CN111860390A - 一种电梯候梯人数检测统计方法、装置、设备及介质 - Google Patents
一种电梯候梯人数检测统计方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111860390A CN111860390A CN202010734181.6A CN202010734181A CN111860390A CN 111860390 A CN111860390 A CN 111860390A CN 202010734181 A CN202010734181 A CN 202010734181A CN 111860390 A CN111860390 A CN 111860390A
- Authority
- CN
- China
- Prior art keywords
- image
- head
- elevator
- people
- waiting
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 40
- 241000282414 Homo sapiens Species 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 13
- 238000007619 statistical method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009849 deactivation Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 13
- 238000000605 extraction Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000658 coextraction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明公开了一种电梯候梯人数检测统计方法、装置、设备及介质，所述方法包括：从候梯监控视频帧获取待识别的候梯图像；提取图像的人头特征；训练识别模型，将待识别图像输入人数统计模型，利用人数统计模型输出待识别图像的人头个数。首先通过多特征融合模型对图像的人头区域进行初步检测，其次利用构建的卷积神经网络模型对初步检测的结果进行二次检测，依照检测到的人头区域数量得到更为准确的候梯人数。使用本方法，可有效提高候梯人数检测的准确率，以此为电梯派遣提供更加准确的优化前提，达到节能的目的。
Description
技术领域
本发明属于电梯候梯人数检测领域，涉及一种人数检测方法，具体涉及一种电梯候梯人数检测统计方法、装置、设备及介质。
背景技术
人群计数是智能视频监控系统中最重要的任务之一，它在银行、火车站、商场、学校、电梯等众多地方都有广泛的应用和商业价值，尤其针对拥挤的监控环境更是一项非常重要的任务。基于视频图像的人数统计方法随着深度学习和人工智能的不断发展正趋向于复杂场景下高精度、低时耗的方向发展。
在电梯群控系统中优化派梯方案时，若能提前获知电梯各层的候梯人数，派遣部分电梯优先服务于等候人数较多的楼层，便可以提升群控电梯的运送效率，缩短候梯时间，也能达到节能的目的。相比于轿厢称重等后验检测方法，基于图像处理的人数检测在电梯群控系统人数检测方面更为准确和高效。但建筑风格、候梯大厅的场景、光照变化的多样性，使图像背景复杂多变，提取候梯人员的有效特征对检测的准确率有较大影响。由于电梯监控摄像头安装视角的特殊性，一般都安装在后上方或者斜上方，因此提取候梯人员的头部特征，并采用多特征融合与卷积神经网络方法进行人数检测。在获得了准确的人数后对派梯方案进行实时优化，对于减少群控电梯的人员等候时间及系统能耗具有重要的实用意义。
发明内容
为解决电梯候梯监控场景中有效进行人数统计的问题，本发明的目的在于提供一种基于头部检测的候梯人数检测方法，该方法以头部特征为基础，采用多特征融合与卷积神经网络进行人数的有效识别，减少电梯启停次数，降低系统能耗达到节能的目的，典型的应用示例是电梯候梯厅的人数检测。
为了实现上述任务，本发明采取如下的技术解决方案：
一种电梯候梯人数检测统计方法，包括以下步骤：
输入待测视频图像到预先训练好的Adaboost级联分类器模型中，提取各图像的头部感兴趣区域；
将头部感兴趣区域输入预先训练好的卷积神经网络模型中，对人头部分进行图像标记；
将图像标记结果通过热图显示人头检测数量，统计最终的候梯人数。
可选的，所述Adaboost级联分类器模型的训练包括以下步骤：
构建头部样本数据集，正样本是截取视频图像中各状态下的人头图像，负样本则是相同场景下不包括人头的图像；
