CN112418196A - 人群数量预测方法、装置、计算机设备及存储介质 - Google Patents
人群数量预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112418196A CN112418196A CN202110087766.8A CN202110087766A CN112418196A CN 112418196 A CN112418196 A CN 112418196A CN 202110087766 A CN202110087766 A CN 202110087766A CN 112418196 A CN112418196 A CN 112418196A
- Authority
- CN
- China
- Prior art keywords
- crowd
- density
- personnel
- area
- predicting
- 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
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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种人群数量预测方法、装置、计算机设备及存储介质,涉及图像处理技术领域,用于提高人群数量预测的准确度。方法主要包括:获取摄像头拍摄的目标图像;从目标图像中提取出有效区域;将所述有效区域输入到人员密度预测模型得到人群密度矩阵,所述人员密度预测模型是根据样本图像及对应的人员标注点训练得到的;对所述人群密度矩阵中人员密度值小于预置数值的点过滤;根据过滤后的人群密度矩阵预测人群数量。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种人群数量预测方法、装置、计算机设备及存储介质。
背景技术
对于人群聚集情况的掌握可以利用采集到的视频信息,对地理区域中的人群密度分布信息进行有效的监测与管理,及时地发现过密、聚集、滞留等异常事件。
目前,主要通过目标检测算法对人群数量进行预测,该类方法通过训练行人或者行人头部的检测器来实现人群计数,这种方法通过预测图片中行人边框的位置和数量进行人数的预测。但目标检测方法依赖人体的外观信息,在人群过分密集的场合,尤其是受到分辨率较低和遮挡等因素的影响,往往得不到满意的效果,并不适用于人群聚集的人群计数。
发明内容
本申请实施例提供一种人群数量预测方法、装置、计算机设备及存储介质,用于提高人群数量预测的准确度。
本发明实施例提供一种人群数量预测方法,所述方法包括:
获取摄像头拍摄的目标图像;
从所述目标图像中提取出有效区域;
将所述有效区域输入到人员密度预测模型得到人群密度矩阵,所述人员密度预测模型是根据样本图像及对应的人员标注点训练得到的;
对所述人群密度矩阵中人员密度值小于预置数值的点过滤;
根据过滤后的人群密度矩阵预测人群数量。
本发明实施例提供一种人群数量预测装置,所述装置包括:
获取模块,用于获取摄像头拍摄的目标图像;
提取模块,用于从所述目标图像中提取出有效区域;
计算模块,用于将所述有效区域输入到人员密度预测模型得到人群密度矩阵,所述人员密度预测模型是根据样本图像及对应的人员标注点训练得到的;
过滤模块,用于对所述人群密度矩阵中人员密度值小于预置数值的点过滤;
预测模块,用于根据过滤后的人群密度矩阵预测人群数量。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述人群数量预测方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述人群数量预测方法。
本发明提供一种人群数量预测方法、装置、计算机设备及存储介质,首先获取摄像头拍摄的目标图像;然后从目标图像中提取出有效区域;接着将有效区域输入到人员密度预测模型得到人群密度矩阵,最后对人群密度矩阵中人员密度值小于预置数值的点过滤;并根据过滤后的人群密度矩阵预测人群数量。与目前通过目标检测算法对人群数量进行预测相比,本发明在获取到摄像头拍摄的目标图像之后,从目标图像中提取出有效区域,并将有效区域输入到人员密度预测模型得到人群密度矩阵,由于人员密度预测模型是根据样本图像及对应的人员标注点训练得到的,因此通过人群密度预测模型可以得到有效区域中的对应的人群密度矩阵,从而通过本发明可以提高人群数量预测的准确度。
附图说明
图1为本申请一个实施例提供的人群数量预测方法流程图;
图2为本申请一个实施例安检候检区域摄像头拍摄范围示意图;
图3为本申请一个实施例有效区域示意图;
图4为本申请一个实施例提供的样本图像遮挡示意图;
图5为本申请一个实施例提供的一人群数量预测方法流程图;
图5为本申请一个实施例提供的一人群数量预测方法流程图;
图6为本申请一个实施例提供的一人群数量预测方法流程图;
图7为本申请一个实施例提供的一人群数量预测方法流程图;
