CN111652107A - 对象计数方法及装置、电子设备和存储介质 - Google Patents

对象计数方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111652107A
CN111652107A CN202010469232.7A CN202010469232A CN111652107A CN 111652107 A CN111652107 A CN 111652107A CN 202010469232 A CN202010469232 A CN 202010469232A CN 111652107 A CN111652107 A CN 111652107A
Authority
CN
China
Prior art keywords
head
image
processed
feature map
head region
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
Application number
CN202010469232.7A
Other languages
English (en)
Inventor
夏鹏程
杨昆霖
侯军
伊帅
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.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development Co Ltd
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 Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN202010469232.7A priority Critical patent/CN111652107A/zh
Publication of CN111652107A publication Critical patent/CN111652107A/zh
Priority to KR1020217030685A priority patent/KR20210148134A/ko
Priority to PCT/CN2020/133690 priority patent/WO2021238135A1/zh
Priority to JP2021547419A priority patent/JP2022537865A/ja
Priority to TW110100177A priority patent/TWI779449B/zh
Pending legal-status Critical Current

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands

Abstract

本公开涉及一种对象计数方法及装置、电子设备和存储介质，所述方法包括：对待处理图像进行特征提取，得到所述待处理图像的初始特征图；根据所述初始特征图，得到所述待处理图像中的头部关键点及头部区域；根据所述头部关键点及所述头部区域，对所述待处理图像进行对象计数及定位，确定所述待处理图像中对象的数量及位置。本公开实施例可实现提高对象计数和定位的精度。

