CN112364739A - 一种人数统计方法、装置及计算机可读存储介质 - Google Patents
一种人数统计方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112364739A CN112364739A CN202011196133.2A CN202011196133A CN112364739A CN 112364739 A CN112364739 A CN 112364739A CN 202011196133 A CN202011196133 A CN 202011196133A CN 112364739 A CN112364739 A CN 112364739A
- Authority
- CN
- China
- Prior art keywords
- people
- space
- proportionality constant
- pedestrian
- image
- 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
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
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种人数统计方法、装置及计算机可读存储介质,所述方法包括:获取至少一张图像,所述至少一张图像为设置在任一空间内的图像采集设备所采集的图像;识别所述至少一张图像,得到所述任一空间的当前人数;获取比例常数,所述比例常数用于表征通过所述图像采集设备所采集图像识别得到的人数与所述任一空间内的实际人数之间的比值;根据所述当前人数以及所述比例常数,得到所述任一空间内的实际人数。本发明能够利用比例常数,来计算出空间内的实际人数,即只需要得出一个镜头拍摄范围内的人数,即可得到整个空间的人数;所以,本发明可使用一个镜头进行人数的统计,不仅降低了检测成本,还保证了检测精度。
Description
技术领域
本发明涉及人数统计技术领域,具体涉及一种人数统计方法、装置及计算机可读存储介质。
背景技术
随着经济的不断发展,人们的生活水平不断提高,安防意识也逐渐提升;目前,现代化社会中的建筑多以高层建筑为主,而人们上下楼的主要工具则是电梯,所以,电梯安防成为生活安全保障的重中之重。
电梯安防需要从电梯监控以及电梯运维两个方向进行安全检测,既要求识别出乘梯人员的面部信息进行留存,以便在发生安全事故时调用;又要求对乘梯人数进行监测,以通过乘梯人数来估算运行负载信息,进而得出电梯运行状态,进行定期维护。目前,电梯中的人群数量统计一般使用鱼眼镜头进行人群全覆盖观测,通过头部检测跟踪算法识别人数;但是,鱼眼镜头在拍摄时会造成很大的畸变,从而会导致拍摄图像的信息缺失,对后期利用人脸识别算法和头部姿态估计算法进行人数检测时存在不利的影响,严重的影响了识别精度。
而小广告镜头则可避免鱼眼镜头的问题,其能够得到较为清晰的图像,保证图像信息的完整性,但是,小广角镜头拍摄范围无法覆盖全部人群,无法一次性统计全体人数,所以,目前要实现电梯中人数的精确识别,通常需要放置两个镜头(即鱼眼镜头和小广角镜头),以分别满足全局人数统计和人脸识别算法的需求,但是这就造成了电梯人数识别的成本较高,增加了电梯安防的成本。
发明内容
为了解决现有电梯中人数的精确识别需要分别放置鱼眼镜头以及小广角镜头所导致的成本高的问题,本发明的目的在于提供一种能够仅使用一个镜头就可进行电梯中全部人群数量的检测,进而在降低成本的同时,保证识别精度的人数统计方法、装置及计算机可读存储介质。
第一方面,本发明提供了一种人数统计方法,包括:
获取至少一张图像,其中,所述至少一张图像为设置在任一空间内的图像采集设备所采集的图像;
识别所述至少一张图像,得到所述任一空间的当前人数;
获取比例常数,其中,所述比例常数用于表征通过所述图像采集设备所采集图像识别得到的人数与所述任一空间内的实际人数之间的比值;
根据所述当前人数以及所述比例常数,得到所述任一空间内的实际人数。
基于上述公开的内容,本发明首先识别图像采集设备采集的图像,从而得出任一空间内的当前人数(如电梯、教室、电影院或公交车等空间内的当前人数,其实质为:得到图像采集设备拍摄范围内的人数);其次,再获取比例常数(比例常数则代表通过图像采集设备采集的图像所识别到的人数与空间内的实际人数的比值);最后,使用当前人数除以比例常数,即可得出任一空间内的实际人数。
通过上述设计,本发明能够利用比例常数,来计算出整个空间内的实际人数,即只需要得出一个镜头拍摄范围内的人数,即可得到整个空间的人数;所以,本发明可使用一个镜头进行人数的统计,不仅降低了检测成本,还保证了检测精度。
在一个可能的设计中,获取比例常数,包括:
在所述任一空间的站立面上构建多个行人站立位置点,其中,所述站立面为所述任一空间的多个面中用于供行人站立的面;
计算所述多个行人站立位置点中每个行人站立位置点的子比例常数,其中,所述子比例常数用于表征所述图像采集设备在任一行人站立位置点识别得到的人数与对应行人站立位置点的实际人数之间的比值;
将每个子比例常数进行相加,得到所述比例常数。
基于上述公开的内容,本发明公开了比例常数的具体计算过程,即在任一空间的站立面上构建多个行人站立位置点(每个行人站立位置点则代表行人的站立位置),然后计算出每个行人站立位置点的子比例常数(其实质为:图像采集设备在该位置点识别得到的人数,与该位置点的实际人数的比值);最后,从一个站立位置点推广到所有站立位置点(即将每个之比例常数求和),即可得到任一空间的比例常数。
在一个可能的设计中,计算所述多个行人站立位置点中每个行人站立位置点的子比例常数,包括:
确定所述图像采集设备在所述任一空间的拍摄范围,其中,所述拍摄范围为空间区域;
以所述每个行人站立位置点为基点,构建方向向上,且垂直于所述站立面的竖线;
获取每条竖线与所述空间区域的两个交点,并得到所述两个交点中每个交点与所述站立面的垂直距离;
根据所述垂直距离、预设身高以及身高的概率密度函数,计算所述每个行人站立位置点的子比例常数。
基于上述公开的内容,本发明公开了如何计算子比例常数,即以站立面为基准面,建立行人站立模型(例如,电梯、教室或公交车与供行人站立的面),实质为:构建多条向上的竖线,用于表征站立的行人;
接着,获取每条竖线与空间区域的两个交点,以及每个交点与站立面的垂直距离,实质为:两个交点代表行人与图像采集设备的拍摄视野的交点,即行人处于拍摄范围内,保证图像采集设备能够采集到具有完整人脸的图像,以便进行图像识别,从而统计出在视野内的行人数量;最后,即可利用垂直距离、预设身高以及身高的概率密度函数,来计算每个行人位置点的子比例常数。
在一个可能的设计中,以所述多个行人站立位置点中的任一行人站立位置点为例,所述概率密度函数的期望为身高服从正态分布时的期望值,所述概率密度函数的方差为身高服从正态分布时的方差值;
根据所述垂直距离、预设身高以及身高的概率密度函数,计算所述每个行人站立位置点的子比例常数,包括:
