CN111428653B - 行人拥挤状态判断方法、装置、服务器及存储介质 - Google Patents
行人拥挤状态判断方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN111428653B CN111428653B CN202010226840.5A CN202010226840A CN111428653B CN 111428653 B CN111428653 B CN 111428653B CN 202010226840 A CN202010226840 A CN 202010226840A CN 111428653 B CN111428653 B CN 111428653B
- Authority
- CN
- China
- Prior art keywords
- grid
- pedestrian
- image
- unit
- mesh
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，公开了一种基于图像识别和网格法的行人拥挤状态判断方法、装置、服务器及存储介质。所述方法包括如下步骤：获取待检测区域的图像，用深度视觉方法检测出当前图像中的行人，并以一个中心点来表示行人的位置；对所述图像进行至少一次网格剖分，根据每个剖分形成的网格单元中所述中心点数量确定的行人密度信息；整合多个不同网格剖分尺度下的行人密度信息，确定当前图像中不同区域的拥挤状态。本发明的行人拥挤状态判断方法能够快速、准确地识别出图像中不同区域的行人拥挤状态。
Description
技术领域
本发明涉及智能监控和识别领域，尤其涉及公共场所人群密集程度检测。
背景技术
城市中的公共区域如大型广场、地铁站台等人流密集区域常会出现人群的拥挤现象，特别是在节假日期间这种现象更为明显。人群的拥挤可能会引发安全事故。传统的密集人群管理主要采用人力监控或通过摄像头进行远程人力监控的方式，这对于内部分布有地铁出口、公交站点等人员密集区域，同时存在过街天桥、地下通道等多种立体交叉步行设施的热点区域而言，具有很高的实施难度。因此，利用技术手段对行人的聚集状态、拥挤状态进行实时的自动化判断，显得尤为必要。
现有的人群监控技术，包括对监控画面进行图像识别，获取图像中行人数量以及通过识别行人携带的如手机等辅助设备实现行人数量识别两种方式。申请号为CN201410850259.5的中国专利申请公开了一种测量人群拥挤度的方法、装置与系统，其技术方案是在现场接入点覆盖区域内，利用用户所携带的终端收集相应的信号强度值，并统计出数学统计参数，测算当前采样位置到接入点的距离，然后服务器根据这些信息在人群拥挤度对应关系表中选择出目标函数，将目标函数对应的人群拥挤度等级用来指示接入点的信号覆盖区域内的人群拥挤度。缺点:(1)需要额外的硬件包括用户携带手机等发射终端和接收终端；(2)在特定的场景下不适用，普适性不强。如国家级考试中不允许携带包括手机等电子产品那么就无法检测,并且在一些携带终端少的地方，如儿童和老人多的地方，就无法准确判断人群的拥挤度；(3)只能检测整个覆盖区域的人群拥挤程度，无法检测覆盖区域的某个子区域的拥挤程度。另一种方式如申请号为:CN201711452117.3的中国专利申请公开了一种人群拥挤度检测方法、装置、系统及电子设备，其技术方案是：首先，利用采集到的一定数量的多种应用场景下的样本数据训练了一个拥挤度检测分类器，其次对待检测的图像提取人群拥挤特征，然后将提取的特征输入到训练好的分类器中得到相应图片的人群拥挤度的分类结果。缺点:(1)需要事先提取图像的背景区域特征；(2)只能检测整个图片对应区域的人群拥挤程度，无法检测图片中子区域的拥挤程度。
发明内容
鉴于上述问题，本发明提出了一种基于图像识别和网格法的行人拥挤状态判断方法、装置、服务器及存储介质，能够快速、准确地识别出图像中不同区域的行人拥挤状态。
本发明实施例的技术方案是这样实现的：
第一方面，本发明实施例提供了一种基于图像识别和网格法的行人拥挤状态判断方法，包括以下步骤：
获取待检测区域的图像，用深度视觉方法检测出当前图像中的行人，并以一个中心点来表示行人的位置；
对所述图像进行至少一次网格剖分，根据每个剖分形成的网格单元中所述中心点数量确定的行人密度信息；
整合多个不同网格剖分尺度下的行人密度信息，确定当前图像中不同区域的拥挤状态。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述深度视觉方法采用的是基于anchor-free的方法，该模型的输出结果是一个中心点，用来表示检测结果中一个行人的位置。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述整合多个不同剖分尺度下的行人密度信息，包括：将图像的宽、高平均剖分为多个网格单元，根据每个网格单元中的中心点个数确定每个网格单元的行人密度信息，排除行人密度信息小于拥挤状态阈值的网格单元，对剩余的网格单元根据网格剖分加密算法加密网格的剖分密度，重新剖分成新的网格单元，对新的网格单元重复上述操作，直到网格加密层数到达最大时输出拥挤状态信息或所有网格单元都被排除。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，
