CN111695544B - 基于人群检测模型的信息发送方法、装置和计算机设备 - Google Patents

基于人群检测模型的信息发送方法、装置和计算机设备 Download PDF

Info

Publication number
CN111695544B
CN111695544B CN202010582608.5A CN202010582608A CN111695544B CN 111695544 B CN111695544 B CN 111695544B CN 202010582608 A CN202010582608 A CN 202010582608A CN 111695544 B CN111695544 B CN 111695544B
Authority
CN
China
Prior art keywords
image
preset
parameter set
machine
shooting parameter
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
Application number
CN202010582608.5A
Other languages
English (en)
Other versions
CN111695544A (zh
Inventor
李彦良
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.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China 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 Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN202010582608.5A priority Critical patent/CN111695544B/zh
Publication of CN111695544A publication Critical patent/CN111695544A/zh
Application granted granted Critical
Publication of CN111695544B publication Critical patent/CN111695544B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
    • H04N7/185—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source from a mobile camera, e.g. for remote control

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Alarm Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及人工智能技术领域，应用于智慧城市领域中，揭示了一种基于人群检测模型的信息发送方法、装置、计算机设备和存储介质，包括：获取第一空间位置，并控制无人机飞至第二空间位置；进行试扫描操作，并将试扫描操作时的拍摄参数集记为第一拍摄参数集；将第一飞行子机弹射离开无人机，以使第一飞行子机飞至第三空间位置；获取第二拍摄参数集；将第二拍摄参数集发送给第一飞行子机；获取第一图像，以及获取第二图像；将第一图像和第二图像输入人群检测模型，从而得到预测人数；若预测人数大于人数阈值，则向地面终端发送人群疏散的提醒信息。从而提高人群检测的准确性。此外，本申请还涉及区块链技术，所述人群检测模型可存储于区块链中。

Description

基于人群检测模型的信息发送方法、装置和计算机设备
技术领域
本申请涉及人工智能技术领域，特别是涉及一种基于人群检测模型的信息发送方法、装置、计算机设备和存储介质。
背景技术
人群过度密集容易造成群体践踏等事件，而为了避免群体践踏等事件的发生，最直接的方法就是在人群过度密集之初就及时检测出来，并将人群疏散。在这个过程中，如何及时且准确地进行人群的人数检测，是个问题。传统的方案中，存在利用无人机进行图像采集，以作为人群的人数检测的依据。但这种传统的方案，由于是远距离的图像采集，因此会导致最终的检测准确性不足，并且对于遮挡较多的区域(例如地势不平的城市中)无能为力。
发明内容
本申请的主要目的为提供一种基于人群检测模型的信息发送方法、装置、计算机设备和存储介质，旨在提高人群检测的准确性。
为了实现上述发明目的，本申请提出一种基于人群检测模型的信息发送方法，应用于控制终端，所述控制终端用于控制预设的无人机，所述无人机上设置有第一飞行子机，所述第一飞行子机在脱离所述无人机后能够独立飞行，所述第一飞行子机上设置有图像扫描设备；包括：
获取待进行图像采集的区域的第一空间位置，并控制所述无人机飞至第二空间位置；
利用所述无人机上的第一图像扫描设备，对所述待进行图像采集的区域进行试扫描操作，并将所述试扫描操作时的拍摄参数集记为第一拍摄参数集；
利用所述无人机上预设的第一弹射设备，将所述第一飞行子机弹射离开所述无人机，以使所述第一飞行子机飞至第三空间位置；其中所述第三空间位置与所述第二空间位置的连线平行于水平面；并且所述第三空间位置与所述第二空间位置的连线中心的铅垂线，经过所述第一空间位置；
根据预设的镜像参数获取方法，获取与所述第一拍摄参数集对应的第二拍摄参数集；
将所述第二拍摄参数集发送给所述第一飞行子机，并要求所述第一飞行子机根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理；
获取所述第一图像扫描设备采集得到的第一图像，以及获取所述第一飞行子机发送的第二图像；其中，所述第一图像指所述第一图像扫描设备根据所述第一拍摄参数集，对所述待进行图像采集的区域进行图像采集得到的图像；所述第二图像指所述第一飞行子机上的图像扫描设备根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像采集得到的图像；
将所述第一图像和所述第二图像输入预设的人群检测模型中进行处理，从而得到所述人群检测模型输出的预测人数；其中，所述人群检测模型基于神经网络模型，并采用第一训练数据训练而成，所述第一训练数据由预先收集的训练用图像对和对应的人工标识的人数构成，所述训练用图像对包括两幅互为镜像的人群图像；
判断所述预测人数是否大于预设的人数阈值；
若所述预测人数大于预设的人数阈值，则向预设的地面终端发送人群疏散的提醒信息。
进一步地，在地面上预设有温度传感器阵列，所述待进行图像采集的区域位于所述地面上，所述温度传感器阵列与预设的无线信号发送器信号连接，所述获取待进行图像采集的区域的第一空间位置的步骤,包括：
获取所述无线信号发送器发送的温度信号组，所述温度信号组里的温度信号由所述温度传感器阵列中的温度传感器分别采集得到；
计算所述温度信号组中的最大温度值，并判断所述最大温度值是否大于预设的温度阈值；
若所述最大温度值大于预设的温度阈值，则计算所述温度信号组在预设时间段内的最大波动值，并判断所述最大波动值是否大于预设的偏差值；其中所述最大波动值指，所述温度信号组里中数值变化最大的温度信号的数值变化值；
若所述最大波动值不大于预设的偏差值，则根据预设的温度信号-温度传感器定位位置的对应关系，获取与所述最大温度值对应的指定定位位置；
获取待进行图像采集的区域的第一空间位置，其中所述第一空间位置以所述指定定位位置为中心。
进一步地，所述无人机上还设置有第二飞行子机，所述第二飞行子机在脱离所述无人机后能够独立飞行；所述要求所述第一飞行子机根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理的步骤,包括：
利用所述无人机上预设的第二弹射设备，将所述第二飞行子机弹射离开所述无人机，以使所述第二飞行子机飞至第四空间位置；其中所述第四空间位置位于所述第三空间位置与所述第二空间位置的连线中心；