样本图像归一化处理；
对目标图像灰度化处理，将彩色图像处理为单通道的灰度图像；
提取HOG、LBP和Haar三种属性的候梯行人特征，进行头部图像多个特征串联融合；
进行分类器模型的训练，训练得到基于多特征融合的Adaboost级联分类器进行图像的头部感兴趣区域提取。
可选的，所述归一化处理是将正负样本标准化为32×32像素大小的图像。
可选的，所述灰度化处理存储时采用数据矩阵的形式，矩阵中的每个元素与对应像素的灰度值对应，彩色图像灰度化处理采用加权平均值法的方式，计算公式如式所示，三通道对应的权重系数WR,WG,WB分别为0.30、0.59、0.11；
R＝G＝B＝WRR+WGG+WBB
可选的，所述HOG、LBP和Haar三种属性串联融合后采用PCA降维处理。
可选的，所述卷积神经网络模型的训练包括以下步骤：
利用卷积神经网络将头部图像正样本的中间层特征提取出来，进行特征的可视化操作；
提取人头区域的CNN深度特征，
训练卷积神经网络分类器模型进行头部检测，以剔除其他非头部及重叠区域，进一步确认识别人头部分，得到标记结果。
可选的，所述卷积神经网络模型包括：
一个输入层、四个卷积层、两个池化层和一个全连接层、一个输出层；输入层是大小为32×32的候梯人员头部图像，前两个卷积层采用32个卷积核，后两个卷积层采用64个卷积核，激励函数为ReLU激活函数如式所示；
Relu:
输出层采用Softmax激活函数输出两个目标类的概率为pi(i＝1,2)，p1和p2分别对应头部与非头部的概率，其中概率满足以下公式；
并在每个最大池化层后运用了Dropout操作即随机失活。
一种电梯候梯人数检测统计装置，所述装置包括：
第一输入模块，用于输入待测视频图像到预先训练好的Adaboost级联分类器模型中，提取各图像的头部感兴趣区域；
第二输入模块，用于将头部感兴趣区域输入预先训练好的卷积神经网络模型中，对人头部分进行图像标记；
统计模块，用于将图像标记结果通过热图显示人头检测数量，统计最终的候梯人数。
一种电子设备，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于运行所述存储器存储的可执行指令时，实现权利要求1至7任一项所述的统计方法。
一种计算机可读存储介质，存储可执行指令，所述可执行指令被处理器执行时实现所述的统计方法。
与现有技术相比，本发明具有以下优点：
本发明的基于头部检测的群控电梯候梯厅人数检测统计方法，包括两个部分的检测，首先通过多特征融合-Adaboost模型对图像的人头区域进行初步检测，其次利用构建的CNN模型对初步检测的结果进行二次检测。电梯群控系统进行派梯策略的优化时，是否为高峰模式对优化调度质量有较大影响，如何获取准确的候梯人数对派梯至关重要。当前交通模式的获取除了依靠时间跨度区分外，还可以利用人数检测来区分交通模式，本发明根据所提两步法模型对候梯厅图像进行处理，依照检测到的人头区域数量得到候梯人数，对比单纯的一步法检测具有较高的检测准确率。
本发明的人数检测装置，在人数检测中，第一传输模块首先将待检测图像经滑动窗口输入到Adaboost头部分类器中进行第一阶段头部检测，提取各图像的头部感兴趣区域(Region of Interest，ROI)即头部可疑区域，这时会框选出较多的非人头区域，误检率较高，因此进行第二步的人头检测；第二传输模块将第一步检测中框选出的头部可疑区域作为CNN头部分类器的输入进行第二阶段头部检测，以剔除其他非头部及重叠区域，进一步确认识别人头部分，得到框选结果，统计模块最后将识别结果通过热图显示人头检测数量，统计最终的候梯人数。采用多特征融合与卷积神经网络进行人数检测使得人数检测准确率提高。
附图说明
图1为本发明的人数检测算法框架图；
图2为本发明的人头图像正样本示例图；
图3为本发明的人头图像负样本示例图；
图4(a)为本发明的实施例在第一步检测下人数检测框选示意图；
图4(b)为本发明的实施例在第一步人数检测下框选的热图显示示意图；
图5(a)为本发明的实施例在第二步检测下人数检测框选示意图；
图5(b)为本发明的实施例在第二步人数检测下框选的热图显示示意图；
图6为本发明一种电梯候梯人数检测统计装置示意图；
图7为本发明一种电子设备示意图。
具体实施方式
下面结合附图和具体实施对本发明做进一步详细说明。
参见图1本发明的人数检测算法框架图，主要包括三个阶段：第一阶段为多特征融合-Adaboost模型的训练阶段，第二阶段为卷积神经网络CNN模型的训练阶段，第三阶段是整体模型的检测阶段。在第三阶段的人数检测中，首先将待检测图像经滑动窗口输入到Adaboost头部分类器中进行第一阶段头部检测，提取各图像的头部感兴趣区域(Region ofInterest，ROI)即头部可疑区域，这时会框选出较多的非人头区域，误检率较高，因此进行第二步的人头检测；将第一步检测中框选出的头部可疑区域作为CNN头部分类器的输入进行第二阶段头部检测，以剔除其他非头部及重叠区域，进一步确认识别人头部分，得到框选结果，最后将识别结果通过热图显示人头检测数量，统计最终的候梯人数。