所述网格剖分加密算法包括，由大量的深度学习行人检测模型的检测结果分析可得出，能检测到的行人结果框的宽高比约为1/2，若数据统计出最小宽为a；结合摄像头距离地面的距离与摄像头的安装角度，能检测出的行人最大宽若为A，原图片的宽、高分别为W、H，确定初始剖分份数：每轮网格剖分加密时，网格加密的比例参考深度学习中图像金字塔的缩放比例0.7，即，将新的网格单元的宽、高设置为上一轮网格单元的宽、高的0.7倍，直至新的网格的宽小于a、高小于2a，此时，网格加密层数到达最大，终止加密。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，在所述重新剖分成新的网格单元后，还包括根据新的网格单元的尺寸大小更新拥挤状态阈值。
第二方面，本发明实施例提供一种基于图像识别和网格法的行人拥挤状态判断装置，包括：
图像获取单元，用于利用摄像机获取待检测区域的图像；
行人识别单元，用于检测出当前图像中的行人，并输出一个中心点来表示行人的位置；
网格剖分单元，用于对所述图像进行多次网格剖分；
密度计算单元，用于根据每个剖分形成的网格单元中所述中心点数量确定的行人密度信息；
拥挤度判断单元，用于通过网格剖分单元和密度计算单元整合多个不同剖分尺度下的行人密度信息，确定当前图像中不同区域的人群密度。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述拥挤度判断单元，具体用于通过网格剖分单元将所述图像的宽、高平均剖分为多个网格单元，通过密度计算单元根据每个网格单元中的中心点个数确定每个网格单元的行人密度信息，排除行人密度信息小于拥挤状态阈值的网格单元，对剩余的网格单元根据网格剖分加密算法加密网格的剖分密度，重新剖分成新的网格单元，对新的网格单元重复上述操作，直到网格加密层数到达最大时输出拥挤状态信息或所有网格单元都被排除。
结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，其中，还包括阈值更新单元，用于在所述重新剖分成新的网格单元之后根据网格单元的尺寸大小更新拥挤状态阈值。
第三方面，本发明实施例还提供一种服务器，其特征在于，包括：一个或多个处理器；与所述一个或多个处理器通信连接的存储器；一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序被配置为执行第一方面所述的方法。
第四方面，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现第一方面所述的方法。
本发明实施例具有以下有益效果：
1)采用网格加密算法可以准确、具体判断行人拥挤的位置，对拥挤状态判断是细粒度的；
2)行人拥挤阈值可以根据场景需要，进行大量数据分析之后得出，业务适用范围广；
3)用最新的anchor-free的算法进行行人检测，保证准确率同时可直接得到行人中心点；
4)单张图片即可进行行人拥挤分析和判断，不用处理多帧图像或视频，大量减少计算量；
5)检测系统是被动的，无需行人主动配合，属于用户友好型；本系统无需额外的硬件(如手机、特殊相机等)支持，普通安防相机视角就能满足系统应用。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域技术人员来讲，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为本发明实施提供的一种基于图像识别和网格法的行人拥挤状态判断方法的流程示意图；
图2为本发明实施提供的一种基于图像识别和网格法的行人拥挤状态判断装置的逻辑单元结构示意图；
图3为本发明实施提供的一种服务器的硬件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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，所描述的实施例仅仅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。
本发明实施提供的一种基于图像识别和网格法的行人拥挤状态判断方法，如图1所示，所述方法包括以下步骤：
S101:获取通过相机、摄像机等监控设备获取待检测区域的图像，采用的是基于anchor-free的深度视觉方法检测出当前图像中的行人，并以一个中心点来表示行人的位置；
S102:对所述图像进行至少一次网格剖分，根据每个剖分形成的网格单元中所述中心点数量确定的行人密度信息；
S103:整合多个不同网格剖分尺度下的行人密度信息，确定当前图像中不同区域的拥挤状态。
在一些实施例中，所述整合多个不同剖分尺度下的行人密度信息，包括以下步骤：所述整合多个不同剖分尺度下的行人密度信息，包括：将所述图像的宽、高平均剖分为多个网格单元，根据每个网格单元中的中心点个数确定每个网格单元的行人密度信息，排除行人密度信息小于拥挤状态阈值的网格单元，对剩余的网格单元根据网格剖分加密算法加密网格的剖分密度，重新剖分成新的网格单元，根据新的网格单元的尺寸大小更新拥挤状态阈值，对新的网格单元重复上述行人密度信息的计算以及与拥挤状态阈值的比对操作，直到网格加密层数到达最大时输出拥挤状态信息或所有网格单元都被排除。具体操作为：
S201:将图像分别在宽度W，高度H上分别剖分为Nw，NH个网格单元；
S202:计算每个网格单元的行人拥挤程度αi，i是单元格编号；
