CN112101195A - 人群密度预估方法、装置、计算机设备和存储介质 - Google Patents
人群密度预估方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112101195A CN112101195A CN202010962186.4A CN202010962186A CN112101195A CN 112101195 A CN112101195 A CN 112101195A CN 202010962186 A CN202010962186 A CN 202010962186A CN 112101195 A CN112101195 A CN 112101195A
- Authority
- CN
- China
- Prior art keywords
- head
- density distribution
- central point
- image
- crowd
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000010586 diagram Methods 0.000 claims abstract description 107
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 210000003128 head Anatomy 0.000 description 301
- 238000005516 engineering process Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000006740 morphological transformation Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement 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
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 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
- 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
本申请涉及图像处理技术领域，可应用于监控领域，提供了一种人群密度预估方法、装置、计算机设备和存储介质。所述方法包括：获取人群密度分布热力图；根据预设滑动窗口遍历人群密度分布热力图，根据遍历结果得到人群密度分布二值图；对人群密度分布二值图进行连通域提取，确定人群密度分布二值图中的各人头中心点的位置；根据各人头中心点的位置进行人头框估计，得到与各人头中心点对应的人头估计尺寸；根据各人头中心点的位置和人头估计尺寸，得到人群密度预估结果。采用本方法能够提高估计准确度。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种人群密度预估方法、装置、计算机设备和存储介质。
背景技术
随着人工智能中的图像处理技术的发展，出现了人群密度预估技术。人群密度预估技术能够自动推理出图像中的总人数，在视频监控、公共安全等领域发挥着重要的作用。
传统技术中，在进行人群密度预估时，主要是使用人群密度热力图回归的方式进行预测，利用深度学习技术进行端到端的训练与推理。
然而，传统的人群密度预估虽然可以基于深度学习的方式得到人群密度预估结果，但是其得到人群密度预估结果一般是一个简单的密度数据，其无法准确反映人群密度情况。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确反映人群密度情况的人群密度预估方法、装置、计算机设备和存储介质。
一种人群密度预估方法，所述方法包括：
获取人群密度分布热力图；
根据预设滑动窗口遍历人群密度分布热力图，根据遍历结果得到人群密度分布二值图；
对人群密度分布二值图进行连通域提取，确定人群密度分布二值图中的各人头中心点的位置；
根据各人头中心点的位置进行人头框估计，得到与各人头中心点对应的人头估计尺寸；
根据各人头中心点的位置和人头估计尺寸，得到人群密度预估结果。
在一个实施例中，在根据平均人头估计尺寸，得到与各人头中心点对应的人头估计尺寸之后，还包括：
根据水平带的人群密度分布二值图，对各水平带内的人头数进行统计；
当存在人头数为1的目标水平带时，根据目标水平带内人头中心点的位置，确定与目标水平带内人头中心点对应的目标近邻人头中心点；
根据目标近邻人头中心点的人头估计尺寸，更新与目标水平带内人头中心点对应的人头估计尺寸。
一种人群密度预估装置，所述装置包括：
获取模块，用于获取人群密度分布热力图；
遍历模块，用于根据预设滑动窗口遍历人群密度分布热力图，根据遍历结果得到人群密度分布二值图；
连通模块，用于对人群密度分布二值图进行连通域提取，确定人群密度分布二值图中的各人头中心点的位置；
估计模块，用于根据各人头中心点的位置进行人头框估计，得到与各人头中心点对应的人头估计尺寸；
处理模块，用于根据各人头中心点的位置和人头估计尺寸，得到人群密度预估结果。
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以下步骤：
获取人群密度分布热力图；
根据预设滑动窗口遍历人群密度分布热力图，根据遍历结果得到人群密度分布二值图；
对人群密度分布二值图进行连通域提取，确定人群密度分布热力图中的各人头中心点的位置；
根据各人头中心点的位置进行人头框估计，得到与各人头中心点对应的人头估计尺寸；
根据各人头中心点的位置和人头估计尺寸，得到人群密度预估结果。
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以下步骤：
获取人群密度分布热力图；
根据预设滑动窗口遍历人群密度分布热力图，根据遍历结果得到人群密度分布二值图；
对人群密度分布二值图进行连通域提取，确定人群密度分布二值图中的各人头中心点的位置；