Description

对象计数方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种对象计数方法及装置、电子设备和存储介质。
背景技术
人群计数技术是对于视频数据采集等场景下的视频，通过计算机视觉算法来评估画面中的实时人数、人的分布情况、人群的密度等信息的技术。
发明内容
本公开提出了一种进行计数及定位的对象计数技术方案。
根据本公开的一方面，提供了一种对象技术方法，包括：
对待处理图像进行特征提取，得到所述待处理图像的初始特征图；
根据所述初始特征图，得到所述待处理图像中的头部关键点及头部区域；
根据所述头部关键点及所述头部区域，对所述待处理图像进行对象计数及定位，确定所述待处理图像中对象的数量及位置。
在一种可能的实现方式中，所述根据所述头部关键点及所述头部区域，对所述待处理图像进行对象计数及定位，确定所述待处理图像中对象的数量及位置，包括：
确定各所述头部关键点与各所述头部区域的中心点之间的相似度；
确定与所述头部关键点的相似度满足阈值条件的头部区域，将所述与所述头部关键点的相似度满足阈值条件的头部区域与所述头部关键点进行合并，得到合并信息；
根据所述合并信息、未合并的头部关键点及未合并的头部区域，对所述待处理图像进行计数及定位，确定所述待处理图像中对象的数量及位置。
在一种可能的实现方式中，所述确定与所述头部关键点的相似度满足阈值条件的头部区域，将所述与所述头部关键点的相似度满足阈值条件的头部区域与所述头部关键点进行合并，得到合并信息，包括：
删除所述与所述头部关键点的相似度满足阈值条件的头部区域；
根据所述头部关键点及所述头部区域的尺寸，得到合并后的头部区域，其中，所述合并信息包括所述头部关键点及所述合并后的头部区域。
在一种可能的实现方式中，所述确定与所述头部关键点的相似度满足阈值条件的头部区域，将所述与所述头部关键点的相似度满足阈值条件的头部区域与所述头部关键点进行合并，得到合并信息，包括：
将所述头部关键点按照置信度进行排序；
按照所述头部关键点的置信度由大到小的顺序，将所述头部关键点与所述头部区域进行合并，得到合并信息。
在一种可能的实现方式中，所述根据所述初始特征图，得到所述待处理图像中的头部关键点，包括：
对所述初始特征图进行下采样处理，得到不同尺度的多个下采样特征图；
对多个所述下采样特征图中的目标下采样特征图进行上采样处理，得到上采样特征图，所述上采样特征图与所述初始特征图尺度一致；
根据所述上采样特征图进行头部关键点识别，得到所述待处理图像中的头部关键点。
在一种可能的实现方式中，所述根据所述初始特征图，得到所述待处理图像中的头部区域，还包括：
分别对多个所述下采样特征图进行头部区域识别，得到各个所述下采样特征图对应的头部区域；
对各个所述下采样特征图对应的头部区域进行合并处理，得到所述待处理图像对应的头部区域。
在一种可能的实现方式中，通过定位网络实现所述对待处理图像进行特征提取，得到所述待处理图像的初始特征图；根据所述初始特征图，得到所述待处理图像中的头部关键点及头部区域，所述方法还包括：
通过预设的训练集训练所述定位网络，所述训练集包括多个样本组，所述样本组中包括样本图像、样本图像对应的标注头部关键点和标注头部区域。
在一种可能的实现方式中，所述定位网络包括特征提取网络、头部关键点定位网络、头部区域定位网络，所述通过预设的训练集训练所述定位网络，包括：
通过所述特征提取网络对所述样本图像进行特征提取，得到所述样本图像的初始特征图；
对所述样本图像的初始特征图进行下采样处理，得到不同大小的多个样本下采样特征图；
通过所述头部关键点定位网络对目标样本下采样特征图进行上采样处理，得到样本上采样特征图，所述样本上采样特征图与所述样本图像的初始特征图大小一致；
通过所述头部关键点定位网络对所述样本上采样特征图进行头部关键点识别，得到所述样本图像对应的头部关键点；
根据所述样本图像对应的头部关键点及所述标注头部关键点，训练所述头部关键点定位网络。
在一种可能的实现方式中，所述通过预设的训练集训练所述定位网络，还包括：
通过所述头部区域定位网络分别对多个所述样本下采样特征图进行头部区域识别，得到各个所述样本下采样特征图对应的头部区域；
根据所述样本下采样特征图对应的头部区域及所述标注头部区域，训练所述头部区域定位网络。
在一种可能的实现方式中，所述根据所述初始特征图，得到所述待处理图像中的头部区域，包括：
确定所述待处理图像中各头部区域的位置信息；
根据各所述头部区域的位置信息，以及头部区域的尺寸与所述头部区域的位置信息的关联关系，确定所述头部区域的尺寸；
根据所述头部区域的位置信息及所述头部区域的尺寸，得到所述头部区域。
根据本公开的一方面，提供了一种对象计数装置，包括：
特征提取模块，用于对待处理图像进行特征提取，得到所述待处理图像的初始特征图；
处理模块，用于根据所述初始特征图，得到所述待处理图像中的头部关键点及头部区域；
计数模块，用于根据所述头部关键点及所述头部区域，对所述待处理图像进行对象计数及定位，确定所述待处理图像中对象的数量及位置。
在一种可能的实现方式中，所述计数模块，还用于：
确定各所述头部关键点与各所述头部区域的中心点之间的相似度；
确定与所述头部关键点的相似度满足阈值条件的头部区域，将所述与所述头部关键点的相似度满足阈值条件的头部区域与所述头部关键点进行合并，得到合并信息；
根据所述合并信息、未合并的头部关键点及未合并的头部区域，对所述待处理图像进行计数及定位，确定所述待处理图像中对象的数量及位置。
在一种可能的实现方式中，所述计数模块，还用于：
删除所述与所述头部关键点的相似度满足阈值条件的头部区域；
根据所述头部关键点及所述头部区域的尺寸，得到合并后的头部区域，其中，所述合并信息包括所述头部关键点及所述合并后的头部区域。
在一种可能的实现方式中，所述计数模块，还用于：