若αi≥拥挤状态阈值C0，则将αi所代表的矩阵加入集合A；
S203:若A为空集，输出“无拥挤状态”，退出系统；
否则进入s204；
S204:根据网格剖分加密算法更新Nw，NH
若或者/>则输出“存在拥挤状态”并输出单元格位置编号；
否则进入s205；
S205:更新拥挤判断阈值C0；
回到s201，循环计算。
在一些实施例中，所述网格剖分加密算法包括，可由大量的深度学习行人检测模型的检测结果分析得出，能检测到的行人结果框的宽高比约为1/2，若数据统计出最小宽为a；结合摄像头距离地面的距离与摄像头的安装角度，能检测出的行人最大宽若为A，原图片的宽、高分别为W、H，确定初始剖分份数：每轮网格剖分加密时，网格加密的比例参考深度学习中图像金字塔的缩放比例0.7，即，将新的网格单元的宽、高设置为上一轮网格单元的宽、高的0.7倍，直至新的网格的宽小于a、高小于2a，此时，网格加密层数到达最大，终止加密。
如图2所示，本发明实施例提供一种基于图像识别和网格法的行人拥挤状态判断装置，包括：
图像获取单元，用于利用摄像机获取待检测区域的图像；
行人识别单元，用于检测出当前图像中的行人，并输出一个中心点来表示行人的位置；
网格剖分单元，用于对所述图像进行多次网格剖分；
密度计算单元，用于根据每个剖分形成的网格单元中所述中心点数量确定的行人密度信息；
拥挤度判断单元，用于通过网格剖分单元和密度计算单元整合多个不同剖分尺度下的行人密度信息，确定当前图像中不同区域的人群密度。
在一些实施例中，所述网格剖分单元将当前图像的宽、高平均剖分，形成网格单元，密度计算单元计算每个网格中的中心点个数，若网格单元没有中心点，则不进入下轮计算，否则网格剖分单元增加剖分密度再次剖分网格单元所在图像，密度计算单元重复上述计算直到拥挤度判断单元给出报警信息或者网格加密层数到达最大。
在一些实施例中，本发明实施例所述的基于图像识别和网格法的行人拥挤状态判断装置装置还包括阈值更新单元，用于在所述重新剖分成新的网格单元之后根据网格单元的尺寸大小更新拥挤状态阈值。
在一具体示例中，本发明实施例所述的基于图像识别和网格法的行人拥挤状态判断装置装置可具体为如图3所示的结构，所述装置包括处理器31、存储介质32以及至少一个外部通信接口33；所述处理器31、存储介质32以及外部通信接口33均通过总线34连接。所述处理器31可为微处理器、中央处理器、数字信号处理器或可编程逻辑阵列等具有处理功能的电子元器件。所述存储介质中存储有计算机可执行代码，所述计算机可执行代码能够执行以上任一实施例所述的图像处理方法。在实际应用中，所述行人识别单元22、网格剖分单元23、密度计算单元24、拥挤度判断单元25以及阈值更新单元26均可以通过所述处理器31实现。
这里需要指出的是：以上装置实施例项的描述，与上述方法描述是类似的，具有同方法实施例相同的有益效果，因此不做赘述。对于本发明装置实施例中未披露的技术细节，本领域的技术人员请参照本发明方法实施例的描述而理解，为节约篇幅，这里不再赘述。
本发明实施例提供了一种服务器，包括：
一个或多个处理器；
与所述一个或多个处理器通信连接的存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序被配置为执行图1所示实施例的基于图像识别和网格法的行人拥挤状态判断方法。
本发明实施例提供了一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现以下步骤：获取待检测区域的图像，用深度视觉方法检测出当前图像中的行人，并以一个中心点来表示行人的位置；对所述图像进行至少一次网格剖分，根据每个剖分形成的网格单元中所述中心点数量确定的行人密度信息；整合多个不同网格剖分尺度下的行人密度信息，确定当前图像中不同区域的拥挤状态。
这里需要指出的是：以上存储介质实施例项的描述，与上述方法描述是类似的，具有同方法实施例相同的有益效果，因此不做赘述。对于本发明存储介质实施例中未披露的技术细节，本领域的技术人员请参照本发明方法实施例的描述而理解，为节约篇幅，这里不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上对本发明所提供的一种基于图像识别和网格法的行人拥挤度状态判断方法和装置进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种行人拥挤状态判断方法，包括：
获取待检测区域的图像，用深度视觉方法检测出当前图像中的行人，并以一个中心点来表示行人的位置；
对所述图像进行至少一次网格剖分，根据每个剖分形成的网格单元中所述中心点数量确定的行人密度信息；
整合多个不同网格剖分尺度下的行人密度信息，确定当前图像中不同区域的拥挤状态；
所述整合多个不同网格剖分尺度下的行人密度信息，包括：将所述图像的宽、高平均剖分为多个网格单元，根据每个网格单元中的中心点个数确定每个网格单元的行人密度信息，排除行人密度信息小于拥挤状态阈值的网格单元，对剩余的网格单元根据网格剖分加密算法加密网格的剖分密度，重新剖分成新的网格单元，对新的网格单元重复上述操作，直到网格加密层数到达最大时输出拥挤状态信息或所有网格单元都被排除。
2.根据权利要求1所述的方法，其中，所述深度视觉方法采用的是基于anchor-free的方法，该方法的输出结果是一个中心点，用来表示检测结果中一个行人的位置。
