CN112560829B - 人群数量确定方法、装置、设备及存储介质 - Google Patents

人群数量确定方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112560829B
CN112560829B CN202110212105.3A CN202110212105A CN112560829B CN 112560829 B CN112560829 B CN 112560829B CN 202110212105 A CN202110212105 A CN 202110212105A CN 112560829 B CN112560829 B CN 112560829B
Authority
CN
China
Prior art keywords
image
sub
sample
people
region
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
CN202110212105.3A
Other languages
English (en)
Other versions
CN112560829A (zh
Inventor
王昌安
宋庆宇
张博深
王亚彪
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202110212105.3A priority Critical patent/CN112560829B/zh
Publication of CN112560829A publication Critical patent/CN112560829A/zh
Application granted granted Critical
Publication of CN112560829B publication Critical patent/CN112560829B/zh
Priority to PCT/CN2022/077070 priority patent/WO2022179474A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请是人群数量确定方法、装置、设备及存储介质，涉及图像处理技术领域。所述方法包括：获取第一图像；对第一图像进行数据处理，得到第一图像对应的人群密度特征图；对人群密度特征图进行分类处理，得到第一图像中的各个子区域对应的预测类别；基于第一图像中的各个子区域对应的预测类别，以及各个预测类别对应的人数估计值，获取第一图像中的各个子区域对应的预测人数；基于第一图像中的各个子区域对应的预测人数，获取第一图像对应的人群数量。上述方案可以应用于智慧交通领域中，通过训练样本集中样本图像的各个子区域的人群数量确定人数估计值，提高了对图像中人群数量估计的准确性，从而提高了交通智能调度的准确性。

Description

人群数量确定方法、装置、设备及存储介质
技术领域
本申请涉及计算机视觉领域，特别涉及一种人群数量确定方法、装置、设备及存储介质。
背景技术
人群密度估计是一种能够自动推理出图像中的总人数的应用，在视频监控、公共安全等领域发挥着重要的作用。
在相关技术中，传统的基于检测和直接回归的方法，现阶段的人群密度估计算法大多结合热力图回归，利用深度学习技术进行端到端地训练与推理，可以较好地解决人群密度分布范围大、人头尺度变化范围大的问题，在一定程度上提高了计数精度。并且在对图像人数进行识别的过程中，可以根据每个图像块内的人总数，将图像块分为不同类别（同一个类别对应一个人数范围，即计数区间），能够避免在回归一个具体人数时对异常值敏感的问题。
在上述方案中，通过将图像块分为不同类别时，其预测人数会被统一设置为对应区间的代理计数值，导致离散化误差较大，影响对图像中的人数进行预测的准确性。
发明内容
本申请实施例提供了人群数量确定方法、装置、设备及存储介质，可以提高了对图像中人群数量估计的准确性，该技术方案如下。
一方面，提供了一种人群数量确定方法，所述方法包括：
获取第一图像；
基于人群数量确定模型的数据处理层，对所述第一图像进行数据处理，得到所述第一图像对应的人群密度特征图；
基于所述人群数量确定模型的特征分类层，对所述人群密度特征图进行分类处理，得到所述第一图像中的各个子区域对应的预测类别；