将所述头部关键点按照置信度进行排序；
按照所述头部关键点的置信度由大到小的顺序，将所述头部关键点与所述头部区域进行合并，得到合并信息。
在一种可能的实现方式中，所述处理模块，还用于：
对所述初始特征图进行下采样处理，得到不同尺度的多个下采样特征图；
对多个所述下采样特征图中的目标下采样特征图进行上采样处理，得到上采样特征图，所述上采样特征图与所述初始特征图尺度一致；
根据所述上采样特征图进行头部关键点识别，得到所述待处理图像中的头部关键点。
在一种可能的实现方式中，所述处理模块，还用于：
分别对多个所述下采样特征图进行头部区域识别，得到各个所述下采样特征图对应的头部区域；
对各个所述下采样特征图对应的头部区域进行合并处理，得到所述待处理图像对应的头部区域。
在一种可能的实现方式中，所述特征提取模块及所述处理模块通过所述定位网络实现，所述装置还包括：
训练模块，用于通过预设的训练集训练所述定位网络，所述训练集包括多个样本组，所述样本组中包括样本图像、样本图像对应的标注头部关键点和标注头部区域。
在一种可能的实现方式中，所述定位网络包括特征提取网络、头部关键点定位网络、头部区域定位网络，所述训练模块还用于：
通过所述特征提取网络对所述样本图像进行特征提取，得到所述样本图像的初始特征图；
对所述样本图像的初始特征图进行下采样处理，得到不同大小的多个样本下采样特征图；
通过所述头部关键点定位网络对目标样本下采样特征图进行上采样处理，得到样本上采样特征图，所述样本上采样特征图与所述样本图像的初始特征图大小一致；
通过所述头部关键点定位网络对所述样本上采样特征图进行头部关键点识别，得到所述样本图像对应的头部关键点；
根据所述样本图像对应的头部关键点及所述标注头部关键点，训练所述头部关键点定位网络。
在一种可能的实现方式中，所述训练模块，还用于：
通过所述头部区域定位网络分别对多个所述样本下采样特征图进行头部区域识别，得到各个所述样本下采样特征图对应的头部区域；
根据所述样本下采样特征图对应的头部区域及所述标注头部区域，训练所述头部区域定位网络。
在一种可能的实现方式中，所述处理模块，还用于：
确定所述待处理图像中各头部区域的位置信息；
根据各所述头部区域的位置信息，以及头部区域的尺寸与所述头部区域的位置信息的关联关系，确定所述头部区域的尺寸；
根据所述头部区域的位置信息及所述头部区域的尺寸，得到所述头部区域。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
这样一来，可以对待处理图像进行特征提取，得到所述待处理图像的初始特征图，根据所述初始特征图，可以得到所述待处理图像中的头部关键点及头部区域，并根据所述头部关键点及所述头部区域，对所述待处理图像进行对象计数及定位，确定所述待处理图像中对象的数量及位置。根据本公开实施例提供的对象计数方法及装置、电子设备和存储介质，可以利用头部关键点及头部区域进行对象计数及定位，通过头部关键点及头部区域相互补充，可以使得待处理图像中不同尺度的头部有不同的标识形式，可以提高对象计数及定位的精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的对象计数方法的流程图；
图2示出根据本公开实施例的对象计数方法的示意图；
图3a～3d示出根据本公开实施例的对象计数方法的示意图；
图4示出根据本公开实施例的对象计数装置的框图；
图5示出根据本公开实施例的一种电子设备800的框图；
图6示出根据本公开实施例的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的对象计数方法的流程图，在一种可能的实现方式中，所述对象计数方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
如图1所示，所述对象计数方法包括：
在步骤S11中，对待处理图像进行特征提取，得到所述待处理图像的初始特征图。
在步骤S12中，根据所述初始特征图，得到所述待处理图像中的头部关键点及头部区域。
举例来说，可以提取待处理图像中的图像特征，得到待处理图像的初始特征图。并对初始特征图进行识别，得到待处理图像中的头部关键点及头部区域，其中头部关键点为对象头部对应的关键点，头部区域为对象的头部对应的框图。
示例性的，可以通过预先训练的特征提取网络对待处理图像进行特征提取，得到待处理图像的初始特征图，并通过预先训练的定位网络对初始特征图进行识别，得到所述待处理图像中的头部关键点及头部区域。
在步骤S13中，根据所述头部关键点及所述头部区域，对所述待处理图像进行对象计数及定位，确定所述待处理图像中对象的数量及位置。
举例来说，可以结合头部关键点及头部区域，对待处理图像进行对象计数及定位，例如：将对应同一人的头部关键点和头部区域合并后，与未进行合并操作的头部关键点及头部区域一起，对待处理图像进行计数和定位，得到待处理图像中对象的数量及位置。
这样一来，可以对待处理图像进行特征提取，得到所述待处理图像的初始特征图，根据所述初始特征图，可以得到所述待处理图像中的头部关键点及头部区域，并根据所述头部关键点及所述头部区域，对所述待处理图像进行对象计数及定位，确定所述待处理图像中对象的数量及位置。根据本公开实施例提供的对象计数方法，可以利用头部关键点及头部区域进行对象计数及定位，通过头部关键点及头部区域相互补充，可以使得待处理图像中不同尺度的头部有不同的标识形式，可以提高对象计数及定位的精度。
在一种可能的实现方式中，上述根据所述头部关键点及所述头部区域，对所述待处理图像进行对象计数及定位，确定所述待处理图像中对象的数量及位置，可以包括：
确定各所述头部关键点与各所述头部区域的中心点之间的相似度；
确定与所述头部关键点的相似度满足阈值条件的头部区域，将所述与所述头部关键点的相似度满足阈值条件的头部区域与所述头部关键点进行合并，得到合并信息；