3.根据权利要求1所述的方法，其中，在所述重新剖分成新的网格单元后，还包括根据新的网格单元的尺寸大小更新拥挤状态阈值。
4.一种行人拥挤状态判断装置，包括：
图像获取单元，用于利用摄像机获取待检测区域的图像；
行人识别单元，用于检测出当前图像中的行人，并输出一个中心点来表示行人的位置；
网格剖分单元，用于对所述图像进行多次网格剖分；
密度计算单元，用于根据每个剖分形成的网格单元中所述中心点数量确定的行人密度信息；
拥挤度判断单元，用于通过网格剖分单元和密度计算单元整合多个不同剖分尺度下的行人密度信息，确定当前图像中不同区域的人群密度；
所述拥挤度判断单元具体用于通过网格剖分单元将所述图像的宽、高平均剖分为多个网格单元，通过密度计算单元根据每个网格单元中的中心点个数确定每个网格单元的行人密度信息，排除行人密度信息小于拥挤状态阈值的网格单元，对剩余的网格单元根据网格剖分加密算法加密网格的剖分密度，重新剖分成新的网格单元，对新的网格单元重复上述操作，直到网格加密层数到达最大时输出拥挤状态信息或所有网格单元都被排除。
5.根据权利要求4所述的装置，还包括阈值更新单元，用于在所述重新剖分成新的网格单元之后根据网格单元的尺寸大小更新拥挤状态阈值。
6.一种服务器，其特征在于，包括：
一个或多个处理器；
与所述一个或多个处理器通信连接的存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序被配置为执行权利要求1至3任一项所述的方法。
7.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至3中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010226840.5A CN111428653B (zh) | 2020-03-27 | 2020-03-27 | 行人拥挤状态判断方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010226840.5A CN111428653B (zh) | 2020-03-27 | 2020-03-27 | 行人拥挤状态判断方法、装置、服务器及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111428653A CN111428653A (zh) | 2020-07-17 |
| CN111428653B true CN111428653B (zh) | 2024-02-02 |
Family
ID=71548968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010226840.5A Active CN111428653B (zh) | 2020-03-27 | 2020-03-27 | 行人拥挤状态判断方法、装置、服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111428653B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102618A (zh) * | 2020-09-14 | 2020-12-18 | 广东新时空科技股份有限公司 | 一种基于边缘计算的行人数量和车辆数量识别方法 |
| CN112084980B (zh) * | 2020-09-14 | 2024-05-28 | 北京数衍科技有限公司 | 行人的脚步状态识别方法和装置 |
| CN112949486B (zh) * | 2021-03-01 | 2022-05-17 | 八维通科技有限公司 | 基于神经网络的智能交通数据处理方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096521A (zh) * | 2016-06-02 | 2016-11-09 | 苏州大学 | 一种基于网格划分的拥挤踩踏预警方法及装置 |
| WO2017122258A1 (ja) * | 2016-01-12 | 2017-07-20 | 株式会社日立国際電気 | 混雑状況監視システム |
| CN108549835A (zh) * | 2018-03-08 | 2018-09-18 | 深圳市深网视界科技有限公司 | 人群计数及其模型构建的方法、终端设备及存储介质 |
| CN110020618A (zh) * | 2019-03-27 | 2019-07-16 | 江南大学 | 一种可用于多拍摄角度的人群异常行为监测方法 |
| CN110188597A (zh) * | 2019-01-04 | 2019-08-30 | 北京大学 | 一种基于注意力机制循环缩放的密集人群计数与精确定位方法和系统 |
| CN110598672A (zh) * | 2019-09-23 | 2019-12-20 | 天津天地伟业机器人技术有限公司 | 一种基于单台摄像机的多区域人数统计方法 |
-
2020
- 2020-03-27 CN CN202010226840.5A patent/CN111428653B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017122258A1 (ja) * | 2016-01-12 | 2017-07-20 | 株式会社日立国際電気 | 混雑状況監視システム |