对所述概率密度函数进行第一积分运算,得到所述任一行人站立位置点处的第一人数,其中,所述第一积分运算的积分下限为第一垂直距离与人体头部长度之和,所述第一积分运算的积分上限为第二垂直距离,所述第一垂直距离为所述两个交点中所述竖线首次与所述空间区域相交的点的垂直距离,所述第二垂直距离为所述两个交点中在所述首次之后与所述空间区域相交的点的垂直距离,所述人体头部长度之和是根据所述预设身高得到的;
对所述概率密度函数进行第二积分运算,得到所述任一行人站立位置点处的第二人数,其中,所述第二积分运算的积分下限为0,所述第二积分运算的积分上限为正无穷;
利用所述第一人数除以所述第二人数,得到所述任一行人站立位置点的子比例常数。
基于上述公开的内容,本发明公开了子比例常数的具体计算过程,即利用预设身高(即行人的身高数据)作为识别的基础,实质为:只有头部完全处于空间区域内时(即处于两个交点之间),通过图像采集设备采集的图像才能进行人脸识别,得出识别人数,而行人的身高是呈正态分布的,所以可用概率密度函数来表示;
计算过程为:对概率密度函数进行积分运算,积分的作用则是求和,而积分的上下限则代表了积分的区域,所以,可使用身高来作为积分区域,进而得出在对应区域内(即对应身高范围内)的总人数;
即在本发明中,使用第一垂直距离与人体头部长度之和(即两个垂直距离中最小的垂直距离与头部长度求和),作为在任一行人站立位置点进行积分的积分下限(实质则表示:只有头部下颚高于垂直距离最小的交点,才可认为整个头部处于空间区域内),而以第二垂直距离(即两个垂直距离中最大的垂直距离)的作为积分上限,(其实质表示,身高不能超过空间区域,即头顶不能超过空间区域中垂直距离最大的交点,否则将无法识别),最后即可使用上述积分上下限对概率密度进行积分运算,求出在空间区域内,通过图像采集设备采集图像所识别到的人数;
同理,要得出该行人站立位置点处所站立的实际人数,即可改变积分上下限即可;即积分区域为0到正无穷,实质为:表示将该位置点处,站立的所有身高的人数进行求和;最后,将上述得出的两个结果进行相除,即可得到子比例常数。
在一个可能的设计中,在所述任一空间的站立面上构建多个行人站立位置点,包括:
按照n行m列,划分所述站立面的行人站立区域,其中,n和m均为正整数;将每行和每列的交点作为所述行人站立位置点。
基于上述公开的内容,本发明公开了构建行人站立位置点的具体步骤,即将站立面进行行列划分,而每行每列的交点处,则作为行人站立位置点,也就是竖线的基准点。
在一个可能的设计中,所述行人站立区域是所述站立面的实际边界向站立面的中心偏移一个人体厚度距离值得到的。
基于上述公开的内容,本发明考虑到了人体本身厚度值的影响,将行人站立区域设置为站立面的实际边界向中心偏移一个人体厚度距离的区域范围内。通过上述设计,可进一步的提高识别精度。
在一个可能的设计中,识别所述至少一张图像,得到所述任一空间的当前人数,包括:
识别所述至少一张图像,得到所述任一空间的当前男性人数和当前女性人数;
获取比例常数,包括:
获取男性比例常数和女性比例常数;
根据所述当前人数以及所述比例常数,得到所述任一空间内的实际人数,包括:
根据所述当前男性人数和所述男性比例常数,得到所述任一空间内的实际男性人数,根据所述当前女性人数和所述女性比例常数,得到所述任一空间内的实际女性人数;
根据所述实际男性人数和所述实际女性人数,得到所述任一空间内的实际人数。
基于上述公开的内容,本发明还提供了基于上述方法的优化方案,由于男女身高存在较大的差异,而如果将男女身高结合为一体进行计算,得到的比例常数误差较大,对后续计算得到的实际人数存在较大的精度影响;所以,本发明通过至少一张图像,识别出当前男性人数和当前女性人数,且还分别获取男性比例常数和女性比例常数(计算方法与前述比例常数计算相同),最后,即可根据男性比例常数、女性比例常数、当前男性人数和当前女性人数得出任一空间内的男性实际人数和女性实际人数,二者进行相加,即可得到空间内的实际人数。通过上述设计,可进一步的提高识别精度。
第二方面,本发明提供了一种人数统计装置,包括:获取单元、人数识别单元、比例常数计算单元和人数计算单元;
所述获取单元,用于获取至少一张图像,其中,所述至少一张图像为设置在任一空间内的图像采集设备所采集的图像;
所述人数识别单元,用于识别所述至少一张图像,得到所述任一空间的当前人数;
所述比例常数计算单元,用于获取比例常数,其中,所述比例常数用于表征通过所述图像采集设备所采集图像识别得到的人数与所述任一空间内的实际人数之间的比值;
所述人数计算单元,用于根据所述当前人数以及所述比例常数,得到所述任一空间内的实际人数。
在一个可能的设计中,所述比例常数计算单元包括:行人站立位置点构建子单元和比例计算子单元;
所述行人站立位置点构建子单元,用于在所述任一空间的站立面上构建多个行人站立位置点,其中,所述站立面为所述任一空间的多个面中用于供行人站立的面;
所述比例计算子单元,用于计算所述多个行人站立位置点中每个行人站立位置点的子比例常数,其中,所述子比例常数用于表征所述图像采集设备在任一行人站立位置点识别得到的人数与对应行人站立位置点的实际人数之间的比值;
所述比例计算子单元,还用于将每个子比例常数进行相加,得到所述比例常数。
在一个可能的设计中;
所述比例计算子单元,具体用于确定所述图像采集设备在所述任一空间的拍摄范围,其中,所述拍摄范围为空间区域;
所述比例计算子单元,具体用于以所述每个行人站立位置点为基点,构建方向向上,且垂直于所述站立面的竖线;
所述比例计算子单元,具体用于获取每条竖线与所述空间区域的两个交点,并得到所述两个交点中每个交点与所述站立面的垂直距离;
所述比例计算子单元,具体用于根据所述垂直距离、预设身高以及身高的概率密度函数,计算所述每个行人站立位置点的子比例常数。
在一个可能的设计中;
所述比例计算子单元,还具体用于对所述概率密度函数进行第一积分运算,得到所述任一行人站立位置点处的第一人数,其中,所述第一积分运算的积分下限为第一垂直距离与人体头部长度之和,所述第一积分运算的积分上限为第二垂直距离,所述第一垂直距离为所述两个交点中所述竖线首次与所述空间区域相交的点的垂直距离,所述第二垂直距离为所述两个交点中在所述首次之后与所述空间区域相交的点的垂直距离,所述人体头部长度之和是根据所述预设身高得到的;
所述比例计算子单元,还具体用于对所述概率密度函数进行第二积分运算,得到所述任一行人站立位置点处的第二人数,其中,所述第二积分运算的积分下限为0,所述第二积分运算的积分上限为正无穷;
所述比例计算子单元,还具体用于利用所述第一人数除以所述第二人数,得到所述任一行人站立位置点的子比例常数。
在一个可能的设计中;
所述行人站立位置点构建子单元,具体用于按照n行m列,划分所述站立面的行人站立区域,其中,n和m均为正整数;
所述行人站立位置点构建子单元,具体用于将每行和每列的交点作为所述行人站立位置点。
在一个可能的设计中;
所述人数识别单元,还用于识别所述至少一张图像,得到所述任一空间的当前男性人数和当前女性人数;
所述比例计算单元,还用于获取男性比例常数和女性比例常数;