向所述第二飞行子机发送所述第一拍摄参数集和所述第二拍摄参数集，并要求所述第二飞行子机同时发送携带有第一拍摄参数集的第一拍摄指令和携带有第二拍摄参数集的第二拍摄指令；其中，所述第一拍摄指令用于指示所述无人机上的第一图像扫描设备根据所述第一拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理；所述第二拍摄指令用于指示所述第一飞行子机根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理；
获取所述第二飞行子机发送的所述第一拍摄指令，并且所述第一飞行子机同时接收到所述第二飞行子机发送的所述第二拍摄指令。
进一步地，所述将所述第一图像和所述第二图像输入预设的人群检测模型中进行处理，从而得到所述人群检测模型输出的预测人数的步骤之前，包括：
从预设的数据库中调取指定数量的样本图像对；其中样本图像对由第一训练用图像和第二训练用图像构成，所述第一训练用图像是在第一取景位置对指定取景人群进行图像采集而得，所述第二训练用图像是在第二取景位置对指定取景人群进行图像采集而得，所述第一取景位置与所述第二取景位置关于所述指定取景人群所在的铅垂面镜面对称，所述第一训练用图像和所述第二训练用图像是在同一时间采集得到的，所述样本图像对被人工标注了人数；
将所述指定数量的样本图像对划分为训练图像对和验证图像对；
调用预设的神经网络模型，并将所述训练图像对输入所述神经网络模型进行训练，从而得到暂时模型；
利用所述验证图像对对所述暂时模型进行验证，以得到验证结果，并判断验证结果是否为验证通过；
若验证结果为验证通过，则将所述暂时模型记为人群检测模型。
进一步地，所述无人机上还设置有第二图像扫描设备，所述第二图像扫描设备是基于红外线成像原理的图像扫描设备，所述判断所述预测人数是否大于预设的人数阈值的步骤之后，包括：
若所述预测人数不大于预设的人数阈值，则利用所述第二图像扫描设备对所述第一空间位置进行图像采集，以得到红外图像；
将所述红外图像输入预设的红外图像检测模型中进行处理，从而得到所述红外图像检测模型输出的人数；
判断所述红外图像检测模型输出的人数是否大于预设的人数阈值；
若所述红外图像检测模型输出的人数大于预设的人数阈值，则向预设的地面终端发送人群疏散的提醒信息。
本申请提供一种基于人群检测模型的信息发送装置，应用于控制终端，所述控制终端用于控制预设的无人机，所述无人机上设置有第一飞行子机，所述第一飞行子机在脱离所述无人机后能够独立飞行，所述第一飞行子机上设置有图像扫描设备；包括：
第一空间位置获取单元，用于获取待进行图像采集的区域的第一空间位置，并控制所述无人机飞至第二空间位置；
试扫描操作单元，用于利用所述无人机上的第一图像扫描设备，对所述待进行图像采集的区域进行试扫描操作，并将所述试扫描操作时的拍摄参数集记为第一拍摄参数集；
第一弹射单元，用于利用所述无人机上预设的第一弹射设备，将所述第一飞行子机弹射离开所述无人机，以使所述第一飞行子机飞至第三空间位置；其中所述第三空间位置与所述第二空间位置的连线平行于水平面；并且所述第三空间位置与所述第二空间位置的连线中心的铅垂线，经过所述第一空间位置；
第二拍摄参数集获取单元，用于根据预设的镜像参数获取方法，获取与所述第一拍摄参数集对应的第二拍摄参数集；
第二拍摄参数集发送单元，用于将所述第二拍摄参数集发送给所述第一飞行子机，并要求所述第一飞行子机根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理；
图像获取单元，用于获取所述第一图像扫描设备采集得到的第一图像，以及获取所述第一飞行子机发送的第二图像；其中，所述第一图像指所述第一图像扫描设备根据所述第一拍摄参数集，对所述待进行图像采集的区域进行图像采集得到的图像；所述第二图像指所述第一飞行子机上的图像扫描设备根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像采集得到的图像；
预测人数获取单元，用于将所述第一图像和所述第二图像输入预设的人群检测模型中进行处理，从而得到所述人群检测模型输出的预测人数；其中，所述人群检测模型基于神经网络模型，并采用第一训练数据训练而成，所述第一训练数据由预先收集的训练用图像对和对应的人工标识的人数构成，所述训练用图像对包括两幅互为镜像的人群图像；
预测人数判断单元，用于判断所述预测人数是否大于预设的人数阈值；
提醒信息发送单元，用于若所述预测人数大于预设的人数阈值，则向预设的地面终端发送人群疏散的提醒信息。
进一步地，在地面上预设有温度传感器阵列，所述待进行图像采集的区域位于所述地面上，所述温度传感器阵列与预设的无线信号发送器信号连接，所述第一空间位置获取单元,包括：
温度信号组获取子单元，用于获取所述无线信号发送器发送的温度信号组，所述温度信号组里的温度信号由所述温度传感器阵列中的温度传感器分别采集得到；
最大温度值判断子单元，用于计算所述温度信号组中的最大温度值，并判断所述最大温度值是否大于预设的温度阈值；
最大波动值判断子单元，用于若所述最大温度值大于预设的温度阈值，则计算所述温度信号组在预设时间段内的最大波动值，并判断所述最大波动值是否大于预设的偏差值；其中所述最大波动值指，所述温度信号组里中数值变化最大的温度信号的数值变化值；
指定定位位置获取子单元，用于若所述最大波动值不大于预设的偏差值，则根据预设的温度信号-温度传感器定位位置的对应关系，获取与所述最大温度值对应的指定定位位置；
第一空间位置获取子单元，用于获取待进行图像采集的区域的第一空间位置，其中所述第一空间位置以所述指定定位位置为中心。
进一步地，所述无人机上还设置有第二飞行子机，所述第二飞行子机在脱离所述无人机后能够独立飞行；所述第二拍摄参数集发送单元,包括：
第二弹射子单元，用于利用所述无人机上预设的第二弹射设备，将所述第二飞行子机弹射离开所述无人机，以使所述第二飞行子机飞至第四空间位置；其中所述第四空间位置位于所述第三空间位置与所述第二空间位置的连线中心；
拍摄参数集发送子单元，用于向所述第二飞行子机发送所述第一拍摄参数集和所述第二拍摄参数集，并要求所述第二飞行子机同时发送携带有第一拍摄参数集的第一拍摄指令和携带有第二拍摄参数集的第二拍摄指令；其中，所述第一拍摄指令用于指示所述无人机上的第一图像扫描设备根据所述第一拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理；所述第二拍摄指令用于指示所述第一飞行子机根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理；
第一拍摄指令获取子单元，用于获取所述第二飞行子机发送的所述第一拍摄指令，并且所述第一飞行子机同时接收到所述第二飞行子机发送的所述第二拍摄指令。
本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请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上述任一项所述的方法的步骤。
本申请的基于人群检测模型的信息发送方法、装置、计算机设备和存储介质，获取待进行图像采集的区域的第一空间位置，并控制所述无人机飞至第二空间位置；对所述待进行图像采集的区域进行试扫描操作，并将所述试扫描操作时的拍摄参数集记为第一拍摄参数集；将所述第一飞行子机弹射离开所述无人机，以使所述第一飞行子机飞至第三空间位置；获取与所述第一拍摄参数集对应的第二拍摄参数集；将所述第二拍摄参数集发送给所述第一飞行子机；获取所述第一图像扫描设备采集得到的第一图像，以及获取所述第一飞行子机发送的第二图像；将所述第一图像和所述第二图像输入预设的人群检测模型中进行处理，从而得到所述人群检测模型输出的预测人数；若所述预测人数大于预设的人数阈值，则向预设的地面终端发送人群疏散的提醒信息。从而实现了人群的人数检测，保证了检测的准确性，弥补了远距离图像采集的准确性不足的缺陷，并且可适用于遮挡较多的区域。
附图说明
图1为本申请一实施例的基于人群检测模型的信息发送方法的流程示意图；