根据所述合并信息、未合并的头部关键点及未合并的头部区域，对所述待处理图像进行计数及定位，确定所述待处理图像中对象的数量及位置。
举例来说，头部区域可以包括中心点，可以确定各头部区域的中心点的坐标与各头部关键点的坐标之间的距离，根据该距离确定头部关键点与头部区域的中心点之间的相似度。示例性的，待处理图像中头部关键点与头部区域的中心点之间的相似度与距离及在待处理图像中的远近程度有关，远处的头部关键点与头部区域的中心点的距离衡量相似度与近处的头部关键点与头部区域的中心点的距离衡量相似度的标准不同，故可以通过衡量权值与各头部区域的中心点的坐标与各头部关键点的坐标之间的距离，确定头部关键点与头部区域的中心点之间的相似度，其中衡量权值用于表示头部关键点与头部区域在待处理图像中的远近程度。
示例性的，头部关键点可以组成点集合P，点集合P中的第a个头部关键点可以记为(xa，ya)，其中(xa，ya)为第a个头部关键点的坐标。头部区域可以组成区域集合B，区域集合B中的第j个头部区域可以记为(xb，yb，wb，hb)，其中(xb，yb)为第b个头部区域的中心点的坐标，(wb，hb)分别为第b个头部区域的宽和高。可以计算点集合P中的任一头部关键点与区域集合B中的任一头部区域的中心点的相似度。
举例来说，在头部区域的中心点与头部关键点的相似度大于相似度阈值(相似度阈值为预设的数值)的情况下，可以确定该头部区域的中心点与该头部关键点的相似度满足阈值条件，即可以认为该头部关键点与该头部区域对应同一对象。确定与头部关键点的相似度满足阈值条件的头部区域，并将与头部关键点的相似度满足阈值条件的头部区域与该头部关键点合并，得到合并信息，例如：删除头部关键点及置信度较低的头部区域，保留置信度较高的头部区域，或者删除全部头部区域，保留头部关键点。
在完成合并后，可以根据合并信息、未合并的头部关键点(不存在与该头部关键点的相似度满足阈值条件的头部区域，或者与该头部关键点的相似度满足阈值条件的头部区域已删除)及未合并的头部区域(不存在与该头部区域的相似度满足阈值条件的头部关键点，或者与该头部区域的相似度满足阈值条件的头部关键点已删除)，对待处理图像进行计数及定位。示例性的：待出库图像中存在头部关键点1、头部关键点2、头部关键点3、头部区域1、头部区域2、头部区域3，其中头部关键点2和头部区域1合并后，删除了头部区域1，则可以根据头部关键点1、头部关键点2、头部关键点3、头部区域2、头部区域3对对象进行计数及定位，得到待处理图像中的对象的数量为5，各头部关键点和头部区域的位置即为对应的对象的位置。
在一种可能的实现方式中，上述确定与所述头部关键点的相似度满足阈值条件的头部区域，将所述与所述头部关键点的相似度满足阈值条件的头部区域与所述头部关键点进行合并，得到合并信息，可以包括：
删除所述与所述头部关键点的相似度满足阈值条件的头部区域；
根据所述头部关键点及所述头部区域的尺寸，得到合并后的头部区域，其中，所述合并信息包括所述头部关键点及所述合并后的头部区域。
举例来说，在头部区域的中心点与头部关键点的相似度满足阈值条件的情况下，可以删除头部区域，保留头部关键点作为合并信息。举例来说，头部区域1、头部区域2、头部区域3与头部关键点4的相似度均满足阈值条件，则可以删除头部区域1、头部区域2、头部区域3，仅保留头部关键点4作为合并信息。
可以将头部关键点作为合并后的头部区域中心点，将与该头部关键点的相似度满足阈值条件的头部区域中，置信度最高的头部区域的尺寸作为合并后的头部区域的尺寸，进而得到合并后的头部区域。
在一种可能的实现方式中，所述确定与所述头部关键点的相似度满足阈值条件的头部区域，将所述与所述头部关键点的相似度满足阈值条件的头部区域与所述头部关键点进行合并，得到合并信息，可以包括：
将所述头部关键点按照置信度进行排序；
按照所述头部关键点的置信度由大到小的顺序，将所述头部关键点与所述头部区域进行合并，得到合并信息。
举例来说，在识别头部关键点及头部区域时，对应的识别结果可以包括头部关键点及头部关键点对应的置信度，头部区域及头部区域对应的置信度。可以将头部关键点按照对应的置信度的大小进行排序，例如由大到小排序，或者由小到大排序。排序后，可以按照头部关键点由大到小的顺序，将头部关键点与头部区域进行合并，得到合并信息。示例性的，头部关键点按照置信度由大到小的排序为：头部关键点1、头部关键点2、头部关键点3、头部关键点4，其中，头部区域1与头部关键点1和头部关键点4的相似度都满足阈值条件的情况下，由于先对头部关键点1与头部区域1进行合并操作，删除了头部区域1，保留了头部关键点1，则执行到头部关键点4时，不再执行头部区域1与头部关键点4的合并操作，可以提高计数及定位的准确度。
在一种可能的实现方式中，所述根据所述初始特征图，得到所述待处理图像中的头部关键点，可以包括：
对所述初始特征图进行下采样处理，得到不同尺度的多个下采样特征图；
对多个所述下采样特征图中的目标下采样特征图进行上采样处理，得到上采样特征图，所述上采样特征图与所述初始特征图尺度一致；
根据所述上采样特征图进行头部关键点识别，得到所述待处理图像中的头部关键点。
举例来说，可以通过最大池化层(maxpooling)不断对初始特征图进行下采样处理，得到不同大小的多个下采样特征图。例如：对初始特征图C0进行多次下采样处理，得到不同尺度的下采样特征图C1、C2、C3、C4、C5、C6，其中，第i个下采样特征图的为初始特征图C0长宽的1/2i，也即C1的长宽为C0长宽的1/2，C2的长宽为C0长宽的1/4，C3的长宽为C0长宽的1/8，C4的长宽为C0长宽的1/16，C5的长宽为C0长宽的1/32，C6的长宽为C0长宽的1/64。示例性的，可以参照图2。