所述人数计算单元,还用于根据所述当前男性人数和所述男性比例常数,得到所述任一空间内的实际男性人数,根据所述当前女性人数和所述女性比例常数,得到所述任一空间内的实际女性人数;
所述人数计算单元,还用于根据所述实际男性人数和所述实际女性人数,得到所述任一空间内的实际人数。
第三方面,本发明提供了第二种人数统计装置,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面或第一方面中任意一种可能设计的所述人数统计方法。
第四方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行如第一方面或第一方面中任意一种可能设计的所述人数统计方法。
第五方面,本发明提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面或第一方面中任意一种可能设计的所述人数统计方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的人数统计方法的流程示意图。
图2是本发明提供的空间区域的结构示意图。
图3是本发明提供的竖线与空间区域的两个交点的结构示意图。
图4是本发明提供的第一种人数统计装置的结构示意图。
图5是本发明提供的第二种人数统计装置的结构示意图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是,对于下述实施例说明虽然是用于帮助理解本发明,但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而,可用很多备选的形式来体现本发明,并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解,尽管本文可能使用术语第一、第二等等来描述各种单元,但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元,同时不脱离本发明的示例实施例的范围。
应当理解,对于本文中可能出现的术语“和/或”,其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,单独存在B,同时存在A和B三种情况;对于本文中可能出现的术语“/和”,其是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A,单独存在A和B两种情况;另外,对于本文中可能出现的字符“/”,一般表示前后关联对象是一种“或”关系。
应当理解,在本文中若将单元称作与另一个单元“连接”、“相连”或“耦合”时,它可以与另一个单元直相连接或耦合,或中间单元可以存在。相対地,在本文中若将单元称作与另一个单元“直接相连”或“直接耦合”时,表示不存在中间单元。另外,应当以类似方式来解释用于描述单元之间的关系的其他单词(例如,“在……之间”对“直接在……之间”,“相邻”对“直接相邻”等等)。
应当理解,本文使用的术语仅用于描述特定实施例,并不意在限制本发明的示例实施例。若本文所使用的,单数形式“一”、“一个”以及“该”意在包括复数形式,除非上下文明确指示相反意思。还应当理解,若术语“包括”、“包括了”、“包含”和/或“包含了”在本文中被使用时,指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性,并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。
应当理解,还应当注意到在一些备选实施例中,所出现的功能/动作可能与附图出现的顺序不同。例如,取决于所涉及的功能/动作,实际上可以并发地执行,或者有时可以以相反的顺序来执行连续示出的两个图。
应当理解,在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统,以避免用不必要的细节来使得示例不清楚。在其他实例中,可以不以不必要的细节来示出众所周知的过程、结构和技术,以避免使得示例实施例不清楚。
实施例
如图1所示,本实施例第一方面所提供的人数统计方法,适用于使用摄像头进行人数识别的场景,例如,对电梯中的人群数量进行统计;又如,对公交车中的人数进行识别统计;再如,电影院、教室和/或办公室等空间内的人数统计;本发明仅需布置一个摄像头,即可实现人数检测,而无需同时布置鱼眼镜头和小广角镜头,在降低检测成本的同时,还保证了人数统计的精度。
本实施例所提供的人数统计方法,可以但不限于包括如下步骤S101~S104。
S101.获取至少一张图像,其中,所述至少一张图像为设置在任一空间内的图像采集设备所采集的图像。
步骤S101则是获取图像采集设备采集的图像的过程,以便后续进行图像识别,得出图像中的人数;对采集的图像进行人数识别,相当于得出了图像采集设备拍摄范围内的人数。
在本实施例中,获取的至少一张图像可以但不限于为:图像采集设备在任意时间段内,从任一空间内拍摄的图像;例如,在2020-10-23日12点之前的半年内,XX大厦,A栋4号电梯内拍摄的图像。
在本实施例中,举例图像采集设备可以但不限为:人工智能(ArtificialIntelligence,AI)摄像头,而摄像头可配备小广角镜头,以便拍摄到清晰度高的图像,保证后续识别的精度。
在本实施例中,举例任一空间可以但不仅限于为:电梯、教室、公交车、电影院、摆渡车和/或办公室等场所。
在得到图像采集设备拍摄的至少一张图像后,即可进行图像的识别,得出图像中的人数,即任一空间的当前人数,如步骤S102所示。
S102.识别所述至少一张图像,得到所述任一空间的当前人数。
步骤S102则是对至少一张图像进行图像识别,以便得出每张图像中的人数,进而得出空间内的当前人数;其实质则为:统计出空间内,处于图像采集设备拍摄范围内的人数。
在本实施例中,图像识别可以但不限于使用:目标检测算法SSD算法(Single ShotMultiBox Detector,SSD)、目标检测算法YOLO算法(You Only Look Once,YOLO)或目标检测算法faster-RCNN算法。
在本实施例中,为了避免相同的行人重复统计,在进行图像识别时,会进行人脸标记,即相同的人脸标记为一个标签,进而使一个行人只统计一次,保证图像识别出人数的精确度。
在得出空间的当前人数后,即可进行步骤S103。
S103.获取比例常数,其中,所述比例常数用于表征通过所述图像采集设备所采集图像识别得到的人数与所述任一空间内的实际人数之间的比值。
步骤S103则是获取空间的比例常数,比例常数则代表了通过图像采集设备所采集图像识别得到的人数与空间内的实际人数之间的比值,即代表了图像采集设备拍摄范围内的人数与整个空间内的实际人数的比值。
通过获取比例常数,在得知了空间的当前人数(即空间内,处于图像采集设备拍摄范围内的人数)后,即可使用当前人数除以比例常数,从而得出空间的实际人数,如步骤S104所示。
S104.根据所述当前人数以及所述比例常数,得到所述任一空间内的实际人数。
步骤S104则是进行实际人数计算的过程;例如,假设比例常数为2/3,而当然人数为4人,那么空间内的实际人数则为:4÷(2/3)=6人。