图8为本申请一个实施例提供的机场应用场景预测结果示意图;
图9为本申请一个实施例提供的人群数量预测装置的结构框图;
图10为本申请一个实施例提供的计算机设备的一示意图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请实施例的技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请实施例技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1,所示为本发明第一实施例当中的人群数量预测方法,该方法适用于各种人员聚集的地理区域,地理区域可以为如机场、火车站、客运站、广场、露天演唱会等易于出现人群聚集的可被视频采集装置(例如摄像头)拍摄覆盖的地理区域,本发明实施例不做具体限定。所述方法具体包括步骤S01-步骤S04。
S01,获取摄像头拍摄的目标图像。
在本发明实施例中,地理区域周边可以设置有多个摄像头,每个摄像头用于拍摄固定区域的目标图像,通过该目标图像可以监控对应区域的人群数量变化情况。
需要说明的是,摄像头拍摄的目标图像中携带有拍摄时间和拍摄位置信息,以便于在得到人群数量预测值之后,将拍摄时间、拍摄位置信息和预测的人群数量一并输出显示,以此提高用户体验。
S02,从所述目标图像中提取出有效区域。
在本发明提供的一个实施例中,从所述目标图像中提取出有效区域,包括:
确定各所述摄像头数据源的拍摄范围,对于重叠覆盖的目标图像进行去重处理;屏蔽去重处理后的目标图像中的无关区域得到所述有效区域。其中,无关区域是对人群数量预测影响较小的区域。
以机场应用场景为例,具体的以某机场国内出发安检候检区域(即地理区域的一个特例)为例,首先确定各摄像头数据源的拍摄范围,对于摄像头重叠覆盖的区域要进行去重,如图2中所示AJ02画质较差且与AJ05和AJ15的拍摄区域有重叠,则需要放弃AJ02的数据,AJ15和AJ05的也有重叠的区域,那么将这部分重叠区域交给AJ15来预测,并从AJ05的数据中屏蔽掉重叠的区域,在确定好安检区域每块空间由哪个摄像头来预测后,还要对每个摄像头的图像中的安检区域进行提取,即提取有效区域,屏蔽无关区域(如图3右侧所示提取的有效区域)。经处理后,摄像头的图像包括有效区域图像和无关区域图像,有效区域图像中的像素值为摄像头的图像的像素值,无关区域图像的像素值优选的可以使用掩码(例如固定像素值0)屏蔽。
S03,将摄像头的图像(包括所述有效区域)输入到人员密度预测模型得到人群密度矩阵。
其中,人群密度矩阵包括与摄像头的图像具有相同的分辨率的多个人员坐标点以及人员坐标点分别对应的人员密度值,即每个人员坐标点代表有效区域图像内对应像素点的人员密度值。所述人员密度预测模型是根据样本图像及对应的人员标注点训练得到的。具体的,人员密度预测模型通过下述方式训练得到:
1、获取摄像头拍摄的样本图像,标注出所述样本图像中的人员坐标点。
在本发明实施例中,确定公共场所各区域的可用摄像头数据源,对各个摄像头视频帧提取等量的样本图像作为训练样本和测试样本,为了从训练样本的角度优化模型的训练,根据经验可通过人为筛选留下正样本较多的样本,并且在能力范围内准备尽可能多的样本图像以提升模型的泛化能力。
如图4所示,在收集到摄像头拍摄的样本图像之后,对收集到的样本图像进行标注,标注样本图像内的人员头部中心位置的坐标点并保存,对于人工无法确定人数的样本图像区域可采取遮挡处理。
2、对所述样本图像中的无法确定人数的图像区域采取遮挡处理。
3、根据采取遮挡处理的样本图像和样本图像中的人员坐标点进行模型训练,得到所述人员密度预测模型。
在本发明实施例中,训练得到的人员密度预测模型最终输出的是与输入有效区域图像对应的人群密度矩阵,因此在训练过程中使用处理好的人群密度矩阵来监督模型的训练,本发明使用高斯核卷积将样本图像中的人员坐标点转换为人群密度矩阵。
具体的,本实施例采取ResNet101(layer3)作为人员密度预测模型的基础网络,对标注好的样本图像按照8:2进行训练集和测试集的划分,在模型的训练和测试时采用整张图进行(包含模糊化的无关区域),根据测试误差择优选取模型。而在人群预测的实际应用当中,会按照之前测定好的有效区域对目标图像进行有效区域的提取后,再将有效区域送入人员密度预测模型进行预测,最终预测得到人群密度矩阵。
S04,通过所述人群密度矩阵预测人群数量。
具体的,通过统计人群密度矩阵预测中各人员坐标点的密度值预测人群数量。
本发明提供一种人群数量预测方法,首先获取摄像头拍摄的目标图像;然后从目标图像中提取出有效区域;接着将有效区域输入到人员密度预测模型得到人群密度矩阵,最后通过人群密度矩阵预测人群数量。与目前通过目标检测算法对人群数量进行预测相比,本发明在获取到摄像头拍摄的目标图像之后,从目标图像中提取出有效区域,并将有效区域输入到人员密度预测模型得到人群密度矩阵,由于人员密度预测模型是根据样本图像及对应的人员标注点训练得到的,因此通过人群密度预测模型可以得到有效区域中的对应的人群密度矩阵,从而通过本发明可以提高人群数量预测的准确度。