可以从上述多个下采样特征图中选择目标下采样特征图，例如：可以选择尺度居中的下采样特征图C3为目标下采样特征图，并对该目标下采样特征图不断进行上采样处理，直到得到的上采样特征图与初始特征图的尺度一致。例如：对目标下采样特征图C3进行连续的多次上采样处理，每次将前次处理的结果的尺度放大2倍，直至尺度与初始特征图的尺度一致，得到上采样特征图。
可以对上采样特征图进行头部关键点识别(可以采用预训练的用于头部关键点识别的网络进行识别)，得到待处理图像中的头部关键点。
在一种可能的实现方式中，所述根据所述初始特征图，得到所述待处理图像中的头部区域，还可以包括：
分别对多个所述下采样特征图进行头部区域识别，得到各个所述下采样特征图对应的头部区域；
对各个所述下采样特征图对应的头部区域进行合并处理，得到所述待处理图像对应的头部区域。
在得到多个下采样特征图后，可以分别对多个下采样特征图进行头部区域识别(可以采用预训练的用于进行头部区域识别的网络识别)，得到各个下采样特征图对应的头部区域，并将各个头部区域进行合并处理。示例性的，头部区域可以表示为(xb，yb，wb，hb)，故可以将各个头部区域合并为头部区域集合，相同的头部区域在该头部区域集合合并为一个，覆盖重合度大于重合度阈值(预设的数值)的多个头部区域进行合并，保留其中置信度最高的头部区域，删除该多个头部区域中其它的头部区域。
在一种可能的实现方式中，通过定位网络实现所述对待处理图像进行特征提取，得到所述待处理图像的初始特征图；根据所述初始特征图，得到所述待处理图像中的头部关键点及头部区域，所述方法还包括：
通过预设的训练集训练所述定位网络，所述训练集包括多个样本组，所述样本组中包括样本图像、样本图像对应的标注头部关键点和标注头部区域。
举例来说，可以通过预设的训练集训练所述定位网络，该定位网络可以包括特征提取网络、头部关键点定位网络、头部区域定位网络，则可以通过样本图像及样本图像对应的标注头部关键点悬链特征提取网络及头部关键点定位网络，通过样本图像及样本图像对应的标注头部区域训练所述头部区域定位网络。
待处理图像输入定位网络后，由特征提取网络提取该待处理图像的特征，得到初始特征图，并对该样本图像的初始特征图进行多次下采样处理，得到对应的不同尺度的下采样特征图，并由头部关键点定位网络对下采样特征图中的目标下采样特征图进行上采样处理后，得到与初始特征图尺度一致的上采样特征图，并对该上采样特征图进行识别，得到待处理图像的头部关键点。由头部区域定位网络对各个下采样特征图进行识别，得到各个下采样特征图对应的头部区域，并对该多个头部区域进行合并，得到待处理图像中的头部区域，最后将头部区域与头部关键点进行合并，可以得到待处理图像中对象的数量及位置，示例性的，可以参照图3a至3d，其中，图3a为待处理图像，图3b为待处理图像的初始特征图，图3c为头部区域生成结果，图3d为待处理图像的计数及定位结果。
在一种可能的实现方式中，所述定位网络包括特征提取网络、头部关键点定位网络、头部区域定位网络，所述通过预设的训练集训练所述定位网络，包括：
通过所述特征提取网络对所述样本图像进行特征提取，得到所述样本图像的初始特征；
对所述样本图像的初始特征进行下采样处理，得到不同大小的多个样本下采样特征图；
通过所述头部关键点定位网络对目标样本下采样特征图进行上采样处理，得到样本上采样特征图，所述样本上采样特征图与所述样本图像的初始特征图大小一致；
通过所述头部关键点定位网络对所述样本上采样特征图进行人头点坐标识别，得到所述样本图像对应的人头点坐标信息；
根据所述样本图像对应的人头点坐标信息及所述标注头部关键点，训练所述头部关键点定位网络。
举例来说，样本图像输入定位网络后，由特征提取网络提取该样本图像的特征，得到样本图像对应的初始特征图，并对该样本图像的初始特征图进行多次下采样处理，得到对应的不同尺度的下采样特征图，并由头部关键点定位网络对下采样特征图中的目标下采样特征图进行上采样处理后，得到与初始特征图尺度一致的上采样特征图，并对该上采样特征图进行识别，得到样本图像的头部关键点。根据样本图像的头部关键点和样本图像对应的标注头部关键点，确定第一识别损失(例如：可以采用但不限于二类交差熵损失函数确定第一识别损失)，根据第一识别损失调整特征提取网络及头部关键点定位网络的网络参数，直至第一识别损失满足训练要求(例如：第一识别损失小于损失阈值，该损失阈值为预设的数值)。
在一种可能的实现方式中，所述通过预设的训练集训练所述定位网络，还包括：
通过所述头部区域定位网络分别对多个所述样本下采样特征图进行头部区域识别，得到各个所述样本下采样特征图对应的头部区域；
根据所述样本下采样特征图对应的头部区域及所述标注头部区域，训练所述头部区域定位网络。
举例来说，在得到不同尺度的下采样特征图后，由头部区域定位网络各个对下采样特征图进行识别，得到各个下采样特征图对应的头部区域，并对各个头部区域进行合并，得到样本图像对应的头部区域。根据样本图像的头部区域和样本图像对应的标注头部区域，确定第二识别损失(例如：可以采用但不限于二类交差熵损失函数与smooth-L1损失函数确定第二识别损失)，根据第二识别损失调整头部区域定位网络的网络参数，直至第二识别损失满足训练要求(例如：第二识别损失小于损失阈值，该损失阈值为预设的数值)。
在一种可能的实现方式中，所述根据所述初始特征图，得到所述待处理图像中的头部关键点及头部区域，可以包括：
确定所述待处理图像中各头部区域的位置信息；
根据各所述头部区域的位置信息，以及头部区域的尺寸与所述头部区域的位置信息的关联关系，确定所述头部区域的尺寸；
根据所述头部区域的位置信息及所述头部区域的尺寸，得到所述头部区域。
举例来说，在样本图像仅具有标注头部关键点时，可以根据该标注头部关键点确定该对象的头部区域的尺寸。可以通过头部关键点确定人群密度图，在人群密度图中每个头部区域中包括的密度的和为1，通过计算K近邻位置密度的平均值，得到样本图像中第i个对象对应的位置的密度di，进而得到头部区域的尺寸。示例性的，可以通过下述公式(一)和公式(二)确定头部区域的尺寸。