图2为本申请一实施例的基于人群检测模型的信息发送装置的结构示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请通过特别的设计，实现了人群的人数检测，保证了检测的准确性。其中，采用了无人机与第一飞行子机的方法，以采集得到第一图像和第二图像，从而弥补了远距离图像采集的准确性不足的缺陷，并且可适用于遮挡较多的区域。其中，本申请可应用于任意可行场景，例如可应用于平地或者山地，优选应用于遮挡较多的场景，例如应用于地势起伏不定的城市中。
参照图1，本申请实施例提供一种基于人群检测模型的信息发送方法，应用于控制终端，所述控制终端用于控制预设的无人机，所述无人机上设置有第一飞行子机，所述第一飞行子机在脱离所述无人机后能够独立飞行，所述第一飞行子机上设置有图像扫描设备；包括：
S1、获取待进行图像采集的区域的第一空间位置，并控制所述无人机飞至第二空间位置；其中，所述第二空间位置的海拔高度高于所述第一空间位置，所述第一空间位置与所述第二空间位置的距离值小于预设的距离阈值；其中，所述待进行图像采集的区域中至少存在一个人类；
S2、利用所述无人机上的第一图像扫描设备，对所述待进行图像采集的区域进行试扫描操作，并将所述试扫描操作时的拍摄参数集记为第一拍摄参数集；
S3、利用所述无人机上预设的第一弹射设备，将所述第一飞行子机弹射离开所述无人机，以使所述第一飞行子机飞至第三空间位置；其中所述第三空间位置与所述第二空间位置的连线平行于水平面；并且所述第三空间位置与所述第二空间位置的连线中心的铅垂线，经过所述第一空间位置；
S4、根据预设的镜像参数获取方法，获取与所述第一拍摄参数集对应的第二拍摄参数集；
S5、将所述第二拍摄参数集发送给所述第一飞行子机，并要求所述第一飞行子机根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理；
S6、获取所述第一图像扫描设备采集得到的第一图像，以及获取所述第一飞行子机发送的第二图像；其中，所述第一图像指所述第一图像扫描设备根据所述第一拍摄参数集，对所述待进行图像采集的区域进行图像采集得到的图像；所述第二图像指所述第一飞行子机上的图像扫描设备根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像采集得到的图像；
S7、将所述第一图像和所述第二图像输入预设的人群检测模型中进行处理，从而得到所述人群检测模型输出的预测人数；其中，所述人群检测模型基于神经网络模型，并采用第一训练数据训练而成，所述第一训练数据由预先收集的训练用图像对和对应的人工标识的人数构成，所述训练用图像对包括两幅互为镜像的人群图像；
S8、判断所述预测人数是否大于预设的人数阈值；
S9、若所述预测人数大于预设的人数阈值，则向预设的地面终端发送人群疏散的提醒信息。
如上述步骤S1-S2所述，获取待进行图像采集的区域的第一空间位置，并控制所述无人机飞至第二空间位置；其中，所述第二空间位置的海拔高度高于所述第一空间位置，所述第一空间位置与所述第二空间位置的距离值小于预设的距离阈值；其中，所述待进行图像采集的区域中至少存在一个人类；利用所述无人机上的第一图像扫描设备，对所述待进行图像采集的区域进行试扫描操作，并将所述试扫描操作时的拍摄参数集记为第一拍摄参数集。其中，所述第一空间位置指的是待进行图像采集的区域的位置，其可以为一个空间点，也可以为一个空间点集合；当其为空间点集合时，其他空间位置与所述第一空间位置的相对位置关系，实际上指提是与所述第一空间位置的中心点的相对位置关系。所述第二空间位置的海拔高度高于所述第一空间位置，所述第一空间位置与所述第二空间位置的距离值小于预设的距离阈值，指的是无人机已升空，且升空后到达的位置能够进行清晰的图像采集。而当所述第一空间位置与所述第二空间位置的距离值不小于预设的距离阈值时，距离过远，进行图像采集得到的图像准确度底，不宜使用。其中的试扫描操作，其目的在于调整拍摄参数，以使得第一图像扫描设备能够对待进行图像采集的区域进行准确地图像采集。但是，需要注意的是，此时第一图像扫描设备还未进行正式的图像采集工作。
如上述步骤S3所述，利用所述无人机上预设的第一弹射设备，将所述第一飞行子机弹射离开所述无人机，以使所述第一飞行子机飞至第三空间位置；其中所述第三空间位置与所述第二空间位置的连线平行于水平面；并且所述第三空间位置与所述第二空间位置的连线中心的铅垂线，经过所述第一空间位置。其中所述无人机上搭载有所述第一飞行子机，通过所述第一弹射设备可将第一飞行子机快速弹射出去，以使所述第一飞行子机在极短时间内飞至第三空间位置。其中，设置第一弹射设备的目的在于，尽量缩短第一飞行子机至第三空间位置的时间，这是本申请的一个特点，即在试扫描操作之后的其他操作的时间都尽量缩减，以使所述第一拍摄参数集的使用准确性更佳。
如上述步骤S4-S5所述，根据预设的镜像参数获取方法，获取与所述第一拍摄参数集对应的第二拍摄参数集；将所述第二拍摄参数集发送给所述第一飞行子机，并要求所述第一飞行子机根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理。其中，所述第一拍摄参数集中参数，例如取景角度(俯角)等，通过镜像处理后，使得第一飞行子机在第三空间位置上无需进行试扫描，即可对所述待进行图像采集的区域进行准确地图像采集操作。从而，缩短了试扫描操作之后，至正式图像采集的总时间，使得图像质量更高。因此，将所述第二拍摄参数集发送给所述第一飞行子机，并要求所述第一飞行子机根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理。
如上述步骤S6所述，获取所述第一图像扫描设备采集得到的第一图像，以及获取所述第一飞行子机发送的第二图像；其中，所述第一图像指所述第一图像扫描设备根据所述第一拍摄参数集，对所述待进行图像采集的区域进行图像采集得到的图像；所述第二图像指所述第一飞行子机上的图像扫描设备根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像采集得到的图像。需要注意的是，第一图像与第二图像是对同一区域进行图像采集得到的，并且采用的拍摄参数集是关联的，因此具有图像细节弥补的作用，从而解决了普通的远距离图像采集不准确的问题。进一步地，所述第一图像和所述第二图像均在约定的时间点进行图像采集得到，从而提高了图像间的相关性，使得图像配套使用的性能更佳，更利于后续的人群的人数检测。
如上述步骤S7所述，将所述第一图像和所述第二图像输入预设的人群检测模型中进行处理，从而得到所述人群检测模型输出的预测人数；其中，所述人群检测模型基于神经网络模型，并采用第一训练数据训练而成，所述第一训练数据由预先收集的训练用图像对和对应的人工标识的人数构成，所述训练用图像对包括两幅互为镜像的人群图像。需要注意的是，本申请采用的人群检测模型与普通的模型不同，是由预先收集的训练用图像对训练得到的，而普通模型只采用单一图像进行训练，因此本申请的人群检测模型的准确性更高。本申请采用的人群检测模型基于神经网络模型，并采用第一训练数据训练而成，所述第一训练数据由预先收集的训练用图像对和对应的人工标识的人数构成，所述训练用图像对包括两幅互为镜像的人群图像，从而能够胜任人数预测工作。其中，所述神经网络模型可采用任意可行模型，例如采用卷积神经网络模型等等。进一步地，进行预测人数的过程，还可以采用其他任意可行方式，例如采用HOG(方向梯度直方图)算法进行图像检测，以预测出人数，或者采用基于HOG(方向梯度直方图)和SVM(支持向量机)的行人检测算法进行图像检测，以预测出人数。其中，所述采用基于HOG和SVM的行人检测算法进行图像检测的方式，包括：获取用于训练的图片，并对所述用于训练的图片进行低秩稀疏矩阵分解，以得到稀疏部分，再调用预设的支持向量机，并利用稀疏部分训练支持向量机,再利用训练得到的支持向量机对第一图像和第二图像分别进行先低秩稀疏矩阵分解再输入训练得到的支持向量机的处理，从而得到输出的两个人数(分别对应第一图像和第二图像)，再将这两个人数中较大的人数作为预测人数进行输出。其中，低秩稀疏矩阵分解采用GoDec模型来实现。GoDec模型的目的是对于一个矩阵X来说，可以通过算法处理，将它分为三部分：低秩的部分，离散的部分以及噪声，可以用公式来表示这一过程：X＝L+S+G,rank(L)≤r,card(S)≤k，其中G为噪声。对于低秩稀疏矩阵分解问题，可以通过最小化分解误差来完成。分解误差的定义如下式所示：最小化分解误差又可以通过迭代的计算如下两个公式和直到收敛。