根据各人头中心点的位置进行人头框估计，得到与各人头中心点对应的人头估计尺寸；
根据各人头中心点的位置和人头估计尺寸，得到人群密度预估结果。
上述人群密度预估方法、装置、计算机设备和存储介质，通过利用滑动窗口遍历人群密度分布热力图，能够实现对人群密度分布二值图的获取，从而利用连通域提取技术，可以确定人群密度分布二值图中各人头中心点的位置，进而可以根据各人头中心点的位置进行人头框估计，得到与各人头中心点对应的人头估计尺寸，根据各人头中心点的位置和人头估计尺寸，得到包括各人头中心点的位置和人头估计尺寸的人群密度预估结果，能够提高估计准确度。
附图说明
图1为一个实施例中人群密度预估方法的流程示意图；
图2为一个实施例中人群密度预估方法的示意图；
图3为另一个实施例中人群密度预估方法的示意图；
图4为另一个实施例中人群密度预估方法的流程示意图；
图5为一个实施例中人群密度预估装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
本申请实施例提供的方案涉及人工智能的计算机视觉技术，计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。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。
在一个实施例中，如图1所示，提供了一种人群密度预估方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
步骤102，获取人群密度分布热力图。
其中，人群密度分布热力图是指用于表征人群密度分布的热力图，人群密度分布热力图可以反映实际场景中的单位面积的人头数量，通过对人群密度分布热力图积分即可获得场景中的所有人头数。
具体的，服务器会先获取场景人群图像，对场景人群图像进行特征提取，得到与场景人群图像对应的特征图，再根据与场景人群图像对应的特征图，得到人群密度分布热力图。其中，场景人群图像是指待分析的、尚未确定人群密度分布的场景图像。比如，场景人群图像具体可以是用于场景监控的摄像头所拍摄到的图像，场景监控具体可以是指地铁监控、商场监控等。
步骤104，根据预设滑动窗口遍历人群密度分布热力图，根据遍历结果得到人群密度分布二值图。
其中，滑动窗口是指可滑动的窗口，滑动窗口的大小可按照需要自行设置。比如，滑动窗口的大小具体可以为15*15个像素。人群密度分布二值图是指可表征人群密度分布的二值图。
具体的，服务器会使用预设滑动窗口遍历人群密度分布热力图，得到与预设滑动窗口的窗口尺寸大小对应的图像块集合，获取图像块集合中各图像块的中心像素值，并计算各图像块的像素平均值，根据各图像块的中心像素值以及各图像块的像素平均值，对各图像块的中心像素值进行更新，根据更新后的各图像块的中心像素值，得到人群密度分布二值图。
步骤106，对人群密度分布二值图进行连通域提取，确定人群密度分布二值图中的各人头中心点的位置。
其中，连通域提取是指标记连通域的过程，即捕获图像中所有单连通域，将单连通域连通。比如，连通域提取具体可以是四连通域提取。又比如，连通域提取具体可以是八连通域提取，在本实施例中，单连通域即是指单个人头区域。
具体的，服务器会通过遍历人群密度分布二值图中各像素点的像素值的方式进行连通域提取，得到连续人头区域轮廓集合，连续人头区域轮廓集合中各连续人头区域轮廓即是单连通域。在得到连续人头区域轮廓集合后，服务器通过计算连续人头区域轮廓集合中各连续人头区域轮廓的几何中心，就可以得到各人头中心点的位置。需要说明的是，除了对人群密度分布二值图进行连通域提取外，也可以通过使用极值点搜寻算法或使用神经网络对人头中心点进行二次预测等方式，确定人群密度分布二值图中的各人头中心点的位置。
步骤108，根据各人头中心点的位置进行人头框估计，得到与各人头中心点对应的人头估计尺寸。
其中，人头框是指与各人头中心点对应的人头估计尺寸。
具体的，服务器会先根据各人头中心点的位置，确定与各人头中心点对应的近邻人头中心点，计算各人头中心点与对应的近邻人头中心点之间的人头距离，再依据人头距离实现对与各人头中心点对应的初始人头估计尺寸的确定，进而根据预设水平宽度对人群密度分布二值图进行划分，得到至少两个水平带的人群密度分布二值图，根据水平带的人群密度分布二值图中各人头中心点的初始人头估计尺寸，得到与各人头中心点对应的人头估计尺寸。
步骤110，根据各人头中心点的位置和人头估计尺寸，得到人群密度预估结果。
其中，人群密度预估结果是指对人群密度的预测估计的结果，包括与人群密度分布热力图对应的场景人群图像中的总人数、场景人群图像中各个区域的人群密集程度以及预估出的场景人群图像的人头检测框。其中的各个区域的人群密集程度可通过人头中心点来表示，即人群密度预估结果是指标记出人头中心点和人头检测框的场景人群图像。
具体的，服务器会根据各人头中心点的位置，在与人群密度分布热力图对应的场景人群图像中先标注出各人头中心点，再根据与各人头中心点对应的人头估计尺寸，在场景人群图像中标注出与各人头中心点对应的人头检测框，得到已标记出人头中心点和人头检测框的场景人群图像作为人群密度预估结果。
上述人群密度预估方法，通过利用滑动窗口遍历人群密度分布热力图，能够实现对人群密度分布二值图的获取，从而利用连通域提取技术，可以确定人群密度分布二值图中各人头中心点的位置，进而可以根据各人头中心点的位置进行人头框估计，得到与各人头中心点对应的人头估计尺寸，根据各人头中心点的位置和人头估计尺寸，得到包括各人头中心点的位置和人头估计尺寸的人群密度预估结果，能够提高估计准确度。
在一个实施例中，获取人群密度分布热力图包括：
获取场景人群图像；
将场景人群图像输入已训练的人群密度分布热力预测模型，得到人群密度分布热力图。
其中，场景人群图像是指待分析的、尚未确定人群密度分布的场景图像。比如，场景人群图像具体可以是用于场景监控的摄像头所拍摄到的图像，场景监控具体可以是指地铁监控、商场监控等。人群密度分布热力预测模型是指用于根据图像输出人群密度分布热力图的网络。比如，人群密度分布热力预测模型具体可以是指训练得到的用于输出人群密度分布热力图的卷积神经网络。