Figure BDA0002513727630000161
Figure BDA0002513727630000171
其中，di用于标识第i个对象在人群密度图中的密度，j用于标识第i个对象的K个近邻中的第j个对象，pj用于标识第j个对象的密度，wi用于标识第i个对象的头部区域的尺寸。
在得到各个样本图像对应的头部区域的尺寸后，可以样本图像的头部关键点作为头部区域的位置信息，统计分析得到样本图像的头部区域尺寸与头部区域的位置信息的关联关系。
可以通过预训练的用于识别待处理图像中各头部区域的位置信息的网络，识别待处理图像中各头部区域的位置信息，进而根据头部区域的位置信息与头部区域的尺寸的关联关系，确定头部区域的尺寸，进而根据头部区域的位置信息及头部区域的尺寸，得到头部区域。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了对象计数装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种对象计数方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图4示出根据本公开实施例的对象计数装置的框图，如图4所示，所述对象计数装置可以包括：
特征提取模块401，可以用于对待处理图像进行特征提取，得到所述待处理图像的初始特征图；
处理模块402，可以用于根据所述初始特征图，得到所述待处理图像中的头部关键点及头部区域；
计数模块403，可以用于根据所述头部关键点及所述头部区域，对所述待处理图像进行对象计数及定位，确定所述待处理图像中对象的数量及位置。
这样一来，可以对待处理图像进行特征提取，得到所述待处理图像的初始特征图，根据所述初始特征图，可以得到所述待处理图像中的头部关键点及头部区域，并根据所述头部关键点及所述头部区域，对所述待处理图像进行对象计数及定位，确定所述待处理图像中对象的数量及位置。根据本公开实施例提供的对象计数装置，可以利用头部关键点及头部区域进行对象计数及定位，通过头部关键点及头部区域相互补充，可以使得待处理图像中不同尺度的头部有不同的标识形式，可以提高对象计数及定位的精度。
在一种可能的实现方式中，所述计数模块，还可以用于：
确定各所述头部关键点与各所述头部区域的中心点之间的相似度；
确定与所述头部关键点的相似度满足阈值条件的头部区域，将所述与所述头部关键点的相似度满足阈值条件的头部区域与所述头部关键点进行合并，得到合并信息；
根据所述合并信息、未合并的头部关键点及未合并的头部区域，对所述待处理图像进行计数及定位，确定所述待处理图像中对象的数量及位置。
在一种可能的实现方式中，所述计数模块，还可以用于：
删除所述与所述头部关键点的相似度满足阈值条件的头部区域；
根据所述头部关键点及所述头部区域的尺寸，得到合并后的头部区域，其中，所述合并信息包括所述头部关键点及所述合并后的头部区域。
在一种可能的实现方式中，所述计数模块，还可以用于：
将所述头部关键点按照置信度进行排序；
按照所述头部关键点的置信度由大到小的顺序，将所述头部关键点与所述头部区域进行合并，得到合并信息。
在一种可能的实现方式中，所述处理模块，还可以用于：
对所述初始特征图进行下采样处理，得到不同尺度的多个下采样特征图；
对多个所述下采样特征图中的目标下采样特征图进行上采样处理，得到上采样特征图，所述上采样特征图与所述初始特征图尺度一致；
根据所述上采样特征图进行头部关键点识别，得到所述待处理图像中的头部关键点。
在一种可能的实现方式中，所述处理模块，还可以用于：
分别对多个所述下采样特征图进行头部区域识别，得到各个所述下采样特征图对应的头部区域；
对各个所述下采样特征图对应的头部区域进行合并处理，得到所述待处理图像对应的头部区域。
在一种可能的实现方式中，所述特征提取模块及所述处理模块通过所述定位网络实现，所述装置还可以包括：
训练模块，用于通过预设的训练集训练所述定位网络，所述训练集包括多个样本组，所述样本组中包括样本图像、样本图像对应的标注头部关键点和标注头部区域。
在一种可能的实现方式中，所述定位网络包括特征提取网络、头部关键点定位网络、头部区域定位网络，所述训练模块还可以用于：
通过所述特征提取网络对所述样本图像进行特征提取，得到所述样本图像的初始特征图；
对所述样本图像的初始特征图进行下采样处理，得到不同大小的多个样本下采样特征图；
通过所述头部关键点定位网络对目标样本下采样特征图进行上采样处理，得到样本上采样特征图，所述样本上采样特征图与所述样本图像的初始特征图大小一致；
通过所述头部关键点定位网络对所述样本上采样特征图进行头部关键点识别，得到所述样本图像对应的头部关键点；
根据所述样本图像对应的头部关键点及所述标注头部关键点，训练所述头部关键点定位网络。
在一种可能的实现方式中，所述训练模块，还可以用于：
通过所述头部区域定位网络分别对多个所述样本下采样特征图进行头部区域识别，得到各个所述样本下采样特征图对应的头部区域；
根据所述样本下采样特征图对应的头部区域及所述标注头部区域，训练所述头部区域定位网络。
在一种可能的实现方式中，所述处理模块，还可以用于：
确定所述待处理图像中各头部区域的位置信息；
根据各所述头部区域的位置信息，以及头部区域的尺寸与所述头部区域的位置信息的关联关系，确定所述头部区域的尺寸；
根据所述头部区域的位置信息及所述头部区域的尺寸，得到所述头部区域。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的对象计数方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的对象计数方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (13)

