CN111626184A - 一种人群密度估计方法及系统 - Google Patents

一种人群密度估计方法及系统 Download PDF

Info

Publication number
CN111626184A
CN111626184A CN202010449640.6A CN202010449640A CN111626184A CN 111626184 A CN111626184 A CN 111626184A CN 202010449640 A CN202010449640 A CN 202010449640A CN 111626184 A CN111626184 A CN 111626184A
Authority
CN
China
Prior art keywords
crowd density
crowd
module
label
density
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
CN202010449640.6A
Other languages
English (en)
Other versions
CN111626184B (zh
Inventor
张友梅
李彬
张瑜
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.)
Qilu University of Technology
Original Assignee
Qilu University of Technology
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 Qilu University of Technology filed Critical Qilu University of Technology
Priority to CN202010449640.6A priority Critical patent/CN111626184B/zh
Publication of CN111626184A publication Critical patent/CN111626184A/zh
Application granted granted Critical
Publication of CN111626184B publication Critical patent/CN111626184B/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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations

Abstract

本发明公开了一种人群密度图估计方法及系统，所述方法包括以下步骤：获取场景图像，对场景图像进行预处理，生成人群密度标签图；对场景图像和人群密度标签图进行数据增广，得到多个场景图像及相应人群密度标签图；根据所述多个场景图像及相应人群密度标签图，训练人群密度图估计模型；接收场景图像，基于训练好的人群密度图估计模型进行人群密度估计。本发明针对复杂背景下人头尺寸差异问题，利用多尺度模块和特征强化单元特征提取有效特征，实现了由粗到细的策略进行人群密度图估计。