基于所述第一图像中的各个子区域对应的预测类别，以及各个所述预测类别对应的人数估计值，获取所述第一图像中的各个子区域对应的预测人数；
基于所述第一图像中的各个子区域对应的预测人数，获取所述第一图像对应的人群数量；
其中，所述人群数量确定模型是以训练样本集中的样本图像为样本、以所述样本图像的各个子区域的标注类别为标签训练得到的机器学习模型；所述各个所述预测类别对应的人数估计值是基于所述样本图像的各个子区域的人群数量确定的。
另一方面，提供了一种人群数量确定方法，所述方法包括：
获取训练样本集；所述训练样本集中包括第一样本图像，以及所述第一样本图像中的各个子区域分别对应的标注类别；
基于人群数量确定模型的数据处理层，对所述第一样本图像进行数据处理，得到所述第一样本图像对应的样本人群密度特征图；
基于所述样本人群密度特征图，通过人群数量确定模型的特征分类层进行分类处理，获得所述第一样本图像中的各个子区域分别对应的预测结果；
基于所述第一样本图像中的各个子区域分别对应的预测结果，以及所述第一样本图像中的各个区域分别对应的标注类别，对所述人群数量确定模型进行训练；
训练后的人群数量确定模型用于根据输入的第一图像获得该第一图像中的各个子区域的预测类别，并根据各个预测类别对应的人数估计值，确定第一图像对应的人群数量；各个所述预测类别对应的人数估计值是基于所述人群数量确定模型的训练样本集中样本图像的各个子区域的人群数量确定的。
又一方面，提供了一种人群数量确定装置，所述装置包括：
第一图像获取模块，用于获取第一图像；
第一数据处理模块，用于基于人群数量确定模型的数据处理层，对所述第一图像进行数据处理，得到所述第一图像对应的人群密度特征图；
第一分类模块，用于基于所述人群数量确定模型的特征分类层，对所述人群密度特征图进行分类处理，得到所述第一图像中的各个子区域对应的预测类别；
第一预测人数获取模块，用于基于所述第一图像中的各个子区域对应的预测类别，以及各个所述预测类别对应的人数估计值，获取所述第一图像中的各个子区域对应的预测人数；
第一人群数量确定模块，用于基于所述第一图像中的各个子区域对应的预测人数，获取所述第一图像对应的人群数量；
其中，所述人群数量确定模型是以训练样本集中的样本图像为样本、以所述样本图像的各个子区域的标注类别为标签训练得到的机器学习模型；所述各个所述预测类别对应的人数估计值是基于所述样本图像的各个子区域的人群数量确定的。
在一种可能的实现方式中，所述装置还包括：
第一样本获取模块，用于获取第一样本图像，以及所述第一样本图像中的各个子区域分别对应的标注类别；
样本图像处理模块，用于基于人群数量确定模型的数据处理层，对所述第一样本图像进行数据处理，得到所述第一样本图像对应的样本人群密度特征图；
样本图像分类模块，用于基于所述样本人群密度特征图，通过人群数量确定模型的特征分类层进行分类处理，获得所述第一样本图像中的各个子区域分别对应的预测结果；
数量确定模块训练模块，用于基于所述第一样本图像中的各个子区域分别对应的预测结果，以及所述第一样本图像中的各个区域分别对应的标注类别，对所述人群数量确定模型进行训练。
在一种可能的实现方式中，所述第一样本获取模块，包括：
样本获取单元，用于获取所述训练样本集；所述训练样本集中的包含第一样本图像，以及所述第一样本图像对应的图像标注；所述图像标注用于指示所述第一样本图像中的样本对象的位置；
样本人群获取单元，用于基于所述第一样本图像对应的图像标注，获取所述第一样本图像中的各个子区域的人群数量；
标注类别获取单元，用于基于所述第一样本图像中的各个子区域的人群数量，获取所述第一样本图像中的各个子区域的标注类别。
在一种可能的实现方式中，所述标注类别获取单元，包括：
人数分类区间获取子单元，用于获取所述特征分类层对应的人数分类区间；所述人数分类区间包含至少两个子区间；
标注类别获取子单元，用于基于所述第一样本图像中的各个子区域的人群数量，通过所述人数分类区间进行分类，获得所述第一样本图像中的各个子区域对应的标注类别。
在一种可能的实现方式中，所述标注类别获取单元，包括：
子区域获取子单元，用于获取第一类样本子区域；所述第一类样本子区域是所述训练样本集中的各个样本图像的子区域中，与第一类标注类别对应的子区域；所述第一类标注类别是各个所述标注类别中的任意一个；