1.一种对象计数方法，其特征在于，包括：
对待处理图像进行特征提取，得到所述待处理图像的初始特征图；
根据所述初始特征图，得到所述待处理图像中的头部关键点及头部区域；
根据所述头部关键点及所述头部区域，对所述待处理图像进行对象计数及定位，确定所述待处理图像中对象的数量及位置。
2.根据权利要求1所述的方法，其特征在于，所述根据所述头部关键点及所述头部区域，对所述待处理图像进行对象计数及定位，确定所述待处理图像中对象的数量及位置，包括：
确定各所述头部关键点与各所述头部区域的中心点之间的相似度；
确定与所述头部关键点的相似度满足阈值条件的头部区域，将所述与所述头部关键点的相似度满足阈值条件的头部区域与所述头部关键点进行合并，得到合并信息；
根据所述合并信息、未合并的头部关键点及未合并的头部区域，对所述待处理图像进行计数及定位，确定所述待处理图像中对象的数量及位置。
3.根据权利要求2所述的方法，其特征在于，所述确定与所述头部关键点的相似度满足阈值条件的头部区域，将所述与所述头部关键点的相似度满足阈值条件的头部区域与所述头部关键点进行合并，得到合并信息，包括：
删除所述与所述头部关键点的相似度满足阈值条件的头部区域；
根据所述头部关键点及所述头部区域的尺寸，得到合并后的头部区域，其中，所述合并信息包括所述头部关键点及所述合并后的头部区域。
4.根据权利要求3所述的方法，其特征在于，所述确定与所述头部关键点的相似度满足阈值条件的头部区域，将所述与所述头部关键点的相似度满足阈值条件的头部区域与所述头部关键点进行合并，得到合并信息，包括：
将所述头部关键点按照置信度进行排序；
按照所述头部关键点的置信度由大到小的顺序，将所述头部关键点与所述头部区域进行合并，得到合并信息。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述根据所述初始特征图，得到所述待处理图像中的头部关键点，包括：
对所述初始特征图进行下采样处理，得到不同尺度的多个下采样特征图；
对多个所述下采样特征图中的目标下采样特征图进行上采样处理，得到上采样特征图，所述上采样特征图与所述初始特征图尺度一致；
根据所述上采样特征图进行头部关键点识别，得到所述待处理图像中的头部关键点。
6.根据权利要求5所述的方法，其特征在于，所述根据所述初始特征图，得到所述待处理图像中的头部区域，还包括：
分别对多个所述下采样特征图进行头部区域识别，得到各个所述下采样特征图对应的头部区域；
对各个所述下采样特征图对应的头部区域进行合并处理，得到所述待处理图像对应的头部区域。
7.根据权利要求1至6任一项所述的方法，其特征在于，通过定位网络实现所述对待处理图像进行特征提取，得到所述待处理图像的初始特征图；根据所述初始特征图，得到所述待处理图像中的头部关键点及头部区域，所述方法还包括：
通过预设的训练集训练所述定位网络，所述训练集包括多个样本组，所述样本组中包括样本图像、样本图像对应的标注头部关键点和标注头部区域。
8.根据权利要求7所述的方法，其特征在于，所述定位网络包括特征提取网络、头部关键点定位网络、头部区域定位网络，所述通过预设的训练集训练所述定位网络，包括：
通过所述特征提取网络对所述样本图像进行特征提取，得到所述样本图像的初始特征图；
对所述样本图像的初始特征图进行下采样处理，得到不同大小的多个样本下采样特征图；
通过所述头部关键点定位网络对目标样本下采样特征图进行上采样处理，得到样本上采样特征图，所述样本上采样特征图与所述样本图像的初始特征图大小一致；
通过所述头部关键点定位网络对所述样本上采样特征图进行头部关键点识别，得到所述样本图像对应的头部关键点；
根据所述样本图像对应的头部关键点及所述标注头部关键点，训练所述头部关键点定位网络。
9.根据权利要求8所述的方法，其特征在于，所述通过预设的训练集训练所述定位网络，还包括：
通过所述头部区域定位网络分别对多个所述样本下采样特征图进行头部区域识别，得到各个所述样本下采样特征图对应的头部区域；
根据所述样本下采样特征图对应的头部区域及所述标注头部区域，训练所述头部区域定位网络。
10.根据权利要求1至8中任一项所述的方法，其特征在于，所述根据所述初始特征图，得到所述待处理图像中的头部区域，包括：
确定所述待处理图像中各头部区域的位置信息；
根据各所述头部区域的位置信息，以及头部区域的尺寸与所述头部区域的位置信息的关联关系，确定所述头部区域的尺寸；
根据所述头部区域的位置信息及所述头部区域的尺寸，得到所述头部区域。
11.一种对象计数装置，其特征在于，包括：
特征提取模块，用于对待处理图像进行特征提取，得到所述待处理图像的初始特征图；
处理模块，用于根据所述初始特征图，得到所述待处理图像中的头部关键点及头部区域；
计数模块，用于根据所述头部关键点及所述头部区域，对所述待处理图像进行对象计数及定位，确定所述待处理图像中对象的数量及位置。
12.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至10中任意一项所述的方法。
13.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至10中任意一项所述的方法。
CN202010469232.7A 2020-05-28 2020-05-28 对象计数方法及装置、电子设备和存储介质 Pending CN111652107A (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010469232.7A CN111652107A (zh) 2020-05-28 2020-05-28 对象计数方法及装置、电子设备和存储介质
KR1020217030685A KR20210148134A (ko) 2020-05-28 2020-12-03 대상 카운트 방법, 장치, 전자 기기, 저장 매체 및 프로그램
PCT/CN2020/133690 WO2021238135A1 (zh) 2020-05-28 2020-12-03 对象计数方法、装置、电子设备、存储介质及程序
JP2021547419A JP2022537865A (ja) 2020-05-28 2020-12-03 対象計数方法、装置、電子機器、記憶媒体及びプログラム
TW110100177A TWI779449B (zh) 2020-05-28 2021-01-04 對象計數方法、電子設備、電腦可讀儲存介質