具体的，服务器会获取场景人群图像，将场景人群图像输入已训练的人群密度分布热力预测模型，利用人群密度分布热力预测模型中的特征提取网络对场景人群图像进行特征提取，得到与场景人群图像对应的特征图，再根据特征图得到人群密度分布热力图。其中，特征提取网络具体可以是指U-net网络，U-net网络主要包括降采样网络和上采样网络。举例说明，当预设特征提取网络为U-net网络时，对场景人群图像进行特征提取，得到与场景人群图像对应的特征图的过程具体可以为：先利用U-net网络中的降采样网络对场景人群图像进行卷积处理，得到第一特征图，再利用U-net网络中的上采样网络对场景人群图像进行卷积处理，得到第二特征图，直接拼接第一特征图和第二特征图，最后对直接拼接后的特征图再次进行卷积处理，得到与场景人群图像对应的特征图。
本实施例中，通过获取场景人群图像，将场景人群图像输入已训练的人群密度分布热力预测模型，得到人群密度分布热力图，能够实现对人群密度分布热力图的获取。
在一个实施例中，在将场景人群图像输入已训练的人群密度分布热力预测模型，得到人群密度分布热力图之前，还包括：
获取携带人头中心点标注的样本图像；
提取样本图像中各样本人头中心点对应的样本特征图；
对样本特征图进行叠加，得到与样本特征图对应的目标样本图像；
根据预设高斯核对所述目标样本图像进行卷积处理，得到训练密度图；
根据样本图像和训练密度图对初始卷积神经网络进行模型训练，得到已训练的人群密度分布热力预测模型。
其中，样本图像是指图像中的人头中心点均已被标注出来的图像。人头中心点是指人头的几何中心。人头中心点标注用于表征人头中心点在样本图像中的位置。样本特征图是指只标识出样本人头中心点的特征图。比如，对于任意样本人头中心点，可以将其表示为与样本图像同样大小的一张图，在这张图中，只有样本人头中心点所对应的位置的像素值1，其余位置的像素值均为0。高斯核是指用于数据映射的卷积核。
具体的，服务器会获取携带人头中心点标注的样本图像，根据样本图像中的人头中心点标注，提取样本图像中各样本人头中心点对应的样本特征图，对样本特征图进行叠加，得到与样本特征图对应的目标样本图像，根据预设高斯核对目标样本图像进行卷积处理，得到训练密度图，根据所述样本图像和所述训练密度图对初始卷积神经网络进行模型训练，得到已训练的人群密度分布热力预测模型。
进一步的，对本实施例的步骤原理进行说明，人群密度分布热力图反应了单位像素在实际场景中对应位置的平均人数，对于任意样本人头中心点xi，可以将其表示为与样本图像同样大小的一张样本特征图δ(x-xi)，即只有位置xi的像素值为1，其余位置的像素值为0。那么N个样本图像中的人头可以表示为
可以注意到对样本特征图进行积分就可以得到样本图像中的总人数。然后我们使用一个高斯核Gσ对积分后的样本图进行卷积处理，即可得到训练密度图D＝Gσ*H(x)，由于高斯核是归一化的，因此对卷积处理后得到的训练密度图D进行积分同样也可以得到总人数，根据样本图像以及训练密度图对初始卷积神经网络进行模型训练，就能够得到已训练的人群密度分布热力预测模型。
本实施例中，通过获取携带人头中心点标注的样本图像，对样本特征图进行叠加，得到与样本特征图对应的目标样本图像，根据预设高斯核对所述目标样本图像进行卷积处理，得到训练密度图，根据样本图像和训练密度图对初始卷积神经网络进行模型训练，得到已训练的人群密度分布热力预测模型，能够实现对已训练的人群密度分布热力预测模型的获取。
在一个实施例中，根据预设滑动窗口遍历人群密度分布热力图，根据遍历结果得到人群密度分布二值图包括：
根据预设滑动窗口遍历人群密度分布热力图，得到与预设滑动窗口大小对应的图像块集合；
获取图像块集合中各图像块的中心像素值，并计算各图像块的像素平均值；
比对同一图像块的中心像素值和像素平均值；
根据比对结果得到人群密度分布二值图。
其中，各图像块的中心像素值是指各图像块的像素中心点的像素值。
具体的，由于获取到的人群密度分布热力图中每个像素点的像素值都是大于0的浮点数，在遍历之前，服务器会先对人群密度分布热力图进行归一化处理，比如，归一化处理具体可以是指将每个像素点的像素值归一化至0-255的范围内。在归一化完成之后，服务器会根据预设滑动窗口，遍历归一化后的人群密度分布热力图中每个大小与预设滑动窗口大小对应的图像块，得到与预设滑动窗口大小对应的图像块集合，获取图像块集合中各图像块的中心像素值，并根据各图像块中各像素的像素值计算各图像块的像素平均值，比对同一图像块的中心像素值和像素平均值，当中心像素值大于像素平均值时，设置该图像块的像素中心点的像素值为1，当中心像素值小于像素平均值时，设置该图像块的像素中心点的像素值为0，当对所有图像块的中心像素值和像素平均值都完成比较，并重新设置像素中心点的像素值后，得到人群密度分布二值图。
举例说明，如图2所示，图2-1为获取到的人群密度分布热力图，通过对该人群密度分布热力图进行归一化处理后，得到的归一化后的人群密度分布热力图如图2-2所示，在得到归一化后的人群密度分布热力图后，服务器可以利用大小为15*15个像素的滑动窗口遍历人群密度分布热力图中每个像素大小为15*15的图像块，得到图像块集合，计算图像块集合中各图像块的像素平均值，并获取各图像块的中心像素值，比对同一图像块的中心像素值和像素平均值，当中心像素值大于像素平均值时，设置该图像块的像素中心点的像素值为1，当中心像素值小于像素平均值时，设置该图像块的像素中心点的像素值为0，当对所有图像块的中心像素值和像素平均值都完成比较，并重新设置像素中心点的像素值后，得到人群密度分布二值图(如图2-3所示)。
本实施例中，通过根据预设滑动窗口遍历人群密度分布热力图，得到与预设滑动窗口大小对应的图像块集合，获取图像块集合中各图像块的中心像素值，并计算各图像块的像素平均值，比对同一图像块的中心像素值和像素平均值，根据比对结果得到人群密度分布二值图，能够实现对人群密度分布二值图的获取。
在一个实施例中，对人群密度分布二值图进行连通域提取，确定人群密度分布二值图中的各人头中心点的位置包括：