Description

一种人群密度估计方法及系统
技术领域
本发明属于计算机视觉技术领域，尤其涉及一种人群密度估计方法及系统。
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。
人群密度图估计是指针对给定图像或视频，估计该图像或视频中人群分布，并以密度图的形式展示。进一步地，根据密度图的像素值可统计其中的人群人数。作为智能人群行为分析技术的一个子任务，近年来该技术已成为学术界及工业界的研究热点，其应用也较为广泛，如车站等地的人流量监控及景区的人群分布等。实时监控场所中的人群密度及人数可提供给监控后台参照信息，防止因人群密度过大或人数太多所带来的潜在危机，如踩踏事故等。
目前的人群密度估计方法多采用卷积神经网络，避免了传统机器学习中复杂的手动特征提取的任务，但其应对多尺度目标及复杂背景的能力较弱。
发明内容
为克服上述现有技术的不足，本发明提供了一种人群密度图估计方法及系统，针对复杂背景下人头尺寸差异问题，利用多尺度模块和特征强化单元特征提取有效特征，实现了由粗到细的策略进行人群密度图估计。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
一种人群密度图估计方法，包括以下步骤：
获取场景图像，对场景图像进行预处理，生成人群密度标签图；
对场景图像和人群密度标签图进行数据增广，得到多个场景图像及相应人群密度标签图；
根据所述多个场景图像及相应人群密度标签图，训练人群密度图估计模型；
接收场景图像，基于训练好的人群密度图估计模型进行人群密度估计。
进一步地，所述人群密度标签图的生成方法包括：
对场景图像进行人群区域识别和人头识别；
基于最近邻算法对各个人群区域的人头密度进行估计，生成人群密度标签图。
进一步地，所述数据增广包括：首先对场景图像和密度标签图进行随机截取，并进行水平翻转得到图像块；然后针对场景图像和密度标签图的图像块进行缩放，得到多对场景图像和密度标签图。
进一步地，所述人群密度图估计模型包括特征提取模块、多个串联的多尺度模块和特征强化模块；其中，所述特征提取模块包括卷积层和池化层；所述多尺度模块包括多个并行的空洞卷积层；所述特征强化模块包括并行的一路池化层、激活层和全连接层，以及一路卷积层。
进一步地，所述人群密度图估计模型采用双密度图生成机制，包括两个生成密度图的分支；一个分支包括特征提取模块、多个串联的多尺度模块和特征强化模块，另一个分支包括特征提取模块和卷积网络，两路分别生成精度不同的人群密度估计图。
进一步地，所述多尺度模块包括串联的空洞卷积单元及人头定位单元，所述空洞卷积单元包括三个分支，分别执行卷积核大小相同、空洞率不同的空洞卷积操作，且设置填充项，使三个分支得到的特征图大小一致，最后将三个分支得到的特征图相加；所述人头定位单元包括两个分支，一路执行3x3卷积得到单张人头概率图，另一路由1x1的卷积进一步提取特征，最终计算两个分支的哈达玛积，得到人头位置的强化特征。
进一步地，所述特征强化模块包括两个分支，一个分支包括串联的全局池化层、全连接层、激活层、全连接层和Sigmoid操作；另一个分支包括卷积层；最后将两个分支的结果相乘。
一个或多个实施例提供了一种人群密度图估计系统，包括：
图像采集模块，获取场景图像；
标签图生成模块，对场景图像进行预处理，生成人群密度标签图；
数据增广模块，对场景图像和人群密度标签图进行数据增广，得到多个场景图像及相应人群密度标签图；
模块训练模块，根据所述多个场景图像及相应人群密度标签图，训练人群密度图估计模型；
密度估计模块，接收场景图像，基于训练好的人群密度图估计模型进行人群密度估计。
一个或多个实施例提供了一种电子设备，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，所述处理器执行所述程序时实现所述人群密度图估计方法。
一个或多个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述人群密度图估计方法。
以上一个或多个技术方案存在以下有益效果：
本发明的密度标签图根据图像中的人头位置生成，并且通过数据增广方式得到大量训练用的场景图和密度标签图对，训练数据获取效率高，且保证了后续模型的泛化能力；
本发明通过最近邻方法进行密度标签图的计算，首先利用最近邻算法估算图像中人头大小尺寸；然后根据人头大小生成对应高斯核并覆盖到密度图对应位置，得到密度图标签；
本发明采用双密度图生成机制，能够同时得到两个不同精度的密度图，实现了由粗到细的策略进行人群密度图估计；其中粗略的人群密度图估计可在特征提取过程中指导网络进行一次有监督学习，加快特征提取模块的训练，精细的密度图估计则借助特征提取进一步地生成更准确的密度图并作为人群密度估计结果；
本发明引入多尺度模块和特征强化模块，能够强化目标所在位置特征以及对有效特征进行自适应加强，提高了估计精度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例中人群密度估计方法流程图；
图2为本发明实施例中人群密度估计网络训练流程图；
图3为本发明实施例中基于人群场景图像进行密度估计的流程图；
图4为本发明实施例中多尺度模块的结构示意图；
图5为本发明实施例中特征强化模块的结构示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了一种基于多尺度模块及特征强化单元的人群密度图估计方法，如图1所示，包括：
步骤1：获取场景图像，对场景图像进行人群区域识别和人头识别；
步骤2：基于最近邻算法对各个人群区域的人头密度进行估计，生成人群密度标签图；
首先对原始图像进行缩放，然后基于人头位置生成密度图标签，具体地，首先利用最近邻算法估算图像中人头大小尺寸，然后根据人头大小生成对应高斯核并覆盖到密度图对应位置，得到密度图标签。其中每个人头区域的像素值加和为1，非0数值代表人头所在区域，背景区域数值为0，得到有监督训练所需的样本标签。
密度图D的生成方法见公式(1)。
Figure BDA0002507221400000051
其中H为图像中人群位置的个数，xi表示人头中心位置在图像中的坐标。δ()为脉冲函数。G(·)和σi分别表示高斯核和所设置的方差，其设置方法如下：G(·)由Matlab中的fspecal函数实现，对于密集人群，σi根据目标人头和离其最近的三个目标的距离通过K近邻算法计算而来，具体为计算与目标人头最近的三个人头位置与其之间的平均像素距离，并乘以系数0.3；对于稀疏人群，σi直接设定为8。
步骤3：对图像数据和密度图标签进行数据增广；
利用图像翻转和随机裁剪操作对图像数据和密度图标签进行数据增广。具体地，随机截取长、宽为16的倍数且小于原始图像长、宽的图像块，并进行水平镜像，以相同方法对密度图进行上述操作；然后进行数据扩充，分别对缩放后的图像和密度图进行随机裁剪和缩放，得到训练样本及标签；其中图像大小为原图像的1/8，最终针对每张原图生成100个样本。