通过前述步骤S101~S104所详细描述的人数统计方法,本发明可利用比例常数,来计算出整个空间内的实际人数,即只需要得出一个镜头拍摄范围内的人数,即可得到整个空间的人数;所以,本发明可使用一个镜头进行人数的统计,不仅降低了检测成本,还保证了检测精度。
下面,为实现比例常数的计算,提供一种具体的计算方法,可以但不限于包括如下步骤S103a~S103c。
S103a.在所述任一空间的站立面上构建多个行人站立位置点,其中,所述站立面为所述任一空间的多个面中用于供行人站立的面。
S103b.计算所述多个行人站立位置点中每个行人站立位置点的子比例常数,其中,所述子比例常数用于表征所述图像采集设备在任一行人站立位置点识别得到的人数与对应行人站立位置点的实际人数之间的比值。
S103c.将每个子比例常数进行相加,得到所述比例常数。
步骤S103a~S103c的原理则是:以局部计算整体,即是在站立面(例如电梯、公交车、教室或电影院供行人站立的面)上构建多个行人站立位置点,计算每个行人站立位置点处的子比例常数(即在该位置点识别到的人数与该位置点的实际人数的比值),然后,将所有行人站立位置点的子比例常数进行相加,即可得出整个空间的比例常数;而当行人站立位置点的数量足够多时,即可保证计算出的比例常数的精确性。
在本实施例中,举例在站立面上构建多个行人站立位置点,可以但不限于包括如下步骤:
第一步:按照n行m列,划分所述站立面的行人站立区域,其中,n和m均为正整数。
第二步:将每行和每列的交点作为所述行人站立位置点。
上述步骤则是确定行人站立位置点的过程,即将站立面进行行列划分,而每行每列的交点则为行人站立位置点,即每行每列的交点作为站立面上行人的站立位置,用于站立行人。
通过上述设计,即可在站立面中构建出若干个行人站立位置点(即行人的站立位置),而当n和m的数量足够多时,比例常数的精度就越高。例如,每行和每列之间的间隔可以取毫米间隔。
在本实施例中,将多条构建行人站立位置点的区域限制在站立面的行人站立区域内,其中,行人站立区域是站立面的实际边界向站立面的中心偏移一个人体厚度距离值得到的。通过上述设计,考虑到了人体本身厚度值的影响,进一步的提高了识别精度。
在本实施例中,举例人体厚度距离值可以但不限于为:20cm。
下面,为本实施例提供一种计算子比例常数的具体计算方法,可以但不限于如下步骤S103a1~S103a4。
S103a1.确定所述图像采集设备在所述任一空间的拍摄范围,其中,所述拍摄范围为空间区域。
步骤S103a1则是确定图像采集设备的拍摄范围(即空间区域)的过程,即相当于得到图像采集设备在空间内的视口区域,以便为后续子比例常数的计算提供数据基础。
在本实施例中,图像采集设备的拍摄范围,取决于安装高度和安装角度,即安装高度和安装角度确定了,图像采集设备的拍摄范围(即视口区域)也就确定了。
在本实施例中,举例图像采集设备的空间区域可以但不限于采用如下方式确定:Unity3D软件(其是Unity Technologies开发的一个让玩家轻松创建诸如三维视频游戏、建筑可视化、实时三维动画等类型互动内容的多平台的综合型游戏开发工具,是利用交互的图形化开发环境为首要方式的软件)直接实现3D建模,即输入图像采集设备的安装高度和安装角度,即可直接得出其空间区域(即视口区域)。
在本实施例中,如图2所示,图像采集设备的空间区域为四棱锥形状,图2中的G点则为图像采集设备,而线段GA、GB、GC和GD所形成的区域则是图像采集设备的空间区域,即行人的头部只有完全在GA、GB、GC和GD形成的四棱锥区域内,采集的图像才能实现人数的识别。
在得到图像采集设备的空间区域后,即可进行步骤S103a2。
S103a2.以所述每个行人站立位置点为基点,构建方向向上,且垂直于所述站立面的竖线。
步骤S103a2则是基于站立面,构建行人站立模型的过程,其实质为:利用多条垂直于站立面,且方向向上的竖线,来表示在站立面上站立的行人;原理为:每个行人站立时,在空间中可认为是一条直线,所以,当竖线足够多(例如以毫米间隔设置)时,可模拟出站立面上的行人站立模型,并保证其模型的精度。
如图2所示,图2中平面KXSP则代表站立面,而图2中每行和每列的交点则作为行人站立位置点,而图2中平面KXSP上的每条竖线均代表一个站立的行人。
S103a3.获取每条竖线与所述空间区域的两个交点,并得到所述两个交点中每个交点与所述站立面的垂直距离。
步骤S103a3则是计算行人与空间区域交点的过程,由于图像采集设备安装在空间内,所以,行人与空间区域会有交集,且由于图像采集设备的拍摄视野(即空间区域)有限,所以,需要得出在何种高度范围内,图像采集设备采集的图像才能识别到行人。
在本实施例中,行人的头部必须完全在图像采集设备的拍摄范围内(即空间区域内,超出或低于空间区域,均不能识别),图像采集设备才能识别出行人,以便进行后续的人数统计。所以,步骤S103a3则是用竖线(表征站立的行人)与空间区域的交点来表征行人与空间区域的最低点和最高点。
如图2所示,由于竖线竖直向上,所以必然会与空间区域(即图2中的四棱锥)存在两个交点,而垂直距离最小的交点则代表该行人站立位置点处,图像采集设备的空间区域的起点,而垂直距离最大的交点,则代表该行人站立位置点处,图像采集设备的空间区域的终点;即头部完全在两个交点的高度区域内,才能被图像采集设备识别。
在本实施例中,举例竖线与空间区域的两个交点,与站立面的垂直距离可以但不限于采用如下方式获取:使用3D建模工具(例如3Dmax),直接得到竖线与空间区域的交点坐标(即三维笛卡尔坐标系中的坐标),其中,每个交点坐标中在z轴的值,即可为交点与站立面的垂直距离。
当然,还可自建坐标,建立几何图形方程求取,可以但不限于以下步骤:
第一步:以站立面的一端为三维笛卡尔坐标系原点,以横纵方向(即站立面的长度方向和宽度方向)为x和y轴,垂直方向为z轴,可参见图3。
第二步:由于图像采集设备的安装高度和安装角度是确定的,所以,可得出相机高度H,即图3中OG线段,即长度为H,同理,由于前述就已得到空间区域为四棱锥,且可通过三维笛卡尔坐标系得出GBC平面和GAD平面的函数(可根据H、B、A、和C点的坐标得到),同理,竖线也可使用函数表示(由于竖线的建立点坐标确定,同样可得出)。
所以,利用平面的函数以及直线的函数,即可进行函数求解,得到直线与平面的交点坐标,而交点坐标中的z轴坐标值,则为交点的垂直距离。
如图3所示,假设图中的一条竖线为L,而建立点为U点,从图3中可看出,竖线L与GBC平面,以及GAD平面的交点分别为E点和F点,而E点的垂直距离则是EU,而F点的垂直距离则为FU。
通过步骤二,可将GBC平面,以及GAD平面分别用函数表示,分别为:
GBC平面:a1x+b1y+c1z+d1=0 (1)
GAD平面:a2x+b2y+c2z+d2=0 (2)
而竖线L则为:x=a3,y=b3 (3)
上述式中a1、a2、a3、b1、b2、b3、c1、c2、d1和d2均为常数。