请参阅图5,在本发明提供的一个实施例中,在将所述有效区域输入到人员密度预测模型得到人群密度矩阵之后,所述方法还包括:
S05,对所述人群密度矩阵中人员密度值小于预置数值的点过滤。
需要说明的是,由于本发明实施例中的人员密度预测模型是采用回归的方式训练得到的,因此在实际应用中,虽然通过可视化手段观测到人群密度集中的显著区域,但实际上预测得到的人群密度矩阵往往包含大量的密度值极低的像素点,虽然在人群密度矩阵对应的热力图中不易观察到,却普遍存在,若不进行过滤处理,直接根据人群密度矩阵预测人群数量,将会带来的较大的预测误差。为此,本实施例需要对所述人群密度矩阵中人员密度值小于预置数值的点过滤。
其中,在对所述人群密度矩阵中人员密度值小于预置数值的点过滤之前,所述方法还包括:确定所述人群密度矩阵中人员密度值的最大值;计算所述人员密度值的最大值与预置常数的乘积,得到所述预置数值。
例如,本实施例根据人群密度矩阵中人员密度的最大值与预置常数0.02的乘积确定预置数值,然后将人群密度矩阵中小于预置数值的人员坐标点过滤掉,从而提高人群数量预测的准确度。
S06,根据过滤后的人群密度矩阵预测人群数量。
本发明提供的实施例中,在获取到人群密度矩阵之后,对人群密度矩阵中人员密度值小于预置数值的点过滤,然后根据过滤后的人群密度矩阵预测人群数量。由于实际上预测得到的人群密度图往往包含大量的密度值极低的像素点,虽然在热力图中不易观察到,却普遍存在,若不进行过滤处理直接影响人群数量预测的结果,因此本实施例根据过滤后的人群密度矩阵预测人群数量,可以提高人群数量预测的准确度。
请参阅图6,在本发明提供的一个实施例中,在根据过滤后的人群密度矩阵预测人群数量之后,或者在通过所述人群密度矩阵预测人群数量之后,所述方法还包括:
S07,对人群密度矩阵进行密度聚类得到人群聚集簇。
本实施例采用DBSCAN(Density-Based Spatial Clustering of Applicationswith Noise,具有噪声的基于密度的聚类方法)聚类方法对人群密度矩阵进行密度聚类处理得到人群聚集簇。其中,DBSCAN是一种基于密度的聚类方法,能够把具有足够高密度的区域划分为簇,DBSCAN可以发现任意形状的簇类,并且不用事先确定簇的数量。获得聚类区域后将密度图中的边界框对应到输入图像原图中,就得到了人群聚集区域。
S08,在所述人群密度矩阵中确定所述人群聚集簇对应的边界框。
S09,对有效区域图像中对应所述边界框所在区域内的人员坐标点对应的人员密度值求和,获得所述聚集簇中的预测人群数量。
对于本发明实施例,首先对人群密度矩阵进行密度聚类得到人群聚集簇,然后人群密度矩阵中确定所述人群聚集簇对应的边界框,最后对有效区域中对应所述边界框所在区域内的人员坐标对应的人员密度值求和,获得所述聚集簇中的预测人群数量。从而通过本实施例可实现对有效区域内不同聚集簇中的人群数量进行预测。
请参阅图7,在本发明提供的一个实施例中,在得到人群聚集簇之后,所述方法还包括:
S10,计算所述人群聚集簇透视变换后的面积与所述有效区域透视变换后的面积的比值。
为了使2D图像中像素区域和实际空间中的区域形成直观的对应关系,本实施例通过透视变换得到自上而下的“鸟瞰”图。
具体的,通过如下透视变换公式将人群聚集簇图像的每个点坐标转换为透视变换后的坐标:
h00-h22为透视变换的系数。优选的,h22=1,h00-h21根据用户预设的相同摄像头获取的摄像头的图像确定。具体的,根据用户指定的摄像头的图像上透视变换前后的4个边缘像素点的坐标确定。
在本发明实施例中,对有效区域中的每个点坐标,求出透视变换上的坐标位置。将过滤后的人群密度矩阵上每个有值点的坐标,求其透视变换后的点坐标,得到密度簇透视变换后新的边界框,对应到原图后,再与事先求好的整个有效区域的透视变换的多边形求相交的像素面积,得到人群聚集簇透视变换后的面积。
S20,根据所述比值和所述有效区域的实际面积的乘积确定所述人群聚集簇的实际面积。
S30,根据所述人群聚集簇的实际面积和所述人群聚集簇内的人员坐标对应的人员密度值计算所述人群聚集簇的人群密度。
本发明提供的实施例中,计算人群聚集簇透视变换后的面积与所述有效区域透视变换后的面积的比值,然后根据所述比值和所述有效区域的实际面积的乘积确定所述人群聚集簇的实际面积,最后根据所述人群聚集簇的实际面积和所述人群聚集簇内的人员坐标的数量计算所述人群聚集簇的人群密度。即通过求得的人群聚集簇内的人员坐标对应的人员密度值除以群聚集簇的实际面积求出人群聚集簇的人群密度(人/m2)。