接下来，又可以通过不断更新Lt和更新St来解决，最终的公式为：
如上述步骤S8-S9所述，判断所述预测人数是否大于预设的人数阈值；若所述预测人数大于预设的人数阈值，则向预设的地面终端发送人群疏散的提醒信息。若所述预测人数大于预设的人数阈值，表明人群过于密集，若不进行疏散，有群体践踏等事件发生的危险。因此，向预设的地面终端发送人群疏散的提醒信息。其中，所述预设的地面终端例如为地面工作人员持有的终端，地面工作人员在获得提醒信息之后，进行人群疏散工作，从而防止灾害发生。
在一个实施方式中，在地面上预设有温度传感器阵列，所述待进行图像采集的区域位于所述地面上，所述温度传感器阵列与预设的无线信号发送器信号连接，所述获取待进行图像采集的区域的第一空间位置的步骤S1,包括：
S101、获取所述无线信号发送器发送的温度信号组，所述温度信号组里的温度信号由所述温度传感器阵列中的温度传感器分别采集得到；
S102、计算所述温度信号组中的最大温度值，并判断所述最大温度值是否大于预设的温度阈值；
S103、若所述最大温度值大于预设的温度阈值，则计算所述温度信号组在预设时间段内的最大波动值，并判断所述最大波动值是否大于预设的偏差值；其中所述最大波动值指，所述温度信号组里中数值变化最大的温度信号的数值变化值；
S104、若所述最大波动值不大于预设的偏差值，则根据预设的温度信号-温度传感器定位位置的对应关系，获取与所述最大温度值对应的指定定位位置；
S105、获取待进行图像采集的区域的第一空间位置，其中所述第一空间位置以所述指定定位位置为中心。
如上所述，实现了获取待进行图像采集的区域的第一空间位置。传统的人群的人数检测方案不准确的一个原因在于，无法准确地找到人群中心，因此分析结果必然存在不准确的缺陷。而本申请通过在地面上预设有温度传感器阵列，所述待进行图像采集的区域位于所述地面上的方式，实现了准确获取人群中心，从而提高准确性。具体地，获取所述无线信号发送器发送的温度信号组，所述温度信号组里的温度信号由所述温度传感器阵列中的温度传感器分别采集得到；计算所述温度信号组中的最大温度值，并判断所述最大温度值是否大于预设的温度阈值。其中，当人群拥挤时，最密集处其温度越高，因此所述最大温度值大于预设的温度阈值，则表明所述最大温度值可能是人群最密集位置。但是，本申请通过进一步地设计，以保证最密集位置的准确性。即，若所述最大温度值大于预设的温度阈值，则计算所述温度信号组在预设时间段内的最大波动值，并判断所述最大波动值是否大于预设的偏差值；其中所述最大波动值指，所述温度信号组里中数值变化最大的温度信号的数值变化值；若所述最大波动值不大于预设的偏差值，则根据预设的温度信号-温度传感器定位位置的对应关系，获取与所述最大温度值对应的指定定位位置。此时，所述最大波动值不大于预设的偏差值，表明人群不仅密集，而且流动性低，从而应当以与所述最大温度值对应的指定定位位置为中心。据此，获取待进行图像采集的区域的第一空间位置，其中所述第一空间位置以所述指定定位位置为中心。其中，所述第一空间位置实际上为多个空间点的集合，即为一个空间区域。进一步地，所述第一空间位置的边缘，例如为离所述指定定位位置为预设距离的空间点。从而后续进行图像采集时，能够以所述第一空间位置的中心作为图像采集中心，从而提高了图像采集的准确性。
在一个实施方式中，所述无人机上还设置有第二飞行子机，所述第二飞行子机在脱离所述无人机后能够独立飞行；所述要求所述第一飞行子机根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理的步骤S5,包括：
S501、利用所述无人机上预设的第二弹射设备，将所述第二飞行子机弹射离开所述无人机，以使所述第二飞行子机飞至第四空间位置；其中所述第四空间位置位于所述第三空间位置与所述第二空间位置的连线中心；
S502、向所述第二飞行子机发送所述第一拍摄参数集和所述第二拍摄参数集，并要求所述第二飞行子机同时发送携带有第一拍摄参数集的第一拍摄指令和携带有第二拍摄参数集的第二拍摄指令；其中，所述第一拍摄指令用于指示所述无人机上的第一图像扫描设备根据所述第一拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理；所述第二拍摄指令用于指示所述第一飞行子机根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理；
S503、获取所述第二飞行子机发送的所述第一拍摄指令，并且所述第一飞行子机同时接收到所述第二飞行子机发送的所述第二拍摄指令。
如上所述，实现了提高第一图像和第二图像之间的相关性。如前述，本申请的一个特点是，使获取第一拍摄参数集至正式进行拍摄(第一图像和第二图像拍摄)之间的时间缩短，从而提高图像的准确性。而为了进一步提高准确性(通过提高第一图像和第二图像之间的相关性来实现)，本申请采用了特别的设计，以使第一图像和第二图像的采集时间尽可能相同，从而第一图像和第二图像采集的是同一区域且同一时间的景象，从而后续进行分析的准确性更高。具体地，本申请在无人机上还设置有第二飞行子机，所述第二飞行子机在脱离所述无人机后能够独立飞行。并且，利用所述无人机上预设的第二弹射设备，将所述第二飞行子机弹射离开所述无人机，以使所述第二飞行子机飞至第四空间位置；其中所述第四空间位置位于所述第三空间位置与所述第二空间位置的连线中心，从而可知，所述第二飞行子机离第一飞行子机和无人机的距离相等，并且位于待进行图像采集的区域的正上方。此时，第二飞行子机同时向第一飞行子机和无人机发送拍摄指令，从而第一飞行子机和无人机在接到指令后，由于指令发送的空间距离相等，且发送的指令的数据量相等或相近，因此指令发送与处理的过程相等，从而使第一飞行子机和无人机同时拍摄成为了可能。从而能够同时获取第一图像和第二图像，使得数据处理的准确性得到了提高。
在一个实施方式中，所述将所述第一图像和所述第二图像输入预设的人群检测模型中进行处理，从而得到所述人群检测模型输出的预测人数的步骤S7之前，包括：
S61、从预设的数据库中调取指定数量的样本图像对；其中样本图像对由第一训练用图像和第二训练用图像构成，所述第一训练用图像是在第一取景位置对指定取景人群进行图像采集而得，所述第二训练用图像是在第二取景位置对指定取景人群进行图像采集而得，所述第一取景位置与所述第二取景位置关于所述指定取景人群所在的铅垂面镜面对称，所述第一训练用图像和所述第二训练用图像是在同一时间采集得到的，所述样本图像对被人工标注了人数；
S62、将所述指定数量的样本图像对划分为训练图像对和验证图像对；
S63、调用预设的神经网络模型，并将所述训练图像对输入所述神经网络模型进行训练，从而得到暂时模型；
S64、利用所述验证图像对对所述暂时模型进行验证，以得到验证结果，并判断验证结果是否为验证通过；
S65、若验证结果为验证通过，则将所述暂时模型记为人群检测模型。
如上所述，将所述暂时模型记为人群检测模型。本申请采用的人群检测模型是特别的模型，即，其采用的是图像对进行训练与验证，而普通的模型采用的是单图像进行训练与验证。由于本申请采用的样本图像对由第一训练用图像和第二训练用图像构成，所述第一训练用图像是在第一取景位置对指定取景人群进行图像采集而得，所述第二训练用图像是在第二取景位置对指定取景人群进行图像采集而得，所述第一取景位置与所述第二取景位置关于所述指定取景人群所在的铅垂面镜面对称，所述第一训练用图像和所述第二训练用图像是在同一时间采集得到的，所述样本图像对被人工标注了人数；因此，本申请的人群检测模型的准确性远超普通模型。再利用所述验证图像对对所述暂时模型进行验证，以得到验证结果，并判断验证结果是否为验证通过；若验证结果为验证通过，则将所述暂时模型记为人群检测模型。从而使人群检测模型能够胜任人群检测任务，且相对于普通模型的人数预测能力更强更准确。其中，所述利用所述验证图像对对所述暂时模型进行验证，例如为采用损失函数进行验证，当损失函数的输出值小于预设的阈值时，则判定验证通过。