将式(3)分别代入式(1)和式(2),即可得出E点和F点的坐标(当然,在本实施例中,还需要对E点和F点的坐标进行验证,即要求E点和F点的坐标必须处于上述GBC平面和GAD平面内,否则则作为无效的交点;另外,若F点的z轴坐标值大于空间区域在z轴方向的最高值(即高于空间区域在z轴方向上的最高点),那么F点的z轴坐标则取空间区域在z轴方向的最高值;同理,若E点的z轴坐标值小于0,那么则取0)。
通过上述步骤,即可得出竖线与空间区域的交点坐标,进而可得出每个交点与站立面的垂直距离,进而得出有效识别高度范围,以便进行每个行人站立位置点的子比例常数的计算,如步骤S103a4所示。
S103a4.根据所述垂直距离、预设身高以及身高的概率密度函数,计算所述每个行人站立位置点的子比例常数。
在本实施例中,步骤S103a4的计算原理则是对身高的概率密度函数进行积分运算,即利用积分预算得出子比例常数。
在本实施例中,预设身高则为行人的身高数据,可以但不限于采用如下方式获取:人工调研(例如大量抽取行人获取),或者,查询政府部门人口普查的身高数据。
在本实施例中,行人的身高数据则是需要进行统计的行人的身高数据,可以但不限于为:一栋写字楼中全部企业的员工、一个学校的师生人群、一个城市的人群、一个省的人群或者一个国家的人群的身高数据等。
在本实施例中,身高的概率密度函数则是根据若干行人身高数据的方差和均值得出的,即概率密度函数的期望为身高服从正态分布时的期望值,概率密度函数的方差为身高服从正态分布时的方差值。
在本实施例中,举例概率密度函数可以但不限于为:
式中,μ为均值,而σ2为方差,x为待识别人群的身高,exp是以自然常数e为底的指数函数。
在本实施例中,以任一行人站立位置点为例,举例根据垂直距离、预设身高以及身高的概率密度函数,计算任一行人站立位置点的子比例常数,可以但并不限于包括如下步骤(1)、(2)和(3)。
(1)对所述概率密度函数进行第一积分运算,得到所述任一行人站立位置点处的第一人数,其中,所述第一积分运算的积分下限为第一垂直距离与人体头部长度之和,所述第一积分运算的积分上限为第二垂直距离,所述第一垂直距离为所述两个交点中所述竖线首次与所述空间区域相交的点的垂直距离,所述第二垂直距离为所述两个交点中在所述首次之后与所述空间区域相交的点的垂直距离,所述人体头部长度之和是根据所述预设身高得到的。
在本实施例中,竖线首次与空间区域相交的点则是垂直距离最小的点;同理,在首次之后与空间区域相交的点则是垂直距离最大的点。
(2)对所述概率密度函数进行第二积分运算,得到所述任一行人站立位置点处的第二人数,其中,所述第二积分运算的积分下限为0,所述第二积分运算的积分上限为正无穷。
(3)利用所述第一人数除以所述第二人数,得到所述任一行人站立位置点的子比例常数。
下面对上述步骤(1)、(2)和(3)的原理进行更为详细的阐述:
用预设身高(即行人的身高数据)作为识别的基础,实质为:只有头部完全处于空间区域内时(即处于两个交点之间),通过图像采集设备采集的图像才能进行人脸识别,得出识别人数,而行人的身高是呈正态分布的,所以可用概率密度函数来表示;而对概率密度函数进行积分,即是利用积分的本质为求和,而积分的上下限则代表了积分的区域,所以,可使用身高来作为积分区域,进而得出在对应区域内(即对应身高范围内)的总人数。
上述三个步骤的计算过程为:
对第一积分运算得出的结果则为图像采集设备在每个行人站立位置点处识别的第一人数;而积分上限则为最大的垂直距离(即图3中F点的垂直距离),而积分下限为最小的垂直距离与头部长度之和(即图3中E点的垂直距离与头部长度之和)。
在第一积分运算中,使用上述积分上下限的原因为:
由于前述就已说明,只有行人的头部完全处于E点和F点之间的高度区域内,才能被识别,而要使行人的头部完全处于E点和F之间,那么就必须保证行人的下颚要高于E点,所以,E点的垂直距离加上头部长度,则可表示行人的头部完全处于E点和F点之间,保证图像采集设备能够识别。
而积分的上限只能是F点的垂直距离,即表示行人的头部(即身高)高于F点后,图像采集设备同样不能识别;另外,在本实施例中,E点的垂直距离加上头部长度必须要小于或等于F点与站立面的垂直距离,否则图像采集设备也无法识别。
所以,使用上述积分上下限则可表示,在每个行人站立位置点处,图像采集设备能够识别的人数。
在本实施例中,人体头部长度是根据预设身高的均值得出的,可以但不限于均值的1/7。
同理,要得出该行人站立位置点处所站立的实际人数(第二人数),即可改变积分上下限即可;即积分区域为0到正无穷,实质为:表示将该位置点处,站立的所有身高的人数进行求和。
最后,将上述得出的第一人数和第二人数进行相除,即可得到子比例常数。
在本实施例中,将上述步骤(1)、(2)和(3)运用下述公式进行总结,得出子比例常数比值R的计算公式。
式中,为对概率密度函数的第一积分运算,而L(i,j)F,L(i,j)E+h分别表示第一积分运算的上限和下限,而L(i,j)F则代表竖线L与平面GAD的交点的垂直距离(即第二垂直距离),L(i,j)E+h则为第一垂直距离;而i,j则为竖线的位置,即在第几行第几列,i代表行数,j代表例数,而h表示人体头部长度。
通过上述公式,只需将预设身高(即行人的身高)的方差和均值,以及每条竖线与空间区域的交点中最大的垂直距离作为积分上限,而交点中最小的垂直距离加上头部长度作为积分下限,代入公式(4)中,即可求出子比例常数R。
当然,由于竖线的位置不同,所以,相应的E点和F点的坐标也不同,即垂直距离也不同,所以,对于每条竖线,子比例常数R不尽相同。
最后,即可利用子比例常数R的公式,对步骤S103c中比例常数的计算,用公式进行总结,表示如下:
式中,Pview为通过图像采集设备所采集图像识别得到的人数,Ptotal为任一空间内的实际总人数。
通过上述设计,只要知晓了站立面划分的行和列的数目(即n和m的值),预设身高的均值和方差,以及竖线与空间区域的交点与站立面的垂直距离,然后将上述参数的值代入公式(5)中,即可得出比例常数R′,在得知空间的当前人数后,即可使用当前人数除以比例常数,得出实际人数。
另外,考虑到男女身高存在较大的差异,而如果将男女身高结合为一体进行计算,得到的比例常数误差较大,对后续计算得到的实际人数存在较大的精度影响。所以,本发明通过至少一张图像,识别出当前男性人数和当前女性人数,且还分别获取男性比例常数和女性比例常数(计算方法与前述比例常数计算相同),最后,即可根据男性比例常数、女性比例常数、当前男性人数和当前女性人数得出任一空间内的男性实际人数和女性实际人数,进行相加,即可得到实际总数。
在本实施例中,采用如下步骤S201~S204先分别计算出男性实际人数和女性实际人数,以便进行求和,得出更为精确的实际人数。
S201.识别所述至少一张图像,得到所述任一空间的当前男性人数和当前女性人数。
S202.获取男性比例常数和女性比例常数。
S203.根据所述当前男性人数和所述男性比例常数,得到所述任一空间内的实际男性人数,根据所述当前女性人数和所述女性比例常数,得到所述任一空间内的实际女性人数。
S204.根据所述实际男性人数和所述实际女性人数,得到所述任一空间内的实际人数。
前述步骤S201~S204中识别当前男性人数、当前女性人数、获取男性比例常数和女性比例常数的方法与原理与前述步骤S101~S104相同,于此不多加赘述。