本发明的目的在于针对图像处理人数识别领域识别不够精准的问题，提供一种基于头部检测的多特征和卷积神经网络的群控电梯候梯人数检测统计方法。卷积神经网络(CNN)是近年来发展较快的一种非常有效的机器学习方法，属于深度学习的范畴，它能够完整地模拟人类的图像识别过程，并且已经在图像识别领域取得了优异的成绩。本发明将卷积神经网络应用于候梯厅人数的检测统计中，提高人数检测的准确率。
为了实现上述目的，本发明采用如下的技术方案：
步骤1：构建头部样本数据集。所有数据来自于真实的候梯厅监控场景，电梯交通模式识别主要针对候梯人数进行检测，一般候梯时，由于候梯图像方向的特殊性，摄像头一般装置在斜上方或后上方，因此图像基本为斜上方图像，单纯使用人脸特征不能准确识别人数，故采取人头区域作为第一阶段和第二阶段的训练及测试样本集。本发明自建的头部图像样本集中，正样本是截取视频图像中各状态下的人头图像，负样本则是相同场景下书包、衣服、胳膊、地板、垃圾桶等不包括人头的图片。人头图像正样本示例图参见图2，人头图像负样本示例图参见图3。
作为优选地实施例，获取待分析的目标图像即候梯厅人员样本数据视频帧，构建头部图像样本集，样本集包括标签为1和0的文件夹，1表示人头正样本，0表示同一场景下非人头区域的负样本；
步骤2：对图像大小进行归一化处理；为了减少训练时间，将正负样本标准化为32×32像素大小的图像，并将80％样本用作训练集，20％样本用作测试集。
步骤3：在进行特征提取前，需要对头部图像进行灰度化处理。对目标图像灰度化处理，将RGB三通道数据的彩色图像转换为单通道数据的灰度图像，灰度图像只具有强度信息，存储时采用数据矩阵的形式，矩阵中的每个元素与对应像素的灰度值对应，彩色图像灰度化处理采用加权平均值法的方式，计算公式如式(1)所示，三通道对应的权重系数WR,WG,WB分别为0.30、0.59、0.11。将彩色图片处理成灰度图片，对后续HOG、LBP和Haar特征提取具有图像信息减少，加快处理速度的优势。
R＝G＝B＝WRR+WGG+WBB (1)
步骤4：提取待分析图像人头区域的传统特征，具体提取人头区域的HOG、Harr和LBP特征；
由于候梯人数检测的复杂性，提取单一特征无法充分描述候梯行人的特征，对候梯人数检测结果具有一定影响，因此将多个特征适当组合，可以从不同层面刻画图像的多方面特征，提高候梯人数检测的准确度。为了更全面地描述候梯行人的特征，提出了一种多特征融合的思想，将HOG、LBP和Haar三种属性的特征串联起来，丰富了特征描述的能力。
进一步，为了提高运算效率，采用PCA降维处理。
步骤5：提取人头区域的CNN深度特征，提高特征的泛化能力；
利用卷积神经网络将头部图像正样本的中间层特征提取出来，进行特征的可视化操作。卷积神经网络的前两个卷积层采用32个卷积核，提取浅层特征图后可以看到人头轮廓，后两个卷积层采用64个卷积核，提取的深层特征图轮廓并没有浅层特征那么明显，与浅层的相比较具有更高的抽象性，更有利于检测。
步骤6：进行分类器模型的训练，训练基于多特征融合的Adaboost级联分类器作为人数检测初步的分类器进行候梯厅人数检测统计，也称之为第一步检测。
步骤7：训练卷积神经网络分类器进行人数检测的二次精确检测，以获得更准确的人数区域。
候梯监控视频帧经过Adaboost检测完成后，头部区域基本上大部分都能被正确检测到，待检测区域仍有大量虚假目标即非头部区域，参见图4(a)，因此需要将真实头部区域和虚假区域区分，以剔除掉虚假区域。考虑到卷积神经网络在分类任务上的成功应用，采用CNN来对其进行下一步处理，结合卷积神经网络对Adaboost检测结果进行删选，提高检测的准确率。训练卷积神经网络分类器进行人数检测的二次精确检测，以获得更准确的人数区域获取，参见图5(a)。
构建的卷积神经网络模型：其中，卷积神经网络包括一个输入层、四个卷积层、两个池化层和一个全连接层、一个输出层。需要说明的是，输入层是大小为32×32的候梯人员头部图像，本发明实施例的卷积神经网络中，前两个卷积层采用32个卷积核，后两个卷积层采用64个卷积核，激励函数为ReLU激活函数如式(2)所示。
输出层采用Softmax激活函数输出两个目标类的概率为pi(i＝1,2)，p1和p2分别对应头部与非头部的概率，其中概率满足以下公式(3)。
并在每个最大池化层后运用了Dropout操作即随机失活，以达到更有效地训练网络和避免过度拟合的目的。
本发明所涉及的头部区域共提取HOG特征有40×3×3＝360个特征。