本发明提供的一个以机场为例的应用场景,通过本发明最终获得在什么时间,机场安检区域的什么位置,人们聚集在哪个区域,这个区域有多少人,这块区域的实际面积有多大,最终的人群密度是多少。如图8所示,完成了人群密度的预测、聚集区域的提取并得到最终融合的结果,具体含义为:2020年3月10日15:19:00在某机场T2航站楼国内出发安检口09至20前的这片区域有一块旅客聚集的区域,聚集区域总面积为136.2m2,区域聚集人数为38.03人,聚集区域的人群密度为0.2792人/m2。通过本发明中方法获得的人群密度指标更加符合实际需要,且该计算方法在类似的2D图像人群密度估计方法中是通用的。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种人群数量预测装置,该人群数量预测装置与上述实施例中人群数量预测方法一一对应。如图9所示,所述人群数量预测装置各功能模块详细说明如下:
获取模块10,用于获取摄像头拍摄的目标图像;
提取模块20,用于从所述目标图像中提取出有效区域;
计算模块30,用于将所述有效区域输入到人员密度预测模型得到人群密度矩阵,所述人员密度预测模型是根据样本图像及对应的人员标注点训练得到的;
预测模块40,用于通过所述人群密度矩阵预测人群数量。
进一步的,所述装置还包括:
过滤模块,用于对所述人群密度矩阵中人员密度值小于预置数值的点过滤;
所述预测模块40,还用于根据过滤后的人群密度矩阵预测人群数量。
进一步的,所述装置还包括:
聚类模块50,用于对过滤后的人群密度矩阵进行密度聚类得到人群聚集簇;
确定模块60,用于在所述人群密度矩阵中确定所述人群聚集簇对应的边界框;
所述预测模块40,还用于对所述有效区域中对应所述边界框所在区域内的人员坐标点对应的人员密度值求和,获得所述聚集簇中的预测人群数量。
进一步的,所述装置还包括:
所述确定模块60,还用于确定所述人群密度矩阵中人员密度的最大值;
所述计算模块30,还用于计算所述人员密度的最大值与预置常数的乘积,得到所述预置数值。
所述计算模块30,还用于计算所述人群聚集簇透视变换后的面积与所述有效区域透视变换后的面积的比值;
所述确定模块60,还用于根据所述比值和所述有效区域的实际面积的乘积确定所述人群聚集簇的实际面积;
所述计算模块30,还用于根据所述人群聚集簇的实际面积和所述人群聚集簇内的人员坐标对应的人员密度值计算所述人群聚集簇的人群密度。
进一步的,所述装置还包括:
所述获取模块10,还用于获取摄像头拍摄的样本图像,标注出所述样本图像中的人员坐标点;
遮挡模块70,用于对所述样本图像中的无法确定人数的图像区域采取遮挡处理;
训练模块80,用于根据采取遮挡处理的样本图像和样本图像中的人员坐标点进行模型训练,得到所述人员密度预测模型。
具体的,所述提取模块20,具体用于确定各所述摄像头数据源的拍摄范围,对于重叠覆盖的目标图像进行去重处理;屏蔽去重处理后的目标图像中的无关区域得到所述有效区域。
关于人群数量预测装置的具体限定可以参见上文中对于人群数量预测方法的限定,在此不再赘述。上述设备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10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数量预测方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
获取摄像头拍摄的目标图像;
从所述目标图像中提取出有效区域;
将所述有效区域输入到人员密度预测模型得到人群密度矩阵,所述人员密度预测模型是根据样本图像及对应的人员标注点训练得到的;
对所述人群密度矩阵中人员密度值小于预置数值的点过滤;
根据过滤后的人群密度矩阵预测人群数量。
在一个实施例中,提供了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以下步骤:
获取摄像头拍摄的目标图像;
从所述目标图像中提取出有效区域;
将所述有效区域输入到人员密度预测模型得到人群密度矩阵,所述人员密度预测模型是根据样本图像及对应的人员标注点训练得到的;
对所述人群密度矩阵中人员密度值小于预置数值的点过滤;
根据过滤后的人群密度矩阵预测人群数量。
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/或易失性存储器。非易失性存储器可包括只读存储器(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)、双数据率SDRAM(DDRSDRAM)、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。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (9)
1.一种人群数量预测方法,其特征在于,所述方法包括:
获取摄像头拍摄的目标图像;
从所述目标图像中提取出有效区域;
将所述有效区域输入到人员密度预测模型得到人群密度矩阵,所述人员密度预测模型是根据样本图像及对应的人员标注点训练得到的;
对所述人群密度矩阵中人员密度值小于预置数值的点过滤;
根据过滤后的人群密度矩阵预测人群数量。
2.根据权利要求1所述的人群数量预测方法,其特征在于,所述方法还包括:
对过滤后的人群密度矩阵进行密度聚类得到人群聚集簇;
在所述人群密度矩阵中确定所述人群聚集簇对应的边界框;
对所述有效区域中对应所述边界框所在区域内的人员坐标点对应的人员密度值求和,获得所述聚集簇中的预测人群数量。
3.根据权利要求1所述的人群数量预测方法,其特征在于,在对所述人群密度矩阵中人员密度值小于预置数值的点过滤之前,所述方法还包括:
确定所述人群密度矩阵中人员密度的最大值;
计算所述人员密度的最大值与预置常数的乘积,得到所述预置数值。
4.根据权利要求2所述的人群数量预测方法,其特征在于,所述方法还包括:
计算所述人群聚集簇透视变换后的面积与所述有效区域透视变换后的面积的比值;
根据所述比值和所述有效区域的实际面积的乘积确定所述人群聚集簇的实际面积;
根据所述人群聚集簇的实际面积和所述人群聚集簇内的人员坐标对应的人员密度值计算所述人群聚集簇的人群密度。
5.根据权利要求1所述的人群数量预测方法,其特征在于,所述方法还包括:
获取摄像头拍摄的样本图像,标注出所述样本图像中的人员坐标点;
对所述样本图像中的无法确定人数的图像区域采取遮挡处理;
根据采取遮挡处理的样本图像和样本图像中的人员坐标点进行模型训练,得到所述人员密度预测模型。
6.根据权利要求1所述的人群数量预测方法,其特征在于,从所述目标图像中提取出有效区域,包括:
确定各所述摄像头的拍摄范围,对于重叠覆盖的目标图像进行去重处理;
屏蔽去重处理后的目标图像中的无关区域得到所述有效区域。
7.一种人群数量预测装置,其特征在于,所述装置包括:
获取模块,用于获取摄像头拍摄的目标图像;
提取模块,用于从所述目标图像中提取出有效区域;
计算模块,用于将所述有效区域输入到人员密度预测模型得到人群密度矩阵,所述人员密度预测模型是根据样本图像及对应的人员标注点训练得到的;
过滤模块,用于对所述人群密度矩阵中人员密度值小于预置数值的点过滤;
预测模块,用于根据过滤后的人群密度矩阵预测人群数量。
8.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的人群数量预测方法。
9.一种计算机可读存储介质,所述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如权利要求1至6任一项所述的人群数量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110087766.8A CN112418196A (zh) | 2021-01-22 | 2021-01-22 | 人群数量预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110087766.8A CN112418196A (zh) | 2021-01-22 | 2021-01-22 | 人群数量预测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112418196A true CN112418196A (zh) | 2021-02-26 |
Family
ID=74783180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110087766.8A Pending CN112418196A (zh) | 2021-01-22 | 2021-01-22 | 人群数量预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418196A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553970A (zh) * | 2021-07-29 | 2021-10-26 | 广联达科技股份有限公司 | 一种行人重识别的方法、装置、设备及可读存储介质 |
CN115223102A (zh) * | 2022-09-08 | 2022-10-21 | 枫树谷(成都)科技有限责任公司 | 一种基于摄像头集群的实时人群密度融合感知方法及模型 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839065A (zh) * | 2014-02-14 | 2014-06-04 | 南京航空航天大学 | 人群动态聚集特征提取方法 |
US20160261984A1 (en) * | 2015-03-05 | 2016-09-08 | Telenav, Inc. | Computing system with crowd mechanism and method of operation thereof |
CN110853025A (zh) * | 2019-11-15 | 2020-02-28 | 苏州大学 | 基于多列残差空洞卷积神经网络的人群密度预测方法 |
-
2021