对人群密度分布二值图进行噪声过滤，得到噪声过滤后的人群密度分布二值图；
遍历噪声过滤后的人群密度分布二值图中各像素点的像素值，得到连续人头区域轮廓集合；
计算连续人头区域轮廓集合中各连续人头区域轮廓的几何中心，得到各人头中心点的位置。
其中，进行噪声过滤是指使用形态学变换对极小的噪声点进行过滤。
具体的，服务器会先使用形态学变换对人群密度分布二值图进行噪声过滤，得到噪声过滤后的人群密度分布二值图，再遍历噪声过滤后的人群密度分布二值图中各像素点的像素值，确定各像素点之间的连通性，根据各像素点之间的连通性得到连续人头区域轮廓集合，在连续人头区域轮廓集合中包括多个连续人头区域轮廓，每个连续人头区域轮廓都表示一个单连通域。在得到连续人头区域轮廓集合后，服务器会计算连续人头区域轮廓集合中各连续人头区域轮廓的几何中心，得到各人头中心点的位置。举例说明，人群密度分布二值图如图2-3所示，通过对人群密度分布二值图进行噪声过滤和连通域提取，可以确定人群密度分布二值图中的各人头中心点的位置(如图2-4所示)。其中，使用形态学变换对人群密度分布二值图进行噪声过滤的方式可以为通过先腐蚀后膨胀的方式对人群密度分布二值图进行噪声过滤，滤除掉其中的噪声。各像素点之间的连通性可以为四连通、八连通等。
举例说明，当各像素点之间的连通性为四连通时，遍历噪声过滤后的人群密度分布二值图中各像素点的像素值，确定各像素点之间的连通性的方式可以为：对噪声过滤后的人群密度分布二值图从左向右，从上向下进行扫描，通过检查当前正在被扫描的像素点与在它之前被扫描到的若干个近邻像素点的连通性，来标记当前正被扫描的像素点。假如当前正被扫描的像素点的像素值为0，就移动到下一个扫描的位置，假如当前正被扫描的像素点的像素值为1，检查它左边和上边的两个邻接像素点(这两个像素一定会在当前像素之前被扫描到)。这两个邻接像素点的像素值和标记的组合有四种情况要考虑。当它们的像素值都为0，此时给当前正被扫描的像素点一个新的标记(表示一个新的连通域的开始)。当它们中只有一个像素值为1且标记相同时，此时当前正被扫描的像素点的标记与它们相同。当它们的像素值都为1且标记相同时，此时当前正被扫描的像素点的标记与它们相同。当它们的像素值都为1且标记不同时，将其中的较小的值赋给当前正被扫描的像素点。之后从另一边回溯到区域的开始像素为止。每次回溯再分别执行上述四个判断步骤。
本实施例中，通过对人群密度分布二值图进行噪声过滤和连通域提取，能够得到连续头区域轮廓集合，通过计算连续人头区域轮廓集合中各连续人头区域轮廓的几何中心，得到各人头中心点的位置，能够实现对各人头中心点的位置的获取。
在一个实施例中，根据各人头中心点的位置进行人头框估计，得到与各人头中心点对应的人头估计尺寸包括：
根据各人头中心点的位置，确定与各人头中心点对应的近邻人头中心点；
计算各人头中心点与对应的近邻人头中心点之间的人头距离；
根据人头距离，确定与各人头中心点对应的初始人头估计尺寸；
根据初始人头估计尺寸，得到与各人头中心点对应的人头估计尺寸。
其中，近邻人头中心点是指距离人头中心点最近的N个人头中心点，这里的N可按照需要自行设置。
具体的，服务器会根据各人头中心点的位置，计算各人头中心点之间的人头距离，根据各人头中心点之间的人头距离，确定与各人头中心点对应的近邻人头中心点，计算各人头中心点与对应的近邻人头中心点之间的人头距离，根据人头距离计算各人头中心点与对应的近邻人头中心点的人头距离平均值，根据人头距离平均值和预设缩放系数，计算与各人头中心点对应的初始人头估计尺寸。在得到初始人头估计尺寸后，服务器会根据预设水平宽度对人群密度分布二值图进行划分，得到至少两个水平带的人群密度分布二值图，根据水平带的人群密度分布二值图中各人头中心点的初始人头估计尺寸，得到与各人头中心点对应的人头估计尺寸。其中，预设缩放系数可按照需要自行设置。比如，预设缩放系数具体可以为0.3。
本实施例中，通过根据各人头中心点的位置，确定与各人头中心点对应的近邻人头中心点，计算各人头中心点与对应的近邻人头中心点之间的人头距离，根据人头距离，确定与各人头中心点对应的初始人头估计尺寸，根据初始人头估计尺寸，得到与各人头中心点对应的人头估计尺寸，能够实现对与各人头中心点对应的人头估计尺寸的获取。
在一个实施例中，根据初始人头估计尺寸，得到与各人头中心点对应的人头估计尺寸包括：
根据预设水平宽度对人群密度分布二值图进行划分，得到至少两个水平带的人群密度分布二值图；
根据水平带的人群密度分布二值图中各人头中心点的初始人头估计尺寸，确定与水平带对应的平均人头估计尺寸；
根据平均人头估计尺寸，得到与各人头中心点对应的人头估计尺寸。
其中，预设水平宽度用于在竖直方向上对人群密度分布二值图进行划分。比如，预设水平宽度具体可以为32个像素。水平带用于表征同一水平线上。
具体的，服务器会根据预设水平宽度对人群密度分布二值图进行划分，得到至少两个水平带的人群密度分布二值图，再对水平带的人群密度分布二值图中各人头中心点的初始人头估计尺寸取平均值，得到与水平带对应的平均人头估计尺寸，将平均人头估计尺寸，作为该水平带内与各人头中心点对应的人头估计尺寸。由于摄像头拍摄原理所限制，同一水平线上的人头的大小近乎是一致的，所以这里通过取同一水平带内的各人头中心点的初始人头估计尺寸的平均值作为该水平带内与各人头中心点对应的人头估计尺寸，是比较准确的。
进一步的，在根据平均人头估计尺寸，得到与各人头中心点对应的人头估计尺寸时，除了将平均人头估计尺寸，作为该水平带内与各人头中心点对应的人头估计尺寸外，服务器也可以取平均人头估计尺寸与各人头中心点对应的初始人头估计尺寸的平均值作为与各人头中心点对应的人头估计尺寸。此外，由于同一摄像头下拍摄到的同一位置的人头大小是近似相同的，服务器也可以统计与场景人群图像对应的同一摄像头下拍摄到的多张历史场景人群图像中各人头中心点对应的人头估计尺寸，结合这些人头估计尺寸的平均值和平均人头估计尺寸，确定与各人头中心点对应的人头估计尺寸。
本实施例中，通过根据预设水平宽度对人群密度分布二值图进行划分，得到至少两个水平带的人群密度分布二值图，根据水平带的人群密度分布二值图中各人头中心点的初始人头估计尺寸，确定与水平带对应的平均人头估计尺寸，根据平均人头估计尺寸，得到与各人头中心点对应的人头估计尺寸，能够实现对与各人头中心点对应的人头估计尺寸的获取。