本发明所涉及的头部区域共提取Harr特征有1170维。
本发明所涉及的头部区域共提取LBP特征有1024维。
本发明应用于候梯人数检测的算法检测框图参见图1，人头图像正样本示例图参见图2；人头图像负样本示例图参见图3；实施例在第一步检测下人数检测框选示意图参见图4(a)；实施例在第一步人数检测下框选的热图显示示意图参见图4(b)；由图4(a)和(b)可以看出，原有候梯人数有7人，第一步检测下正确框选出的候梯人数检测框有6个，存在较多误检区域，如垃圾桶、鞋、黑色包等物体，检测准确率不太高。使用相同的候梯图像进行二次检测，实施例在第二步检测下人数检测框选示意图参见图5(a)；实施例在第一步人数检测下框选的热图显示示意图参见图5(b)；分析图5(a)和(b)，可以看出，当候梯人数为7人时，检测候选框的个数为7个，且均为人头区域，无误检及漏检区域，检测准确率可达到100％。但这里只列举了候梯人数为7人的检测情况，电梯候梯间人数分布在高峰和非高峰模式下有较大差别，7人仅为人数中等的候梯情况，结合候梯人数多(达到16人)和候梯人数少(3人)等不同情况，人头区域检测的准确率相较于100％有所下降，但仍能保持较高的正确检测率，因此可以实现电梯候梯人数检测，有较好的检测效果。
通过图4和图5的结果表明，本发明采用人头特征提取，并采用多特征融合与卷积神经网络去解决群控电梯候梯厅候梯人数的检测统计，通过对比图中检测框选区域是否为人头区域以及对比检测框数量分析，本发明方法在人数检测上具有一定优势，能够准确检测出候梯的人数，具有较高的准确率。
第二方面，如图6所示，本发明提供一种电梯候梯人数检测统计装置，所述装置包括：
第一输入模块，用于输入待测视频图像到预先训练好的Adaboost级联分类器模型中，提取各图像的头部感兴趣区域；
第二输入模块，用于将头部感兴趣区域输入预先训练好的卷积神经网络模型中，对人头部分进行图像标记；
统计模块，用于将图像标记结果通过热图显示人头检测数量，统计最终的候梯人数。
第三方面，如图7所示，本发明提供一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于运行所述存储器存储的可执行指令时，实现所述的统计方法。
第四方面，本发明提供一种计算机可读存储介质，存储有可执行指令，其特征在于，所述可执行指令被处理器执行时实现所述的统计方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于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：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，A，B或C中的至少一项(个)，可以表示：A，B，C，“A和B”，“A和C”，“B和C”，或“A和B和C”，其中A，B，C可以是单个，也可以是多个。
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，在本申请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。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：READ-ONLYMEMORY，英文缩写：ROM)、随机存取存储器(英文全称：RANDOM ACCESS MEMORY，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种电梯候梯人数检测统计方法，其特征在于，包括以下步骤：
输入待测视频图像到预先训练好的Adaboost级联分类器模型中，提取各图像的头部感兴趣区域；
将头部感兴趣区域输入预先训练好的卷积神经网络模型中，对人头部分进行图像标记；
将图像标记结果通过热图显示人头检测数量，统计最终的候梯人数。
2.根据权利要求1所述的统计方法，其特征在于，所述Adaboost级联分类器模型的训练包括以下步骤：
构建头部样本数据集，正样本是截取视频图像中各状态下的人头图像，负样本则是相同场景下不包括人头的图像；
样本图像归一化处理；
对目标图像灰度化处理，将彩色图像处理为单通道的灰度图像；
提取HOG、LBP和Haar三种属性的候梯行人特征，进行头部图像多个特征串联融合；
进行分类器模型的训练，训练得到基于多特征融合的Adaboost级联分类器进行图像的头部感兴趣区域提取。
3.如权利要求2所述的统计方法，其特征在于，所述归一化处理是将正负样本标准化为32×32像素大小的图像。
4.如权利要求2所述的统计方法，其特征在于，所述灰度化处理存储时采用数据矩阵的形式，矩阵中的每个元素与对应像素的灰度值对应，彩色图像灰度化处理采用加权平均值法的方式，计算公式如式所示，三通道对应的权重系数WR,WG,WB分别为0.30、0.59、0.11；