- 2021-01-22 CN CN202110087766.8A patent/CN112418196A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839065A (zh) * | 2014-02-14 | 2014-06-04 | 南京航空航天大学 | 人群动态聚集特征提取方法 |
US20160261984A1 (en) * | 2015-03-05 | 2016-09-08 | Telenav, Inc. | Computing system with crowd mechanism and method of operation thereof |
CN110853025A (zh) * | 2019-11-15 | 2020-02-28 | 苏州大学 | 基于多列残差空洞卷积神经网络的人群密度预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553970A (zh) * | 2021-07-29 | 2021-10-26 | 广联达科技股份有限公司 | 一种行人重识别的方法、装置、设备及可读存储介质 |
CN115223102A (zh) * | 2022-09-08 | 2022-10-21 | 枫树谷(成都)科技有限责任公司 | 一种基于摄像头集群的实时人群密度融合感知方法及模型 |
CN115223102B (zh) * | 2022-09-08 | 2022-12-16 | 枫树谷(成都)科技有限责任公司 | 一种基于摄像头集群的实时人群密度融合感知方法及模型 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111667011B (zh) | 损伤检测模型训练、车损检测方法、装置、设备及介质 | |
CN111667464B (zh) | 危险品三维图像检测方法、装置、计算机设备及存储介质 | |
CN111680746B (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
CN109117714A (zh) | 一种同行人员识别方法、装置、系统及计算机存储介质 | |
Liu et al. | Digital image forgery detection using JPEG features and local noise discrepancies | |
CN108170750A (zh) | 一种人脸数据库更新方法、系统及终端设备 | |
CN114902279A (zh) | 基于机器视觉的自动化缺陷检测 | |
WO2020062088A1 (zh) | 图像识别方法和设备、存储介质和处理器 | |
CN109299658B (zh) | 脸部检测方法、脸部图像渲染方法、装置及存储介质 | |
CN110659391A (zh) | 一种视频侦查方法及装置 | |
CN109522790A (zh) | 人体属性识别方法、装置、存储介质及电子设备 | |
CN111461170A (zh) | 车辆图像检测方法、装置、计算机设备及存储介质 | |
CN112418196A (zh) | 人群数量预测方法、装置、计算机设备及存储介质 | |
WO2022134354A1 (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
CN109508636A (zh) | 车辆属性识别方法、装置、存储介质及电子设备 | |
CN115239644B (zh) | 混凝土缺陷识别方法、装置、计算机设备和存储介质 | |
CN112785591B (zh) | 一种ct影像中肋骨骨折的检测与分割方法及装置 | |
CN115797350A (zh) | 桥梁病害检测方法、装置、计算机设备和存储介质 | |
CN110659546A (zh) | 一种违法摊位检测方法及装置 | |
CN110309855B (zh) | 图像分割的训练方法、计算机设备及存储介质 | |
CN110599514B (zh) | 图像分割的方法、装置、电子设备及存储介质 | |
CN112036242A (zh) | 人脸图片采集方法、装置、计算机设备及存储介质 | |
Fu et al. | A spatially cohesive superpixel model for image noise level estimation | |
CN112070035A (zh) | 基于视频流的目标跟踪方法、装置及存储介质 | |
JP6434834B2 (ja) | 検査対象物抽出装置、及び検査対象物抽出方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210226 |
|
RJ01 | Rejection of invention patent application after publication |