由于前述已总结了比例常数的计算公式,即公式(5),所以,在进行计算时,只需将男性身高的均值和方差代入公式(5),即可得到男性比例常数;同理,将女性身高的均值和方差代入公式(5),即可得到女性比例常数。
最后,利用当前男性人数和当前女性人数,结合上述得到的男性比例常数和女性比例常数,即可得出男性实际人数和女性实际人数;而将二者相加,即可得出空间内的实际总人数。
如图4所示,本实施例第二方面提供了一种实现实施例第一方面中所述的人数统计方法的硬件装置,包括:获取单元、人数识别单元、比例常数计算单元和人数计算单元。
所述获取单元,用于获取至少一张图像,其中,所述至少一张图像为设置在任一空间内的图像采集设备所采集的图像。
所述人数识别单元,用于识别所述至少一张图像,得到所述任一空间的当前人数。
所述比例常数计算单元,用于获取比例常数,其中,所述比例常数用于表征通过所述图像采集设备所采集图像识别得到的人数与所述任一空间内的实际人数之间的比值。
所述人数计算单元,用于根据所述当前人数以及所述比例常数,得到所述任一空间内的实际人数。
在一个可能的设计中,所述比例常数计算单元包括:行人站立位置点构建子单元和比例计算子单元。
所述行人站立位置点构建子单元,用于在所述任一空间的站立面上构建多个行人站立位置点,其中,所述站立面为所述任一空间的多个面中用于供行人站立的面。
所述比例计算子单元,用于计算所述多个行人站立位置点中每个行人站立位置点的子比例常数,其中,所述子比例常数用于表征所述图像采集设备在任一行人站立位置点识别得到的人数与对应行人站立位置点的实际人数之间的比值。
所述比例计算子单元,还用于将每个子比例常数进行相加,得到所述比例常数。
在一个可能的设计中;
所述比例计算子单元,具体用于确定所述图像采集设备在所述任一空间的拍摄范围,其中,所述拍摄范围为空间区域。
所述比例计算子单元,具体用于以所述每个行人站立位置点为基点,构建方向向上,且垂直于所述站立面的竖线。
所述比例计算子单元,具体用于获取每条竖线与所述空间区域的两个交点,并得到所述两个交点中每个交点与所述站立面的垂直距离。
所述比例计算子单元,具体用于根据所述垂直距离、预设身高以及身高的概率密度函数,计算所述每个行人站立位置点的子比例常数。
在一个可能的设计中;
所述比例计算子单元,还具体用于对所述概率密度函数进行第一积分运算,得到所述任一行人站立位置点处的第一人数,其中,所述第一积分运算的积分下限为第一垂直距离与人体头部长度之和,所述第一积分运算的积分上限为第二垂直距离,所述第一垂直距离为所述两个交点中所述竖线首次与所述空间区域相交的点的垂直距离,所述第二垂直距离为所述两个交点中在所述首次之后与所述空间区域相交的点的垂直距离,所述人体头部长度之和是根据所述预设身高得到的。
所述比例计算子单元,还具体用于对所述概率密度函数进行第二积分运算,得到所述任一行人站立位置点处的第二人数,其中,所述第二积分运算的积分下限为0,所述第二积分运算的积分上限为正无穷。
所述比例计算子单元,还具体用于利用所述第一人数除以所述第二人数,得到所述任一行人站立位置点的子比例常数。
在一个可能的设计中;
所述行人站立位置点构建子单元,具体用于按照n行m列,划分所述站立面的行人站立区域,其中,n和m均为正整数。
所述行人站立位置点构建子单元,具体用于将每行和每列的交点作为所述行人站立位置点。
在一个可能的设计中;
所述人数识别单元,还用于识别所述至少一张图像,得到所述任一空间的当前男性人数和当前女性人数。
所述比例计算单元,还用于获取男性比例常数和女性比例常数。
所述人数计算单元,还用于根据所述当前男性人数和所述男性比例常数,得到所述任一空间内的实际男性人数,根据所述当前女性人数和所述女性比例常数,得到所述任一空间内的实际女性人数。
所述人数计算单元,还用于根据所述实际男性人数和所述实际女性人数,得到所述任一空间内的实际人数。
本实施例提供的硬件装置的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
如图5所示,本实施例第三方面提供了第二种实现实施例第一方面中所述的人数统计方法的硬件装置,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如实施例第一方面所述的人数统计方法。
具体举例的,所述存储器可以但不限于包括随机存取存储器(random accessmemory,RAM)、只读存储器(Read Only Memory image,ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output,FIFO)和/或先进后出存储器(First In Last Out,FILO)等等;所述处理器可以不限于采用型号为STM32F105系列的微处理器、精简指令集计算机(reduced instruction set computer,RSIC)微处理器、X86等架构处理器或集成嵌入式神经网络处理器(neural-network processing units,NPU)的处理器;所述收发器可以但不限于为无线保真(WIFI)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service,GPRS)无线收发器、紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议,ZigBee)无线收发器、3G收发器、4G收发器和/或5G收发器等。此外,所述装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例提供的硬件装置的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
本实施例第四方面提供了一种存储包含有实施例第一方面所述的人数统计方法的指令的计算机可读存储介质,即所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行如第一方面所述的人数统计方法。其中,所述计算机可读存储介质是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的计算机可读存储介质的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如实施例第一方面所述的人数统计方法,其中,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
以上所描述的多个实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备执行各个实施例或者实施例的某些部分所述的方法。
本发明不局限于上述可选实施方式,任何人在本发明的启示下都可得出其他各种形式的产品,但不论在其形状或结构上作任何变化,凡是落入本发明权利要求界定范围内的技术方案,均落在本发明的保护范围之内。
Claims (10)
1.一种人数统计方法,其特征在于,包括:
获取至少一张图像,其中,所述至少一张图像为设置在任一空间内的图像采集设备所采集的图像;
识别所述至少一张图像,得到所述任一空间的当前人数;
获取比例常数,其中,所述比例常数用于表征通过所述图像采集设备所采集图像识别得到的人数与所述任一空间内的实际人数之间的比值;
根据所述当前人数以及所述比例常数,得到所述任一空间内的实际人数。
2.如权利要求1所述的方法,其特征在于,获取比例常数,包括:
在所述任一空间的站立面上构建多个行人站立位置点,其中,所述站立面为所述任一空间的多个面中用于供行人站立的面;
计算所述多个行人站立位置点中每个行人站立位置点的子比例常数,其中,所述子比例常数用于表征所述图像采集设备在任一行人站立位置点识别得到的人数与对应行人站立位置点的实际人数之间的比值;
将每个子比例常数进行相加,得到所述比例常数。
3.如权利要求2所述的方法,其特征在于,计算所述多个行人站立位置点中每个行人站立位置点的子比例常数,包括:
确定所述图像采集设备在所述任一空间的拍摄范围,其中,所述拍摄范围为空间区域;
以所述每个行人站立位置点为基点,构建方向向上,且垂直于所述站立面的竖线;
获取每条竖线与所述空间区域的两个交点,并得到所述两个交点中每个交点与所述站立面的垂直距离;
根据所述垂直距离、预设身高以及身高的概率密度函数,计算所述每个行人站立位置点的子比例常数。
4.如权利要求3所述的方法,其特征在于,以所述多个行人站立位置点中的任一行人站立位置点为例,所述概率密度函数的期望为身高服从正态分布时的期望值,所述概率密度函数的方差为身高服从正态分布时的方差值;
根据所述垂直距离、预设身高以及身高的概率密度函数,计算所述每个行人站立位置点的子比例常数,包括:
对所述概率密度函数进行第一积分运算,得到所述任一行人站立位置点处的第一人数,其中,所述第一积分运算的积分下限为第一垂直距离与人体头部长度之和,所述第一积分运算的积分上限为第二垂直距离,所述第一垂直距离为所述两个交点中所述竖线首次与所述空间区域相交的点的垂直距离,所述第二垂直距离为所述两个交点中在所述首次之后与所述空间区域相交的点的垂直距离,所述人体头部长度之和是根据所述预设身高得到的;
对所述概率密度函数进行第二积分运算,得到所述任一行人站立位置点处的第二人数,其中,所述第二积分运算的积分下限为0,所述第二积分运算的积分上限为正无穷;
利用所述第一人数除以所述第二人数,得到所述任一行人站立位置点的子比例常数。
5.如权利要求2所述的方法,其特征在于,在所述任一空间的站立面上构建多个行人站立位置点,包括:
按照n行m列,划分所述站立面的行人站立区域,其中,n和m均为正整数;
将每行和每列的交点作为所述行人站立位置点。
6.如权利要求5所述的方法,其特征在于,所述行人站立区域是所述站立面的实际边界向站立面的中心偏移一个人体厚度距离值得到的。
7.如权利要求1所述的方法,其特征在于,识别所述至少一张图像,得到所述任一空间的当前人数,包括:
识别所述至少一张图像,得到所述任一空间的当前男性人数和当前女性人数;
获取比例常数,包括:
获取男性比例常数和女性比例常数;
根据所述当前人数以及所述比例常数,得到所述任一空间内的实际人数,包括:
根据所述当前男性人数和所述男性比例常数,得到所述任一空间内的实际男性人数,根据所述当前女性人数和所述女性比例常数,得到所述任一空间内的实际女性人数;
根据所述实际男性人数和所述实际女性人数,得到所述任一空间内的实际人数。
8.一种人数统计装置,其特征在于,包括:获取单元、人数识别单元、比例常数计算单元和人数计算单元;
所述获取单元,用于获取至少一张图像,其中,所述至少一张图像为设置在任一空间内的图像采集设备所采集的图像;
所述人数识别单元,用于识别所述至少一张图像,得到所述任一空间的当前人数;
所述比例常数计算单元,用于获取比例常数,其中,所述比例常数用于表征通过所述图像采集设备所采集图像识别得到的人数与所述任一空间内的实际人数之间的比值;
所述人数计算单元,用于根据所述当前人数以及所述比例常数,得到所述任一空间内的实际人数。
9.一种人数统计装置,其特征在于,包括依次相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如权利要求1~7任意一项所述的人数统计方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行如权利要求1~7任意一项所述的人数统计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011196133.2A CN112364739B (zh) | 2020-10-31 | 2020-10-31 | 一种人数统计方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011196133.2A CN112364739B (zh) | 2020-10-31 | 2020-10-31 | 一种人数统计方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112364739A true CN112364739A (zh) | 2021-02-12 |
CN112364739B CN112364739B (zh) | 2023-08-08 |
Family
ID=74513184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011196133.2A Active CN112364739B (zh) | 2020-10-31 | 2020-10-31 | 一种人数统计方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112364739B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11219437A (ja) * | 1998-01-30 | 1999-08-10 | Yamatake Corp | 人数計測システム |
US20160335552A1 (en) * | 2014-01-15 | 2016-11-17 | Nec Europe Ltd. | Method and sytem for crowd detection in an area |
CN107287119A (zh) * | 2017-08-23 | 2017-10-24 | 湖南开启时代生物科技有限责任公司 | 一种细胞培养计数装置 |
CN109359576A (zh) * | 2018-10-08 | 2019-02-19 | 北京理工大学 | 一种基于图像局部特征识别的动物数量估计方法 |
CN109658379A (zh) * | 2018-11-09 | 2019-04-19 | 广西慧云信息技术有限公司 | 一种通过图片快速计算柑橘产量的方法 |
CN109919064A (zh) * | 2019-02-27 | 2019-06-21 | 湖南信达通信息技术有限公司 | 一种轨道交通车厢内实时人数统计方法和装置 |