R＝G＝B＝WRR+WGG+WBB。
5.如权利要求2所述的统计方法，其特征在于，所述HOG、LBP和Haar三种属性串联融合后采用PCA降维处理。
6.如权利要求2所述的统计方法，其特征在于，所述卷积神经网络模型的训练包括以下步骤：
利用卷积神经网络将头部图像正样本的中间层特征提取出来，进行特征的可视化操作；
提取人头区域的CNN深度特征，
训练卷积神经网络分类器模型进行头部检测，以剔除其他非头部及重叠区域，进一步确认识别人头部分，得到标记结果。
7.如权利要求6所述的统计方法，其特征在于，所述卷积神经网络模型包括：
一个输入层、四个卷积层、两个池化层和一个全连接层、一个输出层；输入层是大小为32×32的候梯人员头部图像，前两个卷积层采用32个卷积核，后两个卷积层采用64个卷积核，激励函数为ReLU激活函数如式所示；
输出层采用Softmax激活函数输出两个目标类的概率为pi(i＝1,2)，p1和p2分别对应头部与非头部的概率，其中概率满足以下公式；
并在每个最大池化层后运用了Dropout操作即随机失活。
8.一种电梯候梯人数检测统计装置，其特征在于，所述装置包括：
第一输入模块，用于输入待测视频图像到预先训练好的Adaboost级联分类器模型中，提取各图像的头部感兴趣区域；
第二输入模块，用于将头部感兴趣区域输入预先训练好的卷积神经网络模型中，对人头部分进行图像标记；
统计模块，用于将图像标记结果通过热图显示人头检测数量，统计最终的候梯人数。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于运行所述存储器存储的可执行指令时，实现权利要求1至7任一项所述的统计方法。
10.一种计算机可读存储介质，存储可执行指令，其特征在于，所述可执行指令被处理器执行时实现权利要求1至7任一项所述的统计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010734181.6A CN111860390A (zh) | 2020-07-27 | 2020-07-27 | 一种电梯候梯人数检测统计方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010734181.6A CN111860390A (zh) | 2020-07-27 | 2020-07-27 | 一种电梯候梯人数检测统计方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111860390A true CN111860390A (zh) | 2020-10-30 |
Family
ID=72947390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010734181.6A Pending CN111860390A (zh) | 2020-07-27 | 2020-07-27 | 一种电梯候梯人数检测统计方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111860390A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926481A (zh) * | 2021-03-05 | 2021-06-08 | 浙江大华技术股份有限公司 | 一种异常行为的检测方法及装置 |
| CN113239743A (zh) * | 2021-04-23 | 2021-08-10 | 普联国际有限公司 | 一种人群密度检测方法、装置、设备及存储介质 |
| CN113298811A (zh) * | 2021-07-26 | 2021-08-24 | 深圳市信润富联数字科技有限公司 | 智能教室人数的自动计数方法、装置、设备及存储介质 |
| CN113392726A (zh) * | 2021-05-26 | 2021-09-14 | 上海飞乐音响股份有限公司 | 室外监控场景下人头识别检测方法、系统、终端及介质 |
| CN113724250A (zh) * | 2021-09-26 | 2021-11-30 | 新希望六和股份有限公司 | 一种基于双光相机的动物目标计数方法 |
| CN113887541A (zh) * | 2021-12-06 | 2022-01-04 | 北京惠朗时代科技有限公司 | 一种应用于公司管理的多区域员工数量检测方法 |