在一个实施方式中，所述无人机上还设置有第二图像扫描设备，所述第二图像扫描设备是基于红外线成像原理的图像扫描设备，所述判断所述预测人数是否大于预设的人数阈值的步骤S8之后，包括：
S81、若所述预测人数不大于预设的人数阈值，则利用所述第二图像扫描设备对所述第一空间位置进行图像采集，以得到红外图像；
S82、将所述红外图像输入预设的红外图像检测模型中进行处理，从而得到所述红外图像检测模型输出的人数；
S83、判断所述红外图像检测模型输出的人数是否大于预设的人数阈值；
S84、若所述红外图像检测模型输出的人数大于预设的人数阈值，则向预设的地面终端发送人群疏散的提醒信息。
如上所述，实现了向预设的地面终端发送人群疏散的提醒信息。本申请采用的是远距离的图像采集和处理方法，因此在极端情况后存在误判的可能性。为了进一步增加人数预测的可靠性，本申请在所述预测人数不大于预设的人数阈值的情况下，利用所述第二图像扫描设备对所述第一空间位置进行图像采集，以得到红外图像；将所述红外图像输入预设的红外图像检测模型中进行处理，从而得到所述红外图像检测模型输出的人数；若所述红外图像检测模型输出的人数大于预设的人数阈值，则向预设的地面终端发送人群疏散的提醒信息。即，本申请还采用了红外图像采集与红外图像检测模型来进行二次人群检测，并在所述红外图像检测模型输出的人数大于预设的人数阈值时，即与人群检测模型的结果不一致时，向预设的地面终端发送人群疏散的提醒信息。此时，虽然红外图像采集的准确性要低于普通的可见光图像采集，但是，随着距离的增大，红外图像采集的准确性下降速度却要低于普通的可见光图像采集，因此利用红外图像采集与红外图像检测模型来进行二次人群检测，有利于避免极端情况下的误判。而在所述红外图像检测模型输出的人数大于预设的人数阈值时，即与人群检测模型的结果不一致时，表明存在人群过密集的可能性，因此向预设的地面终端发送人群疏散的提醒信息，以及早消除隐患。
本申请的基于人群检测模型的信息发送方法，获取待进行图像采集的区域的第一空间位置，并控制所述无人机飞至第二空间位置；对所述待进行图像采集的区域进行试扫描操作，并将所述试扫描操作时的拍摄参数集记为第一拍摄参数集；将所述第一飞行子机弹射离开所述无人机，以使所述第一飞行子机飞至第三空间位置；获取与所述第一拍摄参数集对应的第二拍摄参数集；将所述第二拍摄参数集发送给所述第一飞行子机；获取所述第一图像扫描设备采集得到的第一图像，以及获取所述第一飞行子机发送的第二图像；将所述第一图像和所述第二图像输入预设的人群检测模型中进行处理，从而得到所述人群检测模型输出的预测人数；若所述预测人数大于预设的人数阈值，则向预设的地面终端发送人群疏散的提醒信息。从而实现了人群的人数检测，保证了检测的准确性，弥补了远距离图像采集的准确性不足的缺陷，并且可适用于遮挡较多的区域。
参照图2，本申请实施例提供一种基于人群检测模型的信息发送装置，其特征在于，应用于控制终端，所述控制终端用于控制预设的无人机，所述无人机上设置有第一飞行子机，所述第一飞行子机在脱离所述无人机后能够独立飞行，所述第一飞行子机上设置有图像扫描设备；包括：
第一空间位置获取单元10，用于获取待进行图像采集的区域的第一空间位置，并控制所述无人机飞至第二空间位置；
试扫描操作单元20，用于利用所述无人机上的第一图像扫描设备，对所述待进行图像采集的区域进行试扫描操作，并将所述试扫描操作时的拍摄参数集记为第一拍摄参数集；
第一弹射单元30，用于利用所述无人机上预设的第一弹射设备，将所述第一飞行子机弹射离开所述无人机，以使所述第一飞行子机飞至第三空间位置；其中所述第三空间位置与所述第二空间位置的连线平行于水平面；并且所述第三空间位置与所述第二空间位置的连线中心的铅垂线，经过所述第一空间位置；
第二拍摄参数集获取单元40，用于根据预设的镜像参数获取方法，获取与所述第一拍摄参数集对应的第二拍摄参数集；
第二拍摄参数集发送单元50，用于将所述第二拍摄参数集发送给所述第一飞行子机，并要求所述第一飞行子机根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理；
图像获取单元60，用于获取所述第一图像扫描设备采集得到的第一图像，以及获取所述第一飞行子机发送的第二图像；其中，所述第一图像指所述第一图像扫描设备根据所述第一拍摄参数集，对所述待进行图像采集的区域进行图像采集得到的图像；所述第二图像指所述第一飞行子机上的图像扫描设备根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像采集得到的图像；
预测人数获取单元70，用于将所述第一图像和所述第二图像输入预设的人群检测模型中进行处理，从而得到所述人群检测模型输出的预测人数；其中，所述人群检测模型基于神经网络模型，并采用第一训练数据训练而成，所述第一训练数据由预先收集的训练用图像对和对应的人工标识的人数构成，所述训练用图像对包括两幅互为镜像的人群图像；
预测人数判断单元80，用于判断所述预测人数是否大于预设的人数阈值；
提醒信息发送单元90，用于若所述预测人数大于预设的人数阈值，则向预设的地面终端发送人群疏散的提醒信息。
其中上述单元或子单元分别用于执行的操作与前述实施方式的基于人群检测模型的信息发送方法的步骤一一对应,在此不再赘述。
在一个实施方式中，在地面上预设有温度传感器阵列，所述待进行图像采集的区域位于所述地面上，所述温度传感器阵列与预设的无线信号发送器信号连接，所述第一空间位置获取单元,包括：
温度信号组获取子单元，用于获取所述无线信号发送器发送的温度信号组，所述温度信号组里的温度信号由所述温度传感器阵列中的温度传感器分别采集得到；
最大温度值判断子单元，用于计算所述温度信号组中的最大温度值，并判断所述最大温度值是否大于预设的温度阈值；
最大波动值判断子单元，用于若所述最大温度值大于预设的温度阈值，则计算所述温度信号组在预设时间段内的最大波动值，并判断所述最大波动值是否大于预设的偏差值；其中所述最大波动值指，所述温度信号组里中数值变化最大的温度信号的数值变化值；
指定定位位置获取子单元，用于若所述最大波动值不大于预设的偏差值，则根据预设的温度信号-温度传感器定位位置的对应关系，获取与所述最大温度值对应的指定定位位置；
第一空间位置获取子单元，用于获取待进行图像采集的区域的第一空间位置，其中所述第一空间位置以所述指定定位位置为中心。
其中上述单元或子单元分别用于执行的操作与前述实施方式的基于人群检测模型的信息发送方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述无人机上还设置有第二飞行子机，所述第二飞行子机在脱离所述无人机后能够独立飞行；所述第二拍摄参数集发送单元,包括：
第二弹射子单元，用于利用所述无人机上预设的第二弹射设备，将所述第二飞行子机弹射离开所述无人机，以使所述第二飞行子机飞至第四空间位置；其中所述第四空间位置位于所述第三空间位置与所述第二空间位置的连线中心；
拍摄参数集发送子单元，用于向所述第二飞行子机发送所述第一拍摄参数集和所述第二拍摄参数集，并要求所述第二飞行子机同时发送携带有第一拍摄参数集的第一拍摄指令和携带有第二拍摄参数集的第二拍摄指令；其中，所述第一拍摄指令用于指示所述无人机上的第一图像扫描设备根据所述第一拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理；所述第二拍摄指令用于指示所述第一飞行子机根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理；
第一拍摄指令获取子单元，用于获取所述第二飞行子机发送的所述第一拍摄指令，并且所述第一飞行子机同时接收到所述第二飞行子机发送的所述第二拍摄指令。
其中上述单元或子单元分别用于执行的操作与前述实施方式的基于人群检测模型的信息发送方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述装置，包括：
样本图像对调取单元，用于从预设的数据库中调取指定数量的样本图像对；其中样本图像对由第一训练用图像和第二训练用图像构成，所述第一训练用图像是在第一取景位置对指定取景人群进行图像采集而得，所述第二训练用图像是在第二取景位置对指定取景人群进行图像采集而得，所述第一取景位置与所述第二取景位置关于所述指定取景人群所在的铅垂面镜面对称，所述第一训练用图像和所述第二训练用图像是在同一时间采集得到的，所述样本图像对被人工标注了人数；