步骤4：基于步骤2和步骤3所生成的图像数据和密度图标签，训练人群密度图估计模型，得到模型参数；
考虑到卷积神经网络在图像处理领域的广泛应用，本实例以卷积神经网络为基础架构，设计由粗到精的双密度图生成机制以更准确地进行密度估计；设计多尺度模块获取具有多种感受野的特征并强化目标所在位置区域；设计特征强化单元来自适应强化有效的特征图。
图3为人群密度估计网络结构图。所述人群密度图估计模型采用双密度图生成机制，包括两个生成密度图的分支；一个分支包括特征提取模块、多个串联的多尺度模块和特征强化模块，另一个分支包括特征提取模块和卷积网络，两路分别生成精度不同的人群密度估计图。
其中，基础特征提取模块由三层卷积和两层池化堆叠组成，用于提取浅层特征并对特征图进行降维；多尺度模块由多个并行的空洞卷积操作组成的空洞卷积单元和人头定位单元，可提取到具有不同感受野的特征图，并强化目标所在区域，从而有效应对人头尺寸差异；特征强化模块目的为通道特征自适应强化，可自适应加强有效特征所占比重，更有效地应对人头尺寸差异和复杂背景滤除问题；双密度图生成机制为由粗到精的密度图估计策略，可利用特征提取过程中的一次监督训练最终生成更准确的人群密度图。
图4为多尺度模块示意图，对于32个通道特征图，空洞卷积单元分别经过三个分支进行进一步的特征提取，卷积核大小均为3x3，输出特征图通道数均为32。为了进一步扩大多尺度范围，采用了空洞卷积操作，其中第一个分支设置空洞率为1，第二个分支设置空洞率为2，第三个分支设置空洞率为3，因此，三个通道所得特征图中1x1的特征分别对应原图中3x3，5x5，7x7大小的区域。并且，在卷积操作中设置填充项，使三个分支的特征图大小一致，最终将其进行加和得到新的特征。在此之后，设计人头定位单元。首先由一路3x3的卷积得到单张人头概率图，另一路分支由1x1的卷积进一步提取特征，最终将人头概率图与所得特征计算哈达玛积，得到可强化人头位置的特征。
图5为特征强化模块示意图，对于通道数为N的特征，一方面进行卷积核大小为3x3的卷积操作，且不改变通道数；一方面进行全局池化，进而加入全连接层，输出为N/4x1，经ReLU操作后继续加入全连接层，输出为Nx1，再经Sigmoid操作后将所得的权重赋予对应的特征通道；另一方面通过一个卷积核为1×1的卷积层得到特征，将两路特征加和得到输出。
具体地，该网络首先将图像输入基础特征提取模块，然后一方面将所得特征继续输入到2个叠加的卷积层和一个池化层构成的卷积网络得到粗略的人群密度估计图；另一方面将基础特征提取模块所得的特征输入到串联的几个多尺度模块中，从而获取具有不同感受野的特征图并强化目标所在位置的特征。进一步地，将这些特征输入到特征强化单元，使得网络自适应加强有效的特征图，得到精确的人群密度估计图。上述步骤1-4为模型训练过程，如图2所示。
基于训练数据，训练所设计的人群密度估计网络，得到网络参数。
步骤5：将训练好的模型参数赋予与训练模型相同的测试模型结构，基于视频监控所采集的数据，输出模型所估计的密度图，得到人群分布。将该密度图所有像素值加和，得到该模型基于输入数据所估计的视频中的人数。
实施例二
本实施例的目的是提供一种基于多尺度模块及特征强化单元的人群密度估计系统。
本发明的一种基于多尺度模块及特征强化单元的人群密度估计系统，包括：
图像采集模块，获取场景图像；
标签图生成模块，对场景图像进行预处理，生成人群密度标签图；
数据增广模块，对场景图像和人群密度标签图进行数据增广，得到多个场景图像及相应人群密度标签图；
模型训练模块，根据所述多个场景图像及相应人群密度标签图，训练人群密度图估计模型；
密度估计模块，接收场景图像，基于训练好的人群密度图估计模型进行人群密度估计。
所述人群密度图估计模型可为两个子模块，分别是基础特征提取模块、多尺度模块和特征强化单元。在训练过程中，服务器将同时训练以上3个模块。其中基础特征提取模块用于提取浅层特征，并降低特征的维度，方便后续处理；多尺度模块用于获取具有不同感受野的特征并强化人头位置区域的特征；特征强化单元用于自适应选取有效的特征图，弱化冗余信息；最后通过双密度图生成机制在特征提取过程中及完整的特征提取后分别生成密度图，前者进行粗略估计并辅助基础特征提取，后者实现更准确的密度估计。
实施例三
本实施例的目的是提供一种电子设备。
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，所述处理器执行所述程序时实现以下步骤，包括：
获取场景图像，对场景图像进行预处理，生成人群密度标签图；
对场景图像和人群密度标签图进行数据增广，得到多个场景图像及相应人群密度标签图；
根据所述多个场景图像及相应人群密度标签图，训练人群密度图估计模型；
接收场景图像，基于训练好的人群密度图估计模型进行人群密度估计。
实施例四
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
获取场景图像，对场景图像进行预处理，生成人群密度标签图；
对场景图像和人群密度标签图进行数据增广，得到多个场景图像及相应人群密度标签图；
根据所述多个场景图像及相应人群密度标签图，训练人群密度图估计模型；
接收场景图像，基于训练好的人群密度图估计模型进行人群密度估计。
以上实施例二、三和四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
实验结果
采用ShanghaiTech-B数据集作为数据基础进行训练和测试。
4.1ShanghaiTech-B数据集：
该数据集共716幅图像，其中400幅用作训练，其他用作测试。所有数据中目标人数分布在9-578之间，图像大小均为7681024像素。
采用平均预测绝对误差MAE和均方根误差RMSE两个指标作为评价标准，两项指标的具体计算方式如下：
Figure BDA0002507221400000091
Figure BDA0002507221400000092
其中，N为测试样本总数，yi表示第i个样本的人数标签，
Figure BDA0002507221400000093
表示人群密度估计网络所输出的密度图像素加和。MAE的值越低，则该方法准确性越高，RMSE的值越低，则该方法的鲁棒性越好。
本次实验以仅包括粗略的人群密度估计分支的人群密度估计网络，即基础特征提取模块网络(BFE-Net)作为基准，后续分别加入多尺度特征提取模块(MFE)、特征强化单元(FSM)进行对比，以验证本专利所提出方法的有效性。
表1仅包含基础特征提取模块(BFE)以及分别加入多尺度特征提取模块(MFE)、特征强化单元(FSM)的网络结构对比表
算法 MAE RMSE
BFE 23.4 35.7
BFE+MFE 13.9 23.7
BFE+MFE+FSM 12.2 19.0
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明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发明的保护范围以内。