CN110070061A (zh) * | 2019-04-26 | 2019-07-30 | 重庆交通开投科技发展有限公司 | 一种乘客数量推算方法及装置 |
CN110210045A (zh) * | 2018-03-28 | 2019-09-06 | 腾讯大地通途(北京)科技有限公司 | 目标区域的人数估算方法、装置及存储介质 |
CN110287929A (zh) * | 2019-07-01 | 2019-09-27 | 腾讯科技(深圳)有限公司 | 群体区域中目标的数量确定方法、装置、设备及存储介质 |
CN111144660A (zh) * | 2019-12-30 | 2020-05-12 | 北京百度网讯科技有限公司 | 人流量预测的方法、装置、电子设备及存储介质 |
-
2020
- 2020-10-31 CN CN202011196133.2A patent/CN112364739B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11219437A (ja) * | 1998-01-30 | 1999-08-10 | Yamatake Corp | 人数計測システム |
US20160335552A1 (en) * | 2014-01-15 | 2016-11-17 | Nec Europe Ltd. | Method and sytem for crowd detection in an area |
CN107287119A (zh) * | 2017-08-23 | 2017-10-24 | 湖南开启时代生物科技有限责任公司 | 一种细胞培养计数装置 |
CN110210045A (zh) * | 2018-03-28 | 2019-09-06 | 腾讯大地通途(北京)科技有限公司 | 目标区域的人数估算方法、装置及存储介质 |
CN109359576A (zh) * | 2018-10-08 | 2019-02-19 | 北京理工大学 | 一种基于图像局部特征识别的动物数量估计方法 |
CN109658379A (zh) * | 2018-11-09 | 2019-04-19 | 广西慧云信息技术有限公司 | 一种通过图片快速计算柑橘产量的方法 |
CN109919064A (zh) * | 2019-02-27 | 2019-06-21 | 湖南信达通信息技术有限公司 | 一种轨道交通车厢内实时人数统计方法和装置 |
CN110070061A (zh) * | 2019-04-26 | 2019-07-30 | 重庆交通开投科技发展有限公司 | 一种乘客数量推算方法及装置 |
CN110287929A (zh) * | 2019-07-01 | 2019-09-27 | 腾讯科技(深圳)有限公司 | 群体区域中目标的数量确定方法、装置、设备及存储介质 |
CN111144660A (zh) * | 2019-12-30 | 2020-05-12 | 北京百度网讯科技有限公司 | 人流量预测的方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
CHONG SHANG 等: "End-to end crowd counting via joint learning local and global count", 《2016 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
刘福美等: "一种基于图像处理的人群密度估计方法", 《计算机与数字工程》 * |
张燕等: "一种基于区域划分的人群密度估计快速方法", 《计算机与数字工程》 * |
郭北苑等: "城市轨道交通站场环境中客流信息获取与预测", 《仪器仪表学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112364739B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106980829B (zh) | 基于视频分析的打架斗殴异常行为自动检测方法 | |
CN103164711B (zh) | 基于像素和支持向量机的区域人流密度估计的方法 | |
CN108363953B (zh) | 一种行人检测的方法及双目监控设备 | |
CN111192321B (zh) | 目标物三维定位方法与装置 | |
CN112287827A (zh) | 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及系统 | |
CN115797873B (zh) | 一种人群密度检测方法、系统、设备、存储介质及机器人 | |
CN109410245B (zh) | 一种视频目标跟踪方法及设备 | |
CN112270381B (zh) | 基于深度学习的人流量检测方法 | |
CN113408352B (zh) | 行人异常行为检测方法、图像处理装置及存储装置 | |
KR20220024986A (ko) | 타깃 추적 방법 및 장치, 저장 매체 및 컴퓨터 프로그램 | |
CN112257549B (zh) | 一种基于计算机视觉的楼面危险检测预警方法及系统 | |
CN109636828A (zh) | 基于视频图像的物体跟踪方法及装置 | |
CN109242019A (zh) | 一种水面光学小目标快速检测与跟踪方法 | |
CN115797864B (zh) | 一种应用于智慧社区的安全管理系统 | |
CN114241338A (zh) | 基于影像识别的建筑物测量方法、装置、设备及存储介质 | |
CN104992428B (zh) | 一种基于k均值聚类分析的图像落石体积测定方法 | |
CN112651377A (zh) | 一种冰雪运动事故检测方法、装置及终端设备 | |
KR102183285B1 (ko) | 사회적 거리 측정기 | |
CN112364739B (zh) | 一种人数统计方法、装置及计算机可读存储介质 | |
US20220138475A1 (en) | Methods and systems for crowd motion summarization via tracklet based human localization | |
CN112633249A (zh) | 一种基于轻型深度学习框架的嵌入式人流量检测方法 | |
JP2019029747A (ja) | 画像監視システム | |
CN114827590B (zh) | 摄像头位置分布合理性分析方法、装置和电子设备 | |
CN114067417A (zh) | 判断人员是否关注目标物的方法、装置及计算机主设备 | |
CN110909648B (zh) | 使用神经网络在边缘计算设备上实现的人流量监控方法 |
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 |