样本图像对划分单元，用于将所述指定数量的样本图像对划分为训练图像对和验证图像对；
暂时模型获取单元，用于调用预设的神经网络模型，并将所述训练图像对输入所述神经网络模型进行训练，从而得到暂时模型；
暂时模型验证单元，用于利用所述验证图像对对所述暂时模型进行验证，以得到验证结果，并判断验证结果是否为验证通过；
暂时模型标记单元，用于若验证结果为验证通过，则将所述暂时模型记为人群检测模型。
其中上述单元或子单元分别用于执行的操作与前述实施方式的基于人群检测模型的信息发送方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述无人机上还设置有第二图像扫描设备，所述第二图像扫描设备是基于红外线成像原理的图像扫描设备，所述装置，包括：
红外图像获取单元，用于若所述预测人数不大于预设的人数阈值，则利用所述第二图像扫描设备对所述第一空间位置进行图像采集，以得到红外图像；
红外图像检测模型处理单元，用于将所述红外图像输入预设的红外图像检测模型中进行处理，从而得到所述红外图像检测模型输出的人数；
人数阈值判断单元，用于判断所述红外图像检测模型输出的人数是否大于预设的人数阈值；
疏散信息发送单元，用于若所述红外图像检测模型输出的人数大于预设的人数阈值，则向预设的地面终端发送人群疏散的提醒信息。
其中上述单元或子单元分别用于执行的操作与前述实施方式的基于人群检测模型的信息发送方法的步骤一一对应,在此不再赘述。
本申请的基于人群检测模型的信息发送装置，获取待进行图像采集的区域的第一空间位置，并控制所述无人机飞至第二空间位置；对所述待进行图像采集的区域进行试扫描操作，并将所述试扫描操作时的拍摄参数集记为第一拍摄参数集；将所述第一飞行子机弹射离开所述无人机，以使所述第一飞行子机飞至第三空间位置；获取与所述第一拍摄参数集对应的第二拍摄参数集；将所述第二拍摄参数集发送给所述第一飞行子机；获取所述第一图像扫描设备采集得到的第一图像，以及获取所述第一飞行子机发送的第二图像；将所述第一图像和所述第二图像输入预设的人群检测模型中进行处理，从而得到所述人群检测模型输出的预测人数；若所述预测人数大于预设的人数阈值，则向预设的地面终端发送人群疏散的提醒信息。从而实现了人群的人数检测，保证了检测的准确性，弥补了远距离图像采集的准确性不足的缺陷，并且可适用于遮挡较多的区域。
参照图3，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于人群检测模型的信息发送方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人群检测模型的信息发送方法。
上述处理器执行上述基于人群检测模型的信息发送方法，其中所述方法包括的步骤分别与执行前述实施方式的基于人群检测模型的信息发送方法的步骤一一对应,在此不再赘述。
本领域技术人员可以理解，图中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请的计算机设备，获取待进行图像采集的区域的第一空间位置，并控制所述无人机飞至第二空间位置；对所述待进行图像采集的区域进行试扫描操作，并将所述试扫描操作时的拍摄参数集记为第一拍摄参数集；将所述第一飞行子机弹射离开所述无人机，以使所述第一飞行子机飞至第三空间位置；获取与所述第一拍摄参数集对应的第二拍摄参数集；将所述第二拍摄参数集发送给所述第一飞行子机；获取所述第一图像扫描设备采集得到的第一图像，以及获取所述第一飞行子机发送的第二图像；将所述第一图像和所述第二图像输入预设的人群检测模型中进行处理，从而得到所述人群检测模型输出的预测人数；若所述预测人数大于预设的人数阈值，则向预设的地面终端发送人群疏散的提醒信息。从而实现了人群的人数检测，保证了检测的准确性，弥补了远距离图像采集的准确性不足的缺陷，并且可适用于遮挡较多的区域。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现基于人群检测模型的信息发送方法，其中所述方法包括的步骤分别与执行前述实施方式的基于人群检测模型的信息发送方法的步骤一一对应,在此不再赘述。
本申请的计算机可读存储介质，获取待进行图像采集的区域的第一空间位置，并控制所述无人机飞至第二空间位置；对所述待进行图像采集的区域进行试扫描操作，并将所述试扫描操作时的拍摄参数集记为第一拍摄参数集；将所述第一飞行子机弹射离开所述无人机，以使所述第一飞行子机飞至第三空间位置；获取与所述第一拍摄参数集对应的第二拍摄参数集；将所述第二拍摄参数集发送给所述第一飞行子机；获取所述第一图像扫描设备采集得到的第一图像，以及获取所述第一飞行子机发送的第二图像；将所述第一图像和所述第二图像输入预设的人群检测模型中进行处理，从而得到所述人群检测模型输出的预测人数；若所述预测人数大于预设的人数阈值，则向预设的地面终端发送人群疏散的提醒信息。从而实现了人群的人数检测，保证了检测的准确性，弥补了远距离图像采集的准确性不足的缺陷，并且可适用于遮挡较多的区域。
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。
本申请可应用于智慧城市领域中，从而推动智慧城市的建设。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种基于人群检测模型的信息发送方法，其特征在于，应用于控制终端，所述控制终端用于控制预设的无人机，所述无人机上设置有第一飞行子机，所述第一飞行子机在脱离所述无人机后能够独立飞行，所述第一飞行子机上设置有图像扫描设备；包括：
获取待进行图像采集的区域的第一空间位置，并控制所述无人机飞至第二空间位置；
利用所述无人机上的第一图像扫描设备，对所述待进行图像采集的区域进行试扫描操作，并将所述试扫描操作时的拍摄参数集记为第一拍摄参数集；
利用所述无人机上预设的第一弹射设备，将所述第一飞行子机弹射离开所述无人机，以使所述第一飞行子机飞至第三空间位置；其中所述第三空间位置与所述第二空间位置的连线平行于水平面；并且所述第三空间位置与所述第二空间位置的连线中心的铅垂线，经过所述第一空间位置；
根据预设的镜像参数获取方法，获取与所述第一拍摄参数集对应的第二拍摄参数集；
将所述第二拍摄参数集发送给所述第一飞行子机，并要求所述第一飞行子机根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理；
获取所述第一图像扫描设备采集得到的第一图像，以及获取所述第一飞行子机发送的第二图像；其中，所述第一图像指所述第一图像扫描设备根据所述第一拍摄参数集，对所述待进行图像采集的区域进行图像采集得到的图像；所述第二图像指所述第一飞行子机上的图像扫描设备根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像采集得到的图像；
将所述第一图像和所述第二图像输入预设的人群检测模型中进行处理，从而得到所述人群检测模型输出的预测人数；其中，所述人群检测模型基于神经网络模型，并采用第一训练数据训练而成，所述第一训练数据由预先收集的训练用图像对和对应的人工标识的人数构成，所述训练用图像对包括两幅互为镜像的人群图像；
判断所述预测人数是否大于预设的人数阈值；
若所述预测人数大于预设的人数阈值，则向预设的地面终端发送人群疏散的提醒信息。
2.根据权利要求1所述的基于人群检测模型的信息发送方法，其特征在于，在地面上预设有温度传感器阵列，所述待进行图像采集的区域位于所述地面上，所述温度传感器阵列与预设的无线信号发送器信号连接，所述获取待进行图像采集的区域的第一空间位置的步骤,包括：
获取所述无线信号发送器发送的温度信号组，所述温度信号组里的温度信号由所述温度传感器阵列中的温度传感器分别采集得到；
计算所述温度信号组中的最大温度值，并判断所述最大温度值是否大于预设的温度阈值；