在一个实施例中，在根据平均人头估计尺寸，得到与各人头中心点对应的人头估计尺寸之后，还包括：
根据水平带的人群密度分布二值图，对各水平带内的人头数进行统计；
当存在人头数为1的目标水平带时，根据目标水平带内人头中心点的位置，确定与目标水平带内人头中心点对应的目标近邻人头中心点；
根据目标近邻人头中心点的人头估计尺寸，更新与目标水平带内人头中心点对应的人头估计尺寸。
其中，目标近邻人头中心点是指人群密度分布二值图中在预设方向上与目标水平带内人头中心点距离最近的M个人头中心点，M可按照需要自行设置。比如M具体可以为2，预设方向具体可以目标水平带内人头中心点的上方和下方，则目标近邻人头中心点是指在上下两个方向上与目标水平带内人头中心点距离最近的2个人头中心点。当存在人头数为1的目标水平带时，在对该目标水平带内的人头中心点对应的人头估计尺寸进行预估时，无法通过取初始人头估计尺寸的平均值的方式来提升估计精度，因此可以通过寻找与目标水平带内人头中心点对应的目标近邻人头中心点的方式，利用目标近邻人头中心点的人头估计尺寸以及目标近邻人头中心点与目标水平带内人头中心点之间的距离来预估与目标水平带内人头中心点对应的人头估计尺寸。
举例说明，服务器可以根据人群密度分布二值图中各人头中心点与目标水平带内人头中心点之间的距离，选取上下两个方向上距离最近的两个人头中心点作为与目标水平带内人头中心点对应的目标近邻人头中心点，假设与目标近邻人头中心点对应的人头估计尺寸分别为s1和s2，且这两个目标近邻人头中心点与目标水平带内人头中心点的距离分别为d1和d2，则可以得到对应的人头估计尺寸为d3＝s1*d1/(d1+d2)+s2*d2/(d1+d2)，假设目标水平带内人头中心点的初始人头估计尺寸为d，则可以得到更新的人头估计尺寸为d＝(d+d3)/2。进一步的，也可以根据d1与d2的大小为目标近邻人头中心点设置权重系数，则计算对应的人头估计尺寸的计算公式可变更为：d3＝a*s1*d1/(d1+d2)+b*s2*d2/(d1+d2)，其中a和b分别为目标近邻人头中心点的权重系数，可按照需要自行设置。比如，可以设置第一权重为0.6，第二权重为0.4，则距离目标水平带内人头中心点较近的目标近邻人头中心点的权重系数为0.6，距离目标水平带内人头中心点较远的目标近邻人头中心点的权重系数为0.4。
本实施例中，通过根据水平带的人群密度分布二值图，对各水平带内的人头数进行统计，当存在人头数为1的目标水平带时，根据目标水平带内人头中心点的位置，确定与目标水平带内人头中心点对应的目标近邻人头中心点，根据目标近邻人头中心点的人头估计尺寸，更新与目标水平带内人头中心点对应的人头估计尺寸，能够实现对与目标水平带内人头中心点对应的人头估计尺寸的更新。
本申请还提供一种应用场景，如图3所示，该应用场景应用上述的人群密度预估方法。具体地，该人群密度预估方法在该应用场景的应用如下：
服务器获取用于地铁监控的场景人群图像(图3-1，其中人头用圆圈表示)，根据场景人群图像获取人群密度分布热力图(如图3-2所示)，根据预设滑动窗口遍历人群密度分布热力图，根据遍历结果得到人群密度分布二值图，对人群密度分布二值图进行连通域提取，确定人群密度分布二值图中的各人头中心点的位置，根据各人头中心点的位置进行人头框估计，得到与各人头中心点对应的人头估计尺寸，根据各人头中心点的位置和人头估计尺寸，得到各人头中心点的位置和人头估计尺寸的人群密度预估结果(如图3-3所示)。
如图4所示，通过一个实施例来说明本申请的人群密度预估方法，该人群密度预估方法包括以下步骤：
步骤402，获取场景人群图像；
步骤404，获取携带人头中心点标注的样本图像；
步骤406，提取样本图像中各样本人头中心点对应的样本特征图；
步骤408，对样本特征图进行叠加，得到与样本特征图对应的目标样本图像；
步骤410，根据预设高斯核对目标样本图像进行卷积处理，得到训练密度图；
步骤412，根据样本图像和训练密度图对初始卷积神经网络进行模型训练，得到已训练的人群密度分布热力预测模型；
步骤414，将场景人群图像输入已训练的人群密度分布热力预测模型，得到人群密度分布热力图；
步骤416，根据预设滑动窗口遍历人群密度分布热力图，得到与预设滑动窗口大小对应的图像块集合；
步骤418，获取图像块集合中各图像块的中心像素值，并计算各图像块的像素平均值；
步骤420，比对同一图像块的中心像素值和像素平均值；
步骤422，根据比对结果得到人群密度分布二值图；
步骤424，对人群密度分布二值图进行噪声过滤，得到噪声过滤后的人群密度分布二值图；
步骤426，遍历噪声过滤后的人群密度分布二值图中各像素点的像素值，得到连续人头区域轮廓集合；
步骤428，计算连续人头区域轮廓集合中各连续人头区域轮廓的几何中心，得到各人头中心点的位置；
步骤430，根据各人头中心点的位置，确定与各人头中心点对应的近邻人头中心点；
步骤432，计算各人头中心点与对应的近邻人头中心点之间的人头距离；
步骤434，根据人头距离，确定与各人头中心点对应的初始人头估计尺寸；
步骤436，根据预设水平宽度对人群密度分布二值图进行划分，得到至少两个水平带的人群密度分布二值图；
步骤438，根据水平带的人群密度分布二值图中各人头中心点的初始人头估计尺寸，确定与水平带对应的平均人头估计尺寸；
步骤440，根据平均人头估计尺寸，得到与各人头中心点对应的人头估计尺寸；
步骤442，根据各人头中心点的位置和人头估计尺寸，得到人群密度预估结果。
应该理解的是，虽然图1和图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1和图4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种人群密度预估装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：获取模块502、遍历模块504、连通模块506、估计模块508和处理模块510，其中：