Claims (10)

1.一种人群密度图估计方法，其特征在于，包括以下步骤：
获取场景图像，对场景图像进行预处理，生成人群密度标签图；
对场景图像和人群密度标签图进行数据增广，得到多个场景图像及相应人群密度标签图；
根据所述多个场景图像及相应人群密度标签图，训练人群密度图估计模型；
接收场景图像，基于训练好的人群密度图估计模型进行人群密度估计。
2.如权利要求1所述的一种人群密度图估计方法，其特征在于，所述人群密度标签图的生成方法包括：
对场景图像进行人群区域识别和人头识别；
基于最近邻算法对各个人群区域的人头密度进行估计，生成人群密度标签图。
3.如权利要求1所述的一种人群密度图估计方法，其特征在于，所述数据增广包括：首先对场景图像和密度标签图进行随机截取，并进行水平翻转得到图像块；然后针对场景图像和密度标签图的图像块进行缩放，得到多对场景图像和密度标签图。
4.如权利要求1所述的一种人群密度图估计方法，其特征在于，所述人群密度图估计模型包括特征提取模块、多个串联的多尺度模块和特征强化模块；其中，所述特征提取模块包括卷积层和池化层；所述多尺度模块包括多个并行的空洞卷积层；所述特征强化模块包括并行的一路池化层、激活层和全连接层，以及一路卷积层。
5.如权利要求4所述的一种人群密度图估计方法，其特征在于，所述人群密度图估计模型采用双密度图生成机制，包括两个生成密度图的分支；一个分支包括特征提取模块、多个串联的多尺度模块和特征强化模块，另一个分支包括特征提取模块和卷积网络，两路分别生成精度不同的人群密度估计图。
6.如权利要求4或5所述的一种人群密度图估计方法，其特征在于，所述多尺度模块包括串联的空洞卷积单元及人头定位单元，所述空洞卷积单元包括三个分支，分别执行卷积核大小相同、空洞率不同的空洞卷积操作，且设置填充项，使三个分支得到的特征图大小一致，最后将三个分支得到的特征图相加；所述人头定位单元包括两个分支，一路执行3x3卷积得到单张人头概率图，另一路由1x1的卷积进一步提取特征，最终计算两个分支的哈达玛积，得到人头位置的强化特征。
7.如权利要求4或5所述的一种人群密度图估计方法，其特征在于，所述特征强化模块包括两个分支，一个分支包括串联的全局池化层、全连接层、激活层、全连接层和Sigmoid操作；另一个分支包括卷积层；最后将两个分支的结果相乘。
8.一种人群密度图估计系统，其特征在于，包括：
图像采集模块，获取场景图像；
标签图生成模块，对场景图像进行预处理，生成人群密度标签图；
数据增广模块，对场景图像和人群密度标签图进行数据增广，得到多个场景图像及相应人群密度标签图；
模块训练模块，根据所述多个场景图像及相应人群密度标签图，训练人群密度图估计模型；
密度估计模块，接收场景图像，基于训练好的人群密度图估计模型进行人群密度估计。
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1-7任一项所述人群密度图估计方法。
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1-7任一项所述人群密度图估计方法。
CN202010449640.6A 2020-05-25 2020-05-25 一种人群密度估计方法及系统 Active CN111626184B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010449640.6A CN111626184B (zh) 2020-05-25 2020-05-25 一种人群密度估计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010449640.6A CN111626184B (zh) 2020-05-25 2020-05-25 一种人群密度估计方法及系统