若所述最大温度值大于预设的温度阈值，则计算所述温度信号组在预设时间段内的最大波动值，并判断所述最大波动值是否大于预设的偏差值；其中所述最大波动值指，所述温度信号组里中数值变化最大的温度信号的数值变化值；
若所述最大波动值不大于预设的偏差值，则根据预设的温度信号-温度传感器定位位置的对应关系，获取与所述最大温度值对应的指定定位位置；
获取待进行图像采集的区域的第一空间位置，其中所述第一空间位置以所述指定定位位置为中心。
3.根据权利要求1所述的基于人群检测模型的信息发送方法，其特征在于，所述无人机上还设置有第二飞行子机，所述第二飞行子机在脱离所述无人机后能够独立飞行；所述要求所述第一飞行子机根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理的步骤,包括：
利用所述无人机上预设的第二弹射设备，将所述第二飞行子机弹射离开所述无人机，以使所述第二飞行子机飞至第四空间位置；其中所述第四空间位置位于所述第三空间位置与所述第二空间位置的连线中心；
向所述第二飞行子机发送所述第一拍摄参数集和所述第二拍摄参数集，并要求所述第二飞行子机同时发送携带有第一拍摄参数集的第一拍摄指令和携带有第二拍摄参数集的第二拍摄指令；其中，所述第一拍摄指令用于指示所述无人机上的第一图像扫描设备根据所述第一拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理；所述第二拍摄指令用于指示所述第一飞行子机根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理；
获取所述第二飞行子机发送的所述第一拍摄指令，并且所述第一飞行子机同时接收到所述第二飞行子机发送的所述第二拍摄指令。
4.根据权利要求1所述的基于人群检测模型的信息发送方法，其特征在于，所述将所述第一图像和所述第二图像输入预设的人群检测模型中进行处理，从而得到所述人群检测模型输出的预测人数的步骤之前，包括：
从预设的数据库中调取指定数量的样本图像对；其中样本图像对由第一训练用图像和第二训练用图像构成，所述第一训练用图像是在第一取景位置对指定取景人群进行图像采集而得，所述第二训练用图像是在第二取景位置对指定取景人群进行图像采集而得，所述第一取景位置与所述第二取景位置关于所述指定取景人群所在的铅垂面镜面对称，所述第一训练用图像和所述第二训练用图像是在同一时间采集得到的，所述样本图像对被人工标注了人数；
将所述指定数量的样本图像对划分为训练图像对和验证图像对；
调用预设的神经网络模型，并将所述训练图像对输入所述神经网络模型进行训练，从而得到暂时模型；
利用所述验证图像对对所述暂时模型进行验证，以得到验证结果，并判断验证结果是否为验证通过；
若验证结果为验证通过，则将所述暂时模型记为人群检测模型。
5.根据权利要求1所述的基于人群检测模型的信息发送方法，其特征在于，所述无人机上还设置有第二图像扫描设备，所述第二图像扫描设备是基于红外线成像原理的图像扫描设备，所述判断所述预测人数是否大于预设的人数阈值的步骤之后，包括：
若所述预测人数不大于预设的人数阈值，则利用所述第二图像扫描设备对所述第一空间位置进行图像采集，以得到红外图像；
将所述红外图像输入预设的红外图像检测模型中进行处理，从而得到所述红外图像检测模型输出的人数；
判断所述红外图像检测模型输出的人数是否大于预设的人数阈值；
若所述红外图像检测模型输出的人数大于预设的人数阈值，则向预设的地面终端发送人群疏散的提醒信息。
6.一种基于人群检测模型的信息发送装置，其特征在于，应用于控制终端，所述控制终端用于控制预设的无人机，所述无人机上设置有第一飞行子机，所述第一飞行子机在脱离所述无人机后能够独立飞行，所述第一飞行子机上设置有图像扫描设备；包括：
第一空间位置获取单元，用于获取待进行图像采集的区域的第一空间位置，并控制所述无人机飞至第二空间位置；
试扫描操作单元，用于利用所述无人机上的第一图像扫描设备，对所述待进行图像采集的区域进行试扫描操作，并将所述试扫描操作时的拍摄参数集记为第一拍摄参数集；
第一弹射单元，用于利用所述无人机上预设的第一弹射设备，将所述第一飞行子机弹射离开所述无人机，以使所述第一飞行子机飞至第三空间位置；其中所述第三空间位置与所述第二空间位置的连线平行于水平面；并且所述第三空间位置与所述第二空间位置的连线中心的铅垂线，经过所述第一空间位置；
第二拍摄参数集获取单元，用于根据预设的镜像参数获取方法，获取与所述第一拍摄参数集对应的第二拍摄参数集；
第二拍摄参数集发送单元，用于将所述第二拍摄参数集发送给所述第一飞行子机，并要求所述第一飞行子机根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理；
图像获取单元，用于获取所述第一图像扫描设备采集得到的第一图像，以及获取所述第一飞行子机发送的第二图像；其中，所述第一图像指所述第一图像扫描设备根据所述第一拍摄参数集，对所述待进行图像采集的区域进行图像采集得到的图像；所述第二图像指所述第一飞行子机上的图像扫描设备根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像采集得到的图像；
预测人数获取单元，用于将所述第一图像和所述第二图像输入预设的人群检测模型中进行处理，从而得到所述人群检测模型输出的预测人数；其中，所述人群检测模型基于神经网络模型，并采用第一训练数据训练而成，所述第一训练数据由预先收集的训练用图像对和对应的人工标识的人数构成，所述训练用图像对包括两幅互为镜像的人群图像；
预测人数判断单元，用于判断所述预测人数是否大于预设的人数阈值；
提醒信息发送单元，用于若所述预测人数大于预设的人数阈值，则向预设的地面终端发送人群疏散的提醒信息。
7.根据权利要求6所述的基于人群检测模型的信息发送装置，其特征在于，在地面上预设有温度传感器阵列，所述待进行图像采集的区域位于所述地面上，所述温度传感器阵列与预设的无线信号发送器信号连接，所述第一空间位置获取单元,包括：
温度信号组获取子单元，用于获取所述无线信号发送器发送的温度信号组，所述温度信号组里的温度信号由所述温度传感器阵列中的温度传感器分别采集得到；
最大温度值判断子单元，用于计算所述温度信号组中的最大温度值，并判断所述最大温度值是否大于预设的温度阈值；
最大波动值判断子单元，用于若所述最大温度值大于预设的温度阈值，则计算所述温度信号组在预设时间段内的最大波动值，并判断所述最大波动值是否大于预设的偏差值；其中所述最大波动值指，所述温度信号组里中数值变化最大的温度信号的数值变化值；
指定定位位置获取子单元，用于若所述最大波动值不大于预设的偏差值，则根据预设的温度信号-温度传感器定位位置的对应关系，获取与所述最大温度值对应的指定定位位置；
第一空间位置获取子单元，用于获取待进行图像采集的区域的第一空间位置，其中所述第一空间位置以所述指定定位位置为中心。
8.根据权利要求6所述的基于人群检测模型的信息发送装置，其特征在于，所述无人机上还设置有第二飞行子机，所述第二飞行子机在脱离所述无人机后能够独立飞行；所述第二拍摄参数集发送单元,包括：
第二弹射子单元，用于利用所述无人机上预设的第二弹射设备，将所述第二飞行子机弹射离开所述无人机，以使所述第二飞行子机飞至第四空间位置；其中所述第四空间位置位于所述第三空间位置与所述第二空间位置的连线中心；
拍摄参数集发送子单元，用于向所述第二飞行子机发送所述第一拍摄参数集和所述第二拍摄参数集，并要求所述第二飞行子机同时发送携带有第一拍摄参数集的第一拍摄指令和携带有第二拍摄参数集的第二拍摄指令；其中，所述第一拍摄指令用于指示所述无人机上的第一图像扫描设备根据所述第一拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理；所述第二拍摄指令用于指示所述第一飞行子机根据所述第二拍摄参数集，对所述待进行图像采集的区域进行图像扫描处理；