获取模块502，用于获取人群密度分布热力图；
遍历模块504，用于根据预设滑动窗口遍历人群密度分布热力图，根据遍历结果得到人群密度分布二值图；
连通模块506，用于对人群密度分布二值图进行连通域提取，确定人群密度分布二值图中的各人头中心点的位置；
估计模块508，用于根据各人头中心点的位置进行人头框估计，得到与各人头中心点对应的人头估计尺寸；
处理模块510，用于根据各人头中心点的位置和人头估计尺寸，得到人群密度预估结果。
上述人群密度预估装置，通过利用滑动窗口遍历人群密度分布热力图，能够实现对人群密度分布二值图的获取，从而利用连通域提取技术，可以确定人群密度分布二值图中各人头中心点的位置，进而可以根据各人头中心点的位置进行人头框估计，得到与各人头中心点对应的人头估计尺寸，根据各人头中心点的位置和人头估计尺寸，得到包括各人头中心点的位置和人头估计尺寸的人群密度预估结果，能够提高估计准确度。
在一个实施例中，获取模块还用于获取场景人群图像，将场景人群图像输入已训练的人群密度分布热力预测模型，得到人群密度分布热力图。
在一个实施例中，人群密度预估装置还包括模型训练模块，模型训练模块用于获取携带人头中心点标注的样本图像，提取样本图像中各样本人头中心点对应的样本特征图，对样本特征图进行叠加，得到与样本特征图对应的目标样本图像，根据预设高斯核对所述目标样本图像进行卷积处理，得到训练密度图，根据样本图像和训练密度图对初始卷积神经网络进行模型训练，得到已训练的人群密度分布热力预测模型。
在一个实施例中，遍历模块还用于根据预设滑动窗口遍历人群密度分布热力图，得到与预设滑动窗口大小对应的图像块集合，获取图像块集合中各图像块的中心像素值，并计算各图像块的像素平均值，比对同一图像块的中心像素值和像素平均值，根据比对结果得到人群密度分布二值图。
在一个实施例中，连通模块还用于对人群密度分布二值图进行噪声过滤，得到噪声过滤后的人群密度分布二值图，遍历噪声过滤后的人群密度分布二值图中各像素点的像素值，得到连续人头区域轮廓集合，计算连续人头区域轮廓集合中各连续人头区域轮廓的几何中心，得到各人头中心点的位置。
在一个实施例中，估计模块还用于根据各人头中心点的位置，确定与各人头中心点对应的近邻人头中心点，计算各人头中心点与对应的近邻人头中心点之间的人头距离，根据人头距离，确定与各人头中心点对应的初始人头估计尺寸，根据初始人头估计尺寸，得到与各人头中心点对应的人头估计尺寸。
在一个实施例中，估计模块还用于根据预设水平宽度对人群密度分布二值图进行划分，得到至少两个水平带的人群密度分布二值图，根据水平带的人群密度分布二值图中各人头中心点的初始人头估计尺寸，确定与水平带对应的平均人头估计尺寸，根据平均人头估计尺寸，得到与各人头中心点对应的人头估计尺寸。
在一个实施例中，估计模块还用于根据水平带的人群密度分布二值图，对各水平带内的人头数进行统计，当存在人头数为1的目标水平带时，根据目标水平带内人头中心点的位置，确定与目标水平带内人头中心点对应的目标近邻人头中心点，根据目标近邻人头中心点的人头估计尺寸，更新与目标水平带内人头中心点对应的人头估计尺寸。
关于人群密度预估装置的具体限定可以参见上文中对于人群密度预估方法的限定，在此不再赘述。上述人群密度预估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备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。该内存储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携带人头中心点标注的样本图像数据。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人群密度预估方法。
本领域技术人员可以理解，图6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，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
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，本申请所提供的各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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种人群密度预估方法，其特征在于，所述方法包括：
获取人群密度分布热力图；
根据预设滑动窗口遍历所述人群密度分布热力图，根据遍历结果得到人群密度分布二值图；
对所述人群密度分布二值图进行连通域提取，确定所述人群密度分布二值图中的各人头中心点的位置；
根据各所述人头中心点的位置进行人头框估计，得到与各人头中心点对应的人头估计尺寸；
根据各所述人头中心点的位置和所述人头估计尺寸，得到人群密度预估结果。
2.根据权利要求1所述的方法，其特征在于，所述获取人群密度分布热力图包括：
获取场景人群图像；
将所述场景人群图像输入已训练的人群密度分布热力预测模型，得到人群密度分布热力图。
3.根据权利要求2所述的方法，其特征在于，在所述将所述场景人群图像输入已训练的人群密度分布热力预测模型，得到人群密度分布热力图之前，还包括：
获取携带人头中心点标注的样本图像；
提取所述样本图像中各样本人头中心点对应的样本特征图；
对所述样本特征图进行叠加，得到与样本特征图对应的目标样本图像；
根据预设高斯核对所述目标样本图像进行卷积处理，得到训练密度图；
根据所述样本图像和所述训练密度图对初始卷积神经网络进行模型训练，得到已训练的人群密度分布热力预测模型。
4.根据权利要求1所述的方法，其特征在于，所述根据预设滑动窗口遍历所述人群密度分布热力图，根据遍历结果得到人群密度分布二值图包括：
根据预设滑动窗口遍历所述人群密度分布热力图，得到与所述预设滑动窗口大小对应的图像块集合；
获取所述图像块集合中各图像块的中心像素值，并计算各图像块的像素平均值；
比对同一图像块的中心像素值和像素平均值；