| CN106096521A (zh) * | 2016-06-02 | 2016-11-09 | 苏州大学 | 一种基于网格划分的拥挤踩踏预警方法及装置 |
| CN108549835A (zh) * | 2018-03-08 | 2018-09-18 | 深圳市深网视界科技有限公司 | 人群计数及其模型构建的方法、终端设备及存储介质 |
| CN110188597A (zh) * | 2019-01-04 | 2019-08-30 | 北京大学 | 一种基于注意力机制循环缩放的密集人群计数与精确定位方法和系统 |
| CN110020618A (zh) * | 2019-03-27 | 2019-07-16 | 江南大学 | 一种可用于多拍摄角度的人群异常行为监测方法 |
| CN110598672A (zh) * | 2019-09-23 | 2019-12-20 | 天津天地伟业机器人技术有限公司 | 一种基于单台摄像机的多区域人数统计方法 |
Non-Patent Citations (2)
| Title |
|---|
| Chenfeng Xu."Learn to Scale: Generating Multipolar Normalized Density Maps for Crowd Counting".《arXiv》.2019,第1-9页. * |
| Jialiang Zhang."Attribute-aware Pedestrian Detection in a Crowd".《arXiv》.2019,第1-11页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111428653A (zh) | 2020-07-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111428653B (zh) | 行人拥挤状态判断方法、装置、服务器及存储介质 | |
| Sun et al. | Modeling urban land use change and urban sprawl: Calgary, Alberta, Canada | |
| CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
| CN113537172B (zh) | 人群密度确定方法、装置、设备及存储介质 | |
| Xing et al. | Measuring urban landscapes for urban function classification using spatial metrics | |
| Rogerson | Change detection thresholds for remotely sensed images | |
| CN111080501B (zh) | 基于手机信令数据的真实人群密度时空分布估算方法 | |
| CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
| CN105869175A (zh) | 一种图像分割方法及系统 | |
| CN112632354A (zh) | 一种imsi和人脸深度拟合方法、装置、设备及系统 | |
| CN108169792B (zh) | 一种地震灾情数据采集管理方法和系统 | |
| CN111899279A (zh) | 一种目标对象的运动速度检测方法及装置 | |
| CN116343103A (zh) | 一种基于三维gis场景与视频融合的自然资源监管方法 | |
| CN113724259A (zh) | 井盖异常检测方法、装置及其应用 | |
| CN112927178B (zh) | 遮挡检测方法、装置、电子设备以及存储介质 | |
| CN106384359A (zh) | 运动目标跟踪方法和电视 | |
| CN112883768A (zh) | 对象计数方法及装置、设备、存储介质 | |
| CN111310340B (zh) | 基于人类移动的城市区域交互异常关系识别方法及设备 | |
| FR2849570A1 (fr) | Procede et systeme de creation, gestion et exploitation de cartes de repartition du trafic d'un reseau de radiocommunication | |
| CN112633249A (zh) | 一种基于轻型深度学习框架的嵌入式人流量检测方法 | |
| CN113139477A (zh) | 训练井盖检测模型的方法、装置、设备及计算机存储介质 | |
| CN117458450A (zh) | 电力数据能耗预测分析方法及系统 | |
| CN112989916A (zh) | 一种结合密度估计与目标检测的人群计数方法 | |
| CN114596003B (zh) | 植物景观视觉舒适性的分析方法和装置 | |
| CN110135382A (zh) | 一种人体检测方法和装置 |
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 |