| CN116013092A (zh) * | 2022-12-07 | 2023-04-25 | 嘉应学院 | 一种基于云计算的道路交通管理系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303193A (zh) * | 2015-09-21 | 2016-02-03 | 重庆邮电大学 | 一种基于单帧图像处理的人数统计系统 |
| CN105512640A (zh) * | 2015-12-30 | 2016-04-20 | 重庆邮电大学 | 一种基于视频序列的人流量统计方法 |
| CN106127164A (zh) * | 2016-06-29 | 2016-11-16 | 北京智芯原动科技有限公司 | 基于显著性检测和卷积神经网络的行人检测方法及装置 |
| CN107341452A (zh) * | 2017-06-20 | 2017-11-10 | 东北电力大学 | 基于四元数时空卷积神经网络的人体行为识别方法 |
| CN108171112A (zh) * | 2017-12-01 | 2018-06-15 | 西安电子科技大学 | 基于卷积神经网络的车辆识别与跟踪方法 |
| CN108416250A (zh) * | 2017-02-10 | 2018-08-17 | 浙江宇视科技有限公司 | 人数统计方法及装置 |
| KR20190022126A (ko) * | 2017-08-25 | 2019-03-06 | 광운대학교 산학협력단 | 컨벌루션 신경망을 이용한 임베디드 플랫폼 상의 피플 카운팅 방법 |
| WO2019196130A1 (zh) * | 2018-04-12 | 2019-10-17 | 广州飒特红外股份有限公司 | 面向车载热成像行人检测的分类器训练方法和装置 |
-
2020
- 2020-07-27 CN CN202010734181.6A patent/CN111860390A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303193A (zh) * | 2015-09-21 | 2016-02-03 | 重庆邮电大学 | 一种基于单帧图像处理的人数统计系统 |
| CN105512640A (zh) * | 2015-12-30 | 2016-04-20 | 重庆邮电大学 | 一种基于视频序列的人流量统计方法 |
| CN106127164A (zh) * | 2016-06-29 | 2016-11-16 | 北京智芯原动科技有限公司 | 基于显著性检测和卷积神经网络的行人检测方法及装置 |
| CN108416250A (zh) * | 2017-02-10 | 2018-08-17 | 浙江宇视科技有限公司 | 人数统计方法及装置 |
| CN107341452A (zh) * | 2017-06-20 | 2017-11-10 | 东北电力大学 | 基于四元数时空卷积神经网络的人体行为识别方法 |
| KR20190022126A (ko) * | 2017-08-25 | 2019-03-06 | 광운대학교 산학협력단 | 컨벌루션 신경망을 이용한 임베디드 플랫폼 상의 피플 카운팅 방법 |
| CN108171112A (zh) * | 2017-12-01 | 2018-06-15 | 西安电子科技大学 | 基于卷积神经网络的车辆识别与跟踪方法 |
| WO2019196130A1 (zh) * | 2018-04-12 | 2019-10-17 | 广州飒特红外股份有限公司 | 面向车载热成像行人检测的分类器训练方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| 张宇洋;刘满华;韩韬;: "基于Mean Shift图像分割和支持向量机判决的候梯人数视觉检测系统", 光学精密工程, no. 04, 15 April 2013 (2013-04-15) * |
| 张雅俊;高陈强;李佩;刘江;程华;: "基于卷积神经网络的人流量统计", 重庆邮电大学学报(自然科学版), no. 02, 15 April 2017 (2017-04-15) * |
| 马海军;王文中;翟素兰;罗斌;: "基于卷积神经网络的监控视频人数统计算法", 安徽大学学报(自然科学版), no. 03 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926481A (zh) * | 2021-03-05 | 2021-06-08 | 浙江大华技术股份有限公司 | 一种异常行为的检测方法及装置 |
| CN112926481B (zh) * | 2021-03-05 | 2024-04-19 | 浙江大华技术股份有限公司 | 一种异常行为的检测方法及装置 |