根据比对结果得到人群密度分布二值图。
5.根据权利要求1所述的方法，其特征在于，所述对所述人群密度分布二值图进行连通域提取，确定所述人群密度分布二值图中的各人头中心点的位置包括：
对所述人群密度分布二值图进行噪声过滤，得到噪声过滤后的人群密度分布二值图；
遍历所述噪声过滤后的人群密度分布二值图中各像素点的像素值，得到连续人头区域轮廓集合；
计算所述连续人头区域轮廓集合中各连续人头区域轮廓的几何中心，得到各人头中心点的位置。
6.根据权利要求1所述的方法，其特征在于，所述根据各所述人头中心点的位置进行人头框估计，得到与各人头中心点对应的人头估计尺寸包括：
根据各所述人头中心点的位置，确定与各人头中心点对应的近邻人头中心点；
计算各所述人头中心点与对应的近邻人头中心点之间的人头距离；
根据所述人头距离，确定与各人头中心点对应的初始人头估计尺寸；
根据所述初始人头估计尺寸，得到与各人头中心点对应的人头估计尺寸。
7.根据权利要求6所述的方法，其特征在于，所述根据所述初始人头估计尺寸，得到与各人头中心点对应的人头估计尺寸包括：
根据预设水平宽度对所述人群密度分布二值图进行划分，得到至少两个水平带的人群密度分布二值图；
根据水平带的人群密度分布二值图中各人头中心点的初始人头估计尺寸，确定与水平带对应的平均人头估计尺寸；
根据所述平均人头估计尺寸，得到与各人头中心点对应的人头估计尺寸。
8.一种人群密度预估装置，其特征在于，所述装置包括：
获取模块，用于获取人群密度分布热力图；
遍历模块，用于根据预设滑动窗口遍历所述人群密度分布热力图，根据遍历结果得到人群密度分布二值图；
连通模块，用于对所述人群密度分布二值图进行连通域提取，确定所述人群密度分布热力图中的各人头中心点的位置；
估计模块，用于根据各所述人头中心点的位置进行人头框估计，得到与各人头中心点对应的人头估计尺寸；
处理模块，用于根据各所述人头中心点的位置和所述人头估计尺寸，得到人群密度预估结果。
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7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，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7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010962186.4A CN112101195B (zh) | 2020-09-14 | 人群密度预估方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010962186.4A CN112101195B (zh) | 2020-09-14 | 人群密度预估方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112101195A true CN112101195A (zh) | 2020-12-18 |
| CN112101195B CN112101195B (zh) | 2024-04-26 |
Family
ID=
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112862023A (zh) * | 2021-04-26 | 2021-05-28 | 腾讯科技（深圳）有限公司 | 对象密度确定方法、装置、计算机设备和存储介质 |
| 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 |
| CN113378857A (zh) * | 2021-06-28 | 2021-09-10 | 北京百度网讯科技有限公司 | 目标检测方法、装置、电子设备及存储介质 |
| CN113486732A (zh) * | 2021-06-17 | 2021-10-08 | 普联国际有限公司 | 一种人群密度估计方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543510A (zh) * | 2018-10-08 | 2019-03-29 | 百度在线网络技术（北京）有限公司 | 人流密度估计方法、装置和电子设备 |
| CN109815867A (zh) * | 2019-01-14 | 2019-05-28 | 东华大学 | 一种人群密度估计和人流量统计方法 |
| CN110941999A (zh) * | 2019-11-12 | 2020-03-31 | 通号通信信息集团有限公司 | 一种人群计数系统中自适应计算高斯核大小的方法 |
| CN111008613A (zh) * | 2019-12-24 | 2020-04-14 | 贺垚凯 | 基于场的高密度人流量定位与监测方法 |
| US20200118423A1 (en) * | 2017-04-05 | 2020-04-16 | Carnegie Mellon University | Deep Learning Methods For Estimating Density and/or Flow of Objects, and Related Methods and Software |
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200118423A1 (en) * | 2017-04-05 | 2020-04-16 | Carnegie Mellon University | Deep Learning Methods For Estimating Density and/or Flow of Objects, and Related Methods and Software |
| CN109543510A (zh) * | 2018-10-08 | 2019-03-29 | 百度在线网络技术（北京）有限公司 | 人流密度估计方法、装置和电子设备 |