人数估计值获取子单元，用于基于所述第一类样本子区域中的各个子区域分别对应的人群数量，确定所述第一类标注类别对应的人数估计值。
在一种可能的实现方式中，所述人数估计值获取子单元，还用于，
基于所述第一类样本子区域中的各个子区域分别对应的人群数量的平均值，确定所述第一类标注类别对应的人数估计值。
在一种可能的实现方式中，所述人数分类区间获取子单元，用于，
基于所述训练样本集中的各个样本图像的各个子区域的人群数量的最值，获取第一端点集；所述第一端点集用于指示所述人数分类区间的区间端点；
基于所述人数分类区间的区间端点，确定所述第一分段点集；所述第一分端点集用于指示所述人数分类区间的区间分段点；所述区间分段点用于将所述人群分类区间分割为各个子区间；
基于所述第一端点集与所述第一分段点集，获取所述特征分类层对应的人数分类区间。
在一种可能的实现方式中，所述样本人群获取单元，用于，
基于所述第一样本图像，以及所述第一样本图像对应的图像标注，获得所述第一样本图像对应的第一样本热点图；所述第一样本热点图用于指示所述第一样本图像中人群的所在位置；
基于所述第一样本热点图，通过高斯卷积核进行数据处理，获取所述第一样本图像对应的第一样本热力图；
基于所述第一样本热力图，分别在所述第一样本图像中的各个子区域进行积分，获得所述第一样本图像的各个子区域的人群数量。
再一方面，提供了一种人群数量确定装置，所述装置包括：
样本集获取模块，用于获取训练样本集；所述训练样本集中包括第一样本图像，以及所述第一样本图像中的各个子区域分别对应的标注类别；
样本特征获取模块，用于基于人群数量确定模型的数据处理层，对所述第一样本图像进行数据处理，得到所述第一样本图像对应的样本人群密度特征图；
样本数据处理模块，用于基于所述样本人群密度特征图，通过人群数量确定模型的特征分类层进行分类处理，获得所述第一样本图像中的各个子区域分别对应的预测结果；
模型训练模块，用于基于所述第一样本图像中的各个子区域分别对应的预测结果，以及所述第一样本图像中的各个区域分别对应的标注类别，对所述人群数量确定模型进行训练；
训练后的人群数量确定模型用于根据输入的第一图像获得该第一图像中的各个子区域的预测类别，并根据各个预测类别对应的人数估计值，确定第一图像对应的人群数量；各个所述预测类别对应的人数估计值是基于所述人群数量确定模型的训练样本集中样本图像的各个子区域的人群数量确定的。
在一种可能的实现方式中，所述装置还包括：
第一类子区域获取模块，用于获取第一类样本子区域；所述第一类样本子区域是所述训练样本集中的各个样本图像的子区域内可以第一类标注类别对应的子区域；所述第一类标注类别是各个所述标注类别中的任意一个；
人数估计值获取模块，用于基于所述第一类样本子区域中的各个子区域分别对应的人群数量，确定所述第一类标注类别对应的人数估计值。
在一种可能的实现方式中，所述人数估计值获取模块，还用于，
基于所述第一类样本子区域中的各个子区域分别对应的人群数量的平均值，确定所述第一类标注类别对应的人数估计值。
再一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述的人群数量确定方法。
又一方面，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人群数量确定方法。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1示出了本申请一个示例性实施例提供的计算机系统的示意图；
图2是根据一示例性实施例示出的一种人群数量确定方法的流程示意图；
图3是根据一示例性实施例示出的一种人群数量确定方法的流程示意图；
图4是根据一示例性实施例示出的一种人群数量确定方法的方法流程图；
图5示出了图4所示实施例涉及的一种标注类型确定的方法示意图；
图6示出了图4所示实施例涉及的一种数据处理层的模型示意图；
图7示出了图4所示实施例涉及的一种区间代理计数值示意图；
图8示出了图4所示实施例涉及的一种人数估计值确定流程示意图；
图9是根据一示例性实施例提供的一种模型训练以及数据处理流程框图；
图10是根据一示例性实施例示出的一种人群数量确定装置的结构方框图；