| CN113239743A (zh) * | 2021-04-23 | 2021-08-10 | 普联国际有限公司 | 一种人群密度检测方法、装置、设备及存储介质 |
| CN113392726A (zh) * | 2021-05-26 | 2021-09-14 | 上海飞乐音响股份有限公司 | 室外监控场景下人头识别检测方法、系统、终端及介质 |
| CN113298811A (zh) * | 2021-07-26 | 2021-08-24 | 深圳市信润富联数字科技有限公司 | 智能教室人数的自动计数方法、装置、设备及存储介质 |
| CN113724250A (zh) * | 2021-09-26 | 2021-11-30 | 新希望六和股份有限公司 | 一种基于双光相机的动物目标计数方法 |
| CN113887541A (zh) * | 2021-12-06 | 2022-01-04 | 北京惠朗时代科技有限公司 | 一种应用于公司管理的多区域员工数量检测方法 |
| CN116013092A (zh) * | 2022-12-07 | 2023-04-25 | 嘉应学院 | 一种基于云计算的道路交通管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860390A (zh) | 一种电梯候梯人数检测统计方法、装置、设备及介质 | |
| CN110532900B (zh) | 基于U-Net和LS-CNN的人脸表情识别方法 | |
| CN105069472B (zh) | 一种基于卷积神经网络自适应的车辆检测方法 | |
| US20200082165A1 (en) | Collaborative deep network model method for pedestrian detection | |
| WO2017122258A1 (ja) | 混雑状況監視システム | |
| Chaudhari et al. | Face detection using viola jones algorithm and neural networks | |
| CN111199220B (zh) | 电梯内人员检测与人数统计的轻量化深度神经网络方法 | |
| CN108596256B (zh) | 一种基于rgb-d物体识别分类器构造方法 | |
| CN112464730B (zh) | 一种基于域无关前景特征学习的行人再识别方法 | |
| CN111209818A (zh) | 视频个体识别方法、系统、设备及可读存储介质 | |
| CN109255284A (zh) | 一种基于运动轨迹的3d卷积神经网络的行为识别方法 | |
| Yang et al. | Real-time traffic sign detection via color probability model and integral channel features | |
| CN110728216A (zh) | 一种基于行人属性自适应学习的无监督行人再识别方法 | |
| CN106778637B (zh) | 一种对男女客流的统计方法 | |
| Qezavati et al. | Partially covered face detection in presence of headscarf for surveillance applications | |
| CN110188703A (zh) | 一种基于人脸识别的信息推送及引流方法 | |
| CN114550268A (zh) | 一种利用时空特征的深度伪造视频检测方法 | |
| CN114937298A (zh) | 一种基于特征解耦的微表情识别方法 | |
| CN110991301A (zh) | 一种人脸识别的方法 | |
| CN105550642B (zh) | 基于多尺度线性差分特征低秩表示的性别识别方法及系统 | |
| CN110909622A (zh) | 微表情识别金融风控方法及系统 | |
| CN112044046B (zh) | 基于深度学习的跳绳计数方法 | |
| Sakthimohan et al. | Detection and Recognition of Face Using Deep Learning | |
| CN114550270A (zh) | 一种基于双注意力机制的微表情识别方法 | |
| CN112766145B (zh) | 人工神经网络的人脸动态表情识别方法及装置 |
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 |