| CN109815867A (zh) * | 2019-01-14 | 2019-05-28 | 东华大学 | 一种人群密度估计和人流量统计方法 |
| CN110941999A (zh) * | 2019-11-12 | 2020-03-31 | 通号通信信息集团有限公司 | 一种人群计数系统中自适应计算高斯核大小的方法 |
| CN111008613A (zh) * | 2019-12-24 | 2020-04-14 | 贺垚凯 | 基于场的高密度人流量定位与监测方法 |
Non-Patent Citations (3)
| Title |
|---|
| MIAOJING SHI等: "Revisiting Perspective Information for Efficient Crowd Counting", PROCEEDINGS OF THE IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR), 31 December 2019 (2019-12-31), pages 7279 - 7288 * |
| 南昊等: "多任务多层级CNN在人群计数中的应用", 计算机工程与应用, vol. 55, no. 23, 1 December 2019 (2019-12-01), pages 182 - 187 * |
| 沈娜;黎宁;常庆龙;: "基于改进混合高斯模型的人群密度估计方法", 计算机与数字工程, no. 07, 20 July 2012 (2012-07-20) * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112862023A (zh) * | 2021-04-26 | 2021-05-28 | 腾讯科技（深圳）有限公司 | 对象密度确定方法、装置、计算机设备和存储介质 |
| WO2022228142A1 (zh) * | 2021-04-26 | 2022-11-03 | 腾讯科技（深圳）有限公司 | 对象密度确定方法、装置、计算机设备和存储介质 |
| CN113486732A (zh) * | 2021-06-17 | 2021-10-08 | 普联国际有限公司 | 一种人群密度估计方法、装置、设备及存储介质 |
| CN113378857A (zh) * | 2021-06-28 | 2021-09-10 | 北京百度网讯科技有限公司 | 目标检测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10726244B2 (en) | Method and apparatus detecting a target | |
| CN110909651B (zh) | 视频主体人物的识别方法、装置、设备及可读存储介质 | |
| US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
| WO2021043168A1 (zh) | 行人再识别网络的训练方法、行人再识别方法和装置 | |
| CN111738244B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
| CN109960742B (zh) | 局部信息的搜索方法及装置 | |
| US8064653B2 (en) | Method and system of person identification by facial image | |
| CN110210276A (zh) | 一种移动轨迹获取方法及其设备、存储介质、终端 | |
| US10043097B2 (en) | Image abstraction system | |
| US20210264144A1 (en) | Human pose analysis system and method | |
| CN109472191B (zh) | 一种基于时空上下文的行人重识别与追踪方法 | |
| CN111199230B (zh) | 目标检测的方法、装置、电子设备及计算机可读存储介质 | |
| CN109840524A (zh) | 文字的类型识别方法、装置、设备及存储介质 | |
| KR20140067604A (ko) | 상황 인식 기반의 객체 검출, 인식 및 추적 장치, 방법 및 컴퓨터 판독 가능한 기록 매체 | |
| CN112818821B (zh) | 基于可见光和红外光的人脸采集源检测方法和装置 | |
| CN111914762A (zh) | 基于步态信息的身份识别方法及装置 | |
| CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
| CN111353385B (zh) | 一种基于掩膜对齐与注意力机制的行人再识别方法和装置 | |
| Linda et al. | Color-mapped contour gait image for cross-view gait recognition using deep convolutional neural network | |
| CN113706481A (zh) | 精子质量检测方法、装置、计算机设备和存储介质 | |
| CN111539320A (zh) | 基于互相学习网络策略的多视角步态识别方法及系统 | |
| CN111126250A (zh) | 一种基于ptgan的行人重识别方法及装置 | |
| CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
| CN113673308A (zh) | 对象识别方法、装置和电子系统 | |
| CN113706550A (zh) | 图像场景识别和模型训练方法、装置和计算机设备 |
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 |