包括：
将所述目标卷积核半径对应的目标卷积核分别从左到右、从上到下对所述初始座位图进行卷积操作，得到卷积值，并根据当前的卷积值更新当前卷积的中心像素；
所有卷积的中心像素更新后得到所述目标处理后座位图；
其中，当前的卷积值f(x,y)为：
x为目标卷积核，y为所述初始座位图中的当前卷积，σ为预设的标准差。
7.根据权利要求1-4、6任一项所述的座位数的确定方法，其特征在于，所述将初始座位图输入不同卷积核半径对应的卷积神经网络之前，还包括：
获取所述售票网站的选座界面中的座位图区域，生成座位图；
对所述座位图进行灰度化处理，得到所述初始座位图。
8.一种座位数的确定装置，其特征在于，包括：
神经网络确定模块，用于将初始座位图输入不同卷积核半径对应的卷积神经网络，并根据不同卷积核半径对应的卷积神经网络的输出结果确定目标卷积神经网络，所述目标卷积神经网络用于对输入的图像进行模糊处理；
图像处理模块，用于将初始座位图输入所述目标卷积神经网络，得到所述目标卷积神经网络输出的目标处理后座位图；
座位数确定模块，用于识别所述目标处理后座位图中的闭合区域，根据闭合区域的数量确定所述初始座位图中的座位数。
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至7任一项所述座位数的确定方法的步骤。
10.一种非暂态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任一项所述座位数的确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010018955.5A CN111241993B (zh) | 2020-01-08 | 2020-01-08 | 座位数的确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010018955.5A CN111241993B (zh) | 2020-01-08 | 2020-01-08 | 座位数的确定方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111241993A true CN111241993A (zh) | 2020-06-05 |
| CN111241993B CN111241993B (zh) | 2023-10-20 |
Family
ID=70866397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010018955.5A Active CN111241993B (zh) | 2020-01-08 | 2020-01-08 | 座位数的确定方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111241993B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113792674A (zh) * | 2021-09-17 | 2021-12-14 | 支付宝(杭州)信息技术有限公司 | 空座率的确定方法、装置和电子设备 |
| US11928395B1 (en) * | 2023-04-14 | 2024-03-12 | Hubstar International Limited | Floorplan drawing conversion and analysis for space management |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050220358A1 (en) * | 2003-07-03 | 2005-10-06 | Laurent Blonde | Method of generating blur |
| CN107122698A (zh) * | 2016-07-19 | 2017-09-01 | 安徽大学 | 一种基于卷积神经网络的电影院实时上座率统计方法 |
| CN107480678A (zh) * | 2017-09-29 | 2017-12-15 | 北京深度奇点科技有限公司 | 一种棋盘识别方法和识别系统 |
| CN109472209A (zh) * | 2018-10-12 | 2019-03-15 | 咪咕文化科技有限公司 | 一种图像识别方法、装置和存储介质 |
| CN109741301A (zh) * | 2018-12-19 | 2019-05-10 | 北京理工大学 | 一种更快的基于深度学习的密集目标计数方法 |
| WO2019119301A1 (zh) * | 2017-12-20 | 2019-06-27 | 华为技术有限公司 | 在卷积神经网络模型中确定特征图像的方法和装置 |
-
2020
- 2020-01-08 CN CN202010018955.5A patent/CN111241993B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050220358A1 (en) * | 2003-07-03 | 2005-10-06 | Laurent Blonde | Method of generating blur |
| CN107122698A (zh) * | 2016-07-19 | 2017-09-01 | 安徽大学 | 一种基于卷积神经网络的电影院实时上座率统计方法 |
| CN107480678A (zh) * | 2017-09-29 | 2017-12-15 | 北京深度奇点科技有限公司 | 一种棋盘识别方法和识别系统 |
| WO2019119301A1 (zh) * | 2017-12-20 | 2019-06-27 | 华为技术有限公司 | 在卷积神经网络模型中确定特征图像的方法和装置 |
| CN109472209A (zh) * | 2018-10-12 | 2019-03-15 | 咪咕文化科技有限公司 | 一种图像识别方法、装置和存储介质 |
| CN109741301A (zh) * | 2018-12-19 | 2019-05-10 | 北京理工大学 | 一种更快的基于深度学习的密集目标计数方法 |
Non-Patent Citations (1)
| Title |
|---|
| 彭智: "智能交通系统中基于机器视觉的交通流量统计研究" * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113792674A (zh) * | 2021-09-17 | 2021-12-14 | 支付宝(杭州)信息技术有限公司 | 空座率的确定方法、装置和电子设备 |
| CN113792674B (zh) * | 2021-09-17 | 2024-03-26 | 支付宝(杭州)信息技术有限公司 | 空座率的确定方法、装置和电子设备 |
| US11928395B1 (en) * | 2023-04-14 | 2024-03-12 | Hubstar International Limited | Floorplan drawing conversion and analysis for space management |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111241993B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230237141A1 (en) | Security verification method and relevant device | |
| US11348246B2 (en) | Segmenting objects in vector graphics images | |
| EP3526765B1 (en) | Iterative multiscale image generation using neural networks | |
| CN107507153B (zh) | 图像去噪方法和装置 | |
| CN111279362A (zh) | 胶囊神经网络 | |
| DE102017006558A1 (de) | Semantische lnstanzebenensegmentierung | |
| CN109934826A (zh) | 一种基于图卷积网络的图像特征分割方法 | |
| CN104023230A (zh) | 一种基于梯度关联性的无参考图像质量评价方法 | |
| CN108335293B (zh) | 图像质量的确定方法及装置 | |
| US11308598B2 (en) | Quality assessment of an image | |
| CN114511576B (zh) | 尺度自适应特征增强深度神经网络的图像分割方法与系统 | |
| CN111241993A (zh) | 座位数的确定方法、装置、电子设备及存储介质 | |
| CN110969170A (zh) | 一种图像主题色提取方法、装置及电子设备 | |
| CN110598717A (zh) | 图像特征的提取方法、装置及电子设备 | |
| CN113379627A (zh) | 图像增强模型的训练方法和对图像进行增强的方法 | |
| CN113505854A (zh) | 一种人脸图像质量评价模型构建方法、装置、设备及介质 | |
| CN112836820A (zh) | 用于图像分类任务的深度卷积网络训方法、装置及系统 | |
| CN111046915B (zh) | 一种风格字符生成的方法 | |
| Lecca et al. | Point‐based spatial colour sampling in Milano‐Retinex: a survey | |
| CN113971644A (zh) | 基于数据增强策略选择的图像识别方法及装置 | |
| WO2024041108A1 (zh) | 图像矫正模型训练及图像矫正方法、装置和计算机设备 | |
| US20220004849A1 (en) | Image processing neural networks with dynamic filter activation | |
| CN111724306A (zh) | 一种基于卷积神经网络的图像缩小方法及系统 | |
| CN111079930A (zh) | 数据集质量参数的确定方法、装置及电子设备 | |
| US11900564B2 (en) | Storage medium storing program, image processing apparatus, and training method of machine learning model |
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 |