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010469232.7A CN111652107A (zh) 2020-05-28 2020-05-28 对象计数方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN111652107A true CN111652107A (zh) 2020-09-11

Family

ID=72346863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010469232.7A Pending CN111652107A (zh) 2020-05-28 2020-05-28 对象计数方法及装置、电子设备和存储介质

Country Status (5)

Country Link
JP (1) JP2022537865A (zh)
KR (1) KR20210148134A (zh)
CN (1) CN111652107A (zh)
TW (1) TWI779449B (zh)
WO (1) WO2021238135A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537172A (zh) * 2021-09-16 2021-10-22 长沙海信智能系统研究院有限公司 人群密度确定方法、装置、设备及存储介质
WO2021238135A1 (zh) * 2020-05-28 2021-12-02 北京市商汤科技开发有限公司 对象计数方法、装置、电子设备、存储介质及程序
WO2023155350A1 (zh) * 2022-02-17 2023-08-24 上海商汤智能科技有限公司 一种人群定位方法及装置、电子设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160335519A1 (en) * 2015-05-12 2016-11-17 Qualcomm Incorporated Keypoint detection with trackability measurements
CN107967451A (zh) * 2017-11-23 2018-04-27 常州大学 一种利用多尺度多任务卷积神经网络对静止图像进行人群计数的方法
CN111160243A (zh) * 2019-12-27 2020-05-15 深圳云天励飞技术有限公司 客流量统计方法及相关产品

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI624543B (zh) * 2011-09-25 2018-05-21 賽瑞諾斯有限公司 用於多重分析的系統和方法
CN103324977B (zh) * 2012-03-21 2016-03-30 日电（中国）有限公司 一种目标数量检测方法和设备
CN106570440A (zh) * 2015-10-09 2017-04-19 株式会社日立制作所 基于图像分析的人数统计方法和人数统计装置
CN105740945B (zh) * 2016-02-04 2018-03-16 中山大学 一种基于视频分析的人群计数方法
CN108305317B (zh) * 2017-08-04 2020-03-17 腾讯科技（深圳）有限公司 一种图像处理方法、装置及存储介质
CN108875588B (zh) * 2018-05-25 2022-04-15 武汉大学 基于深度学习的跨摄像头行人检测跟踪方法
CN109766796B (zh) * 2018-12-20 2023-04-18 西华大学 一种面向密集人群的深度行人检测方法
CN109726658B (zh) * 2018-12-21 2022-10-04 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
CN109657631B (zh) * 2018-12-25 2020-08-11 上海智臻智能网络科技股份有限公司 人体姿态识别方法及装置
CN111178208B (zh) * 2019-12-20 2023-08-15 华瑞新智科技（北京）有限公司 基于深度学习的行人检测方法、装置及介质
CN111652107A (zh) * 2020-05-28 2020-09-11 北京市商汤科技开发有限公司 对象计数方法及装置、电子设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160335519A1 (en) * 2015-05-12 2016-11-17 Qualcomm Incorporated Keypoint detection with trackability measurements
CN107967451A (zh) * 2017-11-23 2018-04-27 常州大学 一种利用多尺度多任务卷积神经网络对静止图像进行人群计数的方法
CN111160243A (zh) * 2019-12-27 2020-05-15 深圳云天励飞技术有限公司 客流量统计方法及相关产品

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021238135A1 (zh) * 2020-05-28 2021-12-02 北京市商汤科技开发有限公司 对象计数方法、装置、电子设备、存储介质及程序
CN113537172A (zh) * 2021-09-16 2021-10-22 长沙海信智能系统研究院有限公司 人群密度确定方法、装置、设备及存储介质
CN113537172B (zh) * 2021-09-16 2021-12-10 长沙海信智能系统研究院有限公司 人群密度确定方法、装置、设备及存储介质
WO2023155350A1 (zh) * 2022-02-17 2023-08-24 上海商汤智能科技有限公司 一种人群定位方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
KR20210148134A (ko) 2021-12-07
JP2022537865A (ja) 2022-08-31
TWI779449B (zh) 2022-10-01
TW202145064A (zh) 2021-12-01
WO2021238135A1 (zh) 2021-12-02

Similar Documents

Publication Publication Date Title
CN109740516B (zh) 一种用户识别方法、装置、电子设备及存储介质
CN110688951B (zh) 图像处理方法及装置、电子设备和存储介质
CN110674719B (zh) 目标对象匹配方法及装置、电子设备和存储介质
CN109522910B (zh) 关键点检测方法及装置、电子设备和存储介质
CN107692997B (zh) 心率检测方法及装置
CN110569777B (zh) 图像处理方法及装置、电子设备和存储介质
CN109948494B (zh) 图像处理方法及装置、电子设备和存储介质
CN110472091B (zh) 图像处理方法及装置、电子设备和存储介质
CN111310616A (zh) 图像处理方法及装置、电子设备和存储介质
CN110458218B (zh) 图像分类方法及装置、分类网络训练方法及装置
CN113538519A (zh) 目标追踪方法及装置、电子设备和存储介质
CN110633700B (zh) 视频处理方法及装置、电子设备和存储介质
CN110781813B (zh) 图像识别方法及装置、电子设备和存储介质
CN111652107A (zh) 对象计数方法及装置、电子设备和存储介质
CN112991553B (zh) 信息展示方法及装置、电子设备和存储介质
CN111243011A (zh) 关键点检测方法及装置、电子设备和存储介质
CN109635142B (zh) 图像选择方法及装置、电子设备和存储介质
CN109034150B (zh) 图像处理方法及装置
CN110933488A (zh) 视频剪辑方法及装置
CN110532956B (zh) 图像处理方法及装置、电子设备和存储介质
CN109685041B (zh) 图像分析方法及装置、电子设备和存储介质
CN111523485A (zh) 位姿识别方法及装置、电子设备和存储介质
CN109101542B (zh) 图像识别结果输出方法及装置、电子设备和存储介质
CN111582383A (zh) 属性识别方法及装置、电子设备和存储介质
CN111523346A (zh) 图像识别方法及装置、电子设备和存储介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40030147

Country of ref document: HK