Publications (2)

Publication Number Publication Date
CN111626184A true CN111626184A (zh) 2020-09-04
CN111626184B CN111626184B (zh) 2022-04-15

Family

ID=72260727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010449640.6A Active CN111626184B (zh) 2020-05-25 2020-05-25 一种人群密度估计方法及系统

Country Status (1)

Country Link
CN (1) CN111626184B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257797A (zh) * 2020-10-29 2021-01-22 瓴盛科技有限公司 行人头部图像分类器的样本图像生成方法及相应训练方法
CN112364788A (zh) * 2020-11-13 2021-02-12 润联软件系统(深圳)有限公司 基于深度学习的监控视频人群数量监测方法及其相关组件
CN113052827A (zh) * 2021-03-30 2021-06-29 齐鲁工业大学 基于多分支扩张卷积神经网络的人群计数方法及系统
CN113343790A (zh) * 2021-05-21 2021-09-03 中车唐山机车车辆有限公司 一种交通枢纽的客流统计方法、装置及存储介质
CN113515990A (zh) * 2020-09-28 2021-10-19 阿里巴巴集团控股有限公司 图像处理和人群密度估计方法、设备及存储介质
FR3116361A1 (fr) * 2020-11-18 2022-05-20 Thales Procédé de détermination d'une densité d'éléments dans des zones d'un environnement, produit programme d'ordinateur associé
CN114758306A (zh) * 2022-06-16 2022-07-15 松立控股集团股份有限公司 一种基于金字塔特征融合的人群密度估计方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160371726A1 (en) * 2015-06-22 2016-12-22 Kabushiki Kaisha Toshiba Information processing apparatus, information processing method, and computer program product
CN106845621A (zh) * 2017-01-18 2017-06-13 山东大学 基于深度卷积神经网络的密集人群人数计数方法及系统
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
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
CN110020606A (zh) * 2019-03-13 2019-07-16 北京工业大学 一种基于多尺度卷积神经网络的人群密度估计方法
CN110135325A (zh) * 2019-05-10 2019-08-16 山东大学 基于尺度自适应网络的人群人数计数方法及系统
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
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
CN110263849A (zh) * 2019-06-19 2019-09-20 合肥工业大学 一种基于多尺度注意力机制的人群密度估计方法
US20190370865A1 (en) * 2018-05-29 2019-12-05 The Wonderful Creative Company Method and device of appealing to customer smartly
CN110942015A (zh) * 2019-11-22 2020-03-31 上海应用技术大学 人群密度估计方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160371726A1 (en) * 2015-06-22 2016-12-22 Kabushiki Kaisha Toshiba Information processing apparatus, information processing method, and computer program product
CN106845621A (zh) * 2017-01-18 2017-06-13 山东大学 基于深度卷积神经网络的密集人群人数计数方法及系统
US20190370865A1 (en) * 2018-05-29 2019-12-05 The Wonderful Creative Company Method and device of appealing to customer smartly
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
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
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
CN110020606A (zh) * 2019-03-13 2019-07-16 北京工业大学 一种基于多尺度卷积神经网络的人群密度估计方法
CN110135325A (zh) * 2019-05-10 2019-08-16 山东大学 基于尺度自适应网络的人群人数计数方法及系统
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
CN110263849A (zh) * 2019-06-19 2019-09-20 合肥工业大学 一种基于多尺度注意力机制的人群密度估计方法
CN110942015A (zh) * 2019-11-22 2020-03-31 上海应用技术大学 人群密度估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YANJIE WANG: "Multi-scale dilated convolution of convolutional neural network for crowd counting", 《MULTIMEDIA TOOLS AND APPLICATIONS》 *
张友梅: "基于注意力卷积神经网络的人群计数算法研究", 《中国优秀博硕士学位论文全文数据库（博士） 信息科技辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113515990A (zh) * 2020-09-28 2021-10-19 阿里巴巴集团控股有限公司 图像处理和人群密度估计方法、设备及存储介质
CN112257797A (zh) * 2020-10-29 2021-01-22 瓴盛科技有限公司 行人头部图像分类器的样本图像生成方法及相应训练方法
CN112364788A (zh) * 2020-11-13 2021-02-12 润联软件系统(深圳)有限公司 基于深度学习的监控视频人群数量监测方法及其相关组件
CN112364788B (zh) * 2020-11-13 2021-08-03 润联软件系统(深圳)有限公司 基于深度学习的监控视频人群数量监测方法及其相关组件
FR3116361A1 (fr) * 2020-11-18 2022-05-20 Thales Procédé de détermination d'une densité d'éléments dans des zones d'un environnement, produit programme d'ordinateur associé
WO2022106556A1 (fr) * 2020-11-18 2022-05-27 Thales Procédé de détermination d'une densité d'éléments dans des zones d'un environnement, produit programme d'ordinateur associé
CN113052827A (zh) * 2021-03-30 2021-06-29 齐鲁工业大学 基于多分支扩张卷积神经网络的人群计数方法及系统
CN113052827B (zh) * 2021-03-30 2022-12-27 齐鲁工业大学 基于多分支扩张卷积神经网络的人群计数方法及系统
CN113343790A (zh) * 2021-05-21 2021-09-03 中车唐山机车车辆有限公司 一种交通枢纽的客流统计方法、装置及存储介质
CN114758306A (zh) * 2022-06-16 2022-07-15 松立控股集团股份有限公司 一种基于金字塔特征融合的人群密度估计方法