第一拍摄指令获取子单元，用于获取所述第二飞行子机发送的所述第一拍摄指令，并且所述第一飞行子机同时接收到所述第二飞行子机发送的所述第二拍摄指令。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202010582608.5A 2020-06-23 2020-06-23 基于人群检测模型的信息发送方法、装置和计算机设备 Active CN111695544B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010582608.5A CN111695544B (zh) 2020-06-23 2020-06-23 基于人群检测模型的信息发送方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010582608.5A CN111695544B (zh) 2020-06-23 2020-06-23 基于人群检测模型的信息发送方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN111695544A CN111695544A (zh) 2020-09-22
CN111695544B true CN111695544B (zh) 2023-07-25

Family

ID=72483510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010582608.5A Active CN111695544B (zh) 2020-06-23 2020-06-23 基于人群检测模型的信息发送方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN111695544B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920444B (zh) * 2021-09-30 2022-12-20 泰州蝶金软件有限公司 用于动作触发的区块链管理系统
CN116311044B (zh) * 2023-02-28 2024-02-02 陕西集晟文化传播有限公司 一种基于大数据态势分析的优化决策方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108388838A (zh) * 2018-01-26 2018-08-10 重庆邮电大学 无人机对地人群监控系统及监控方法
CN109063646A (zh) * 2018-08-01 2018-12-21 深圳市旭发智能科技有限公司 无人机新闻热点追踪的方法、系统、无人机及存储介质
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
CN109508583A (zh) * 2017-09-15 2019-03-22 杭州海康威视数字技术股份有限公司 一种人群分布特征的获取方法和装置
CN110749324A (zh) * 2019-10-28 2020-02-04 深圳市赛为智能股份有限公司 无人机救援定位方法、装置、计算机设备及存储介质
CN111091093A (zh) * 2019-12-17 2020-05-01 苏州大学 一种高密度人群的数量估测方法、系统及相关装置
CN111222402A (zh) * 2019-11-14 2020-06-02 北京理工大学 一种面向无人机图像的人群聚集密度分析方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508583A (zh) * 2017-09-15 2019-03-22 杭州海康威视数字技术股份有限公司 一种人群分布特征的获取方法和装置
CN108388838A (zh) * 2018-01-26 2018-08-10 重庆邮电大学 无人机对地人群监控系统及监控方法
CN109063646A (zh) * 2018-08-01 2018-12-21 深圳市旭发智能科技有限公司 无人机新闻热点追踪的方法、系统、无人机及存储介质
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
CN110749324A (zh) * 2019-10-28 2020-02-04 深圳市赛为智能股份有限公司 无人机救援定位方法、装置、计算机设备及存储介质
CN111222402A (zh) * 2019-11-14 2020-06-02 北京理工大学 一种面向无人机图像的人群聚集密度分析方法
CN111091093A (zh) * 2019-12-17 2020-05-01 苏州大学 一种高密度人群的数量估测方法、系统及相关装置

Also Published As

Publication number Publication date
CN111695544A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
KR101984983B1 (ko) 야생동물 모니터링 시스템 및 그 방법
KR102203135B1 (ko) 드론을 이용한 인공지능 기반 재난 피해정보 탐지 방법 및 시스템
TWI416068B (zh) 跨感測器間之物體追蹤方法與系統
EP3635619A1 (en) System and method for construction 3d modeling and analysis
CN111695544B (zh) 基于人群检测模型的信息发送方法、装置和计算机设备
CN105930768A (zh) 一种基于时空约束的目标重识别方法
KR102308456B1 (ko) 라이다 및 카메라 수집정보 기반 수종탐지 시스템 및 이를 이용한 수종탐지방법, 수종탐지방법을 수행하는 프로그램이 수록된 기록매체
KR20190041775A (ko) 반려동물의 비문을 이용한 신원등록 및 확인방법
CN108234927A (zh) 视频追踪方法和系统
CN109255286A (zh) 一种基于yolo深度学习网络框架的无人机光学快速检测识别方法
CN109325429A (zh) 一种关联特征数据的方法、装置、存储介质及终端
CN114781272A (zh) 碳排放量预测方法、装置、设备及存储介质
KR102029128B1 (ko) 운전자간 블랙박스 사고영상을 상호교환하기 위한 iot 플랫폼 및 그 구현 방법
KR102333143B1 (ko) 무인 계수 서비스 제공 시스템
CN113129338B (zh) 基于多目标跟踪算法的图像处理方法、装置、设备及介质
WO2022078353A1 (zh) 车辆行使状态判断方法、装置、计算机设备及存储介质
KR20190142553A (ko) 얼굴 데이터베이스를 이용한 인물 추적 방법 및 시스템
CN112770265B (zh) 一种行人身份信息获取方法、系统、服务器和存储介质
US20230386242A1 (en) Information processing apparatus, control method, and non-transitory storage medium
CN114445780A (zh) 裸土苫盖的检测方法及装置、识别模型的训练方法及装置
Cheng et al. Uncertainty‐aware convolutional neural network for explainable artificial intelligence‐assisted disaster damage assessment
US20240193946A1 (en) Bird detection and species determination
Delisle et al. Imperfect detection and wildlife density estimation using aerial surveys with infrared and visible sensors
CN112631333B (zh) 无人机的目标跟踪方法、装置及图像处理芯片
CN110276379A (zh) 一种基于视频图像分析的灾情信息快速提取方法

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