Also Published As

Publication number Publication date
CN111626184B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN111626184B (zh) 一种人群密度估计方法及系统
CN110348376B (zh) 一种基于神经网络的行人实时检测方法
CN112750140B (zh) 基于信息挖掘的伪装目标图像分割方法
CN109858424A (zh) 人群密度统计方法、装置、电子设备和存储介质
CN110298387A (zh) 融入像素级attention机制的深度神经网络目标检测方法
CN111079739B (zh) 一种多尺度注意力特征检测方法
CN110991444B (zh) 面向复杂场景的车牌识别方法及装置
CN108108751A (zh) 一种基于卷积多特征和深度随机森林的场景识别方法
CN110619638A (zh) 一种基于卷积块注意模块的多模态融合显著性检测方法
CN113221787A (zh) 基于多元差异性融合的行人多目标跟踪方法
CN112712546A (zh) 一种基于孪生神经网络的目标跟踪方法
CN110532959B (zh) 基于双通道三维卷积神经网络的实时暴力行为检测系统
CN111428664A (zh) 一种基于人工智能深度学习技术的计算机视觉的实时多人姿态估计方法
CN111241924A (zh) 基于尺度估计的人脸检测及对齐方法、装置、存储介质
CN113468996A (zh) 一种基于边缘细化的伪装物体检测方法
CN111738074B (zh) 基于弱监督学习的行人属性识别方法、系统及装置
CN114743273A (zh) 基于多尺度残差图卷积网络的人体骨骼行为识别方法及系统
CN114783021A (zh) 一种口罩佩戴智能检测方法、装置、设备及介质
CN116403062A (zh) 一种点云目标检测方法、系统、设备及介质
CN111652181A (zh) 目标跟踪方法、装置及电子设备
CN111951260A (zh) 基于部分特征融合卷积神经网络实时目标计数系统及方法
Devyatkin et al. Neural network traffic signs detection system development
CN115830707A (zh) 一种基于超图学习的多视角人体行为识别方法
CN112200055B (zh) 联合对抗生成网络的行人属性识别方法、系统及装置
CN114724175A (zh) 行人图像的检测网络、检测方法、训练方法、电子设备和介质

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