图11是根据一示例性实施例示出的一种人群数量确定装置的结构方框图；
图12是根据一示例性实施例示出的一种计算机设备的结构示意图。
本申请实施例提供的技术方案带来的有益效果至少包括：
通过样本图像，以及该样本图像中的各个子区域的标注类别对人群数量确定模型进行训练，得到训练好的人群数量确定模型，通过该人群数量确定模型确定输入的第一图像的各个区域的预测类别，以及各个预测类别对应的人数估计值，确定该第一图像的总人数。通过上述方案，通过人群数量确定模型对应的训练样本集中样本图像的各个子区域的人群数量确定人数估计值，可以根据各个子区域的对应的人群数量确定该人数估计值的取值范围，使得各个预测类别对应的人数估计值更加贴近该预测类别对应的图像的真实值，降低了通过人数估计值对各个子区域进行人数确定时产生的离散化误差，提高了对图像中人群数量估计的准确性。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
首先，对本申请实施例涉及的名词进行介绍。
1）人工智能(Artificial Intelligence，AI)
人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
2）计算机视觉(Computer Vision，CV)
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、光学字符识别（OpticalCharacter Recognition，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。
3）机器学习(Machine Learning，ML)
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
4）智慧交通（Intelligent Transport）
智慧交通是在智能交通的基础上，在交通领域中充分运用物联网、云计算、互联网、人工智能、自动控制、移动互联网等技术，通过高新技术汇集交通信息，对交通管理、交通运输、公众出行等等交通领域全方面以及交通建设管理全过程进行管控支撑，使交通系统在区域、城市甚至更大的时空范围具备感知、互联、分析、预测、控制等能力，以充分保障交通安全、发挥交通基础设施效能、提升交通系统运行效率和管理水平，为通畅的公众出行和可持续的经济发展服务。
本申请实施例提供的人群数量确定方法可以应用于具有较强数据处理能力的计算机设备中。其中，该人群数量确定方法可以是对人群数量确定模型的训练方法，该人群数量确定模型可以实现对输入图像的处理，得到对应与输入图像的人群数量。在一种可能的实现方式中，本申请是实施例提供的人群数量确定方法可以应用于个人计算机、工作站或服务器中，即可以通过个人计算机、工作站或服务器进行人群数量确定模型的训练。在一种可能的实现方式中，通过本申请实施例提供的人群数量确定方法训练出的人群数量确定模型可以应用于对输入的图像数据进行数据处理，得到该图像对应的人群数量的预测数据。
请参考图1，其示出了本申请一个示例性实施例提供的计算机系统的示意图。该计算机系统200中包括终端110和服务器120，其中，终端110与服务器120之间通过通信网络进行数据通信，可选地，通信网络可以是有线网络也可以是无线网络，且该通信网络可以是局域网、城域网以及广域网中的至少一种。
终端110中安装有具有图像处理功能的应用程序，该应用程序可以是专业图像处理应用程序、社交类应用程序、虚拟现实应用程序、游戏应用程序、或者具有图像处理功能的人工智能（Artificial Intelligence，AI）应用程序，本申请实施例对此不作限定。
可选的，该终端110可以是具有图像采集组件的终端设备，该图像采集组件用于获取图像并存储于该终端110中的数据存储模块中；该终端110还可以是具有数据传输接口的终端设备，该数据传输接口用于接收具有图像采集组件的图像采集设备采集到的图像数据。
可选的，计算机设备110可以是智能手机、平板电脑、膝上便携式笔记本电脑等移动终端，也可以是台式电脑、投影式电脑等终端，或是具有数据处理组件的智能终端，本申请实施例对此不做限定。
服务器120可以实现为一台服务器，也可以实现为一组服务器构成的服务器集群，其可以是物理服务器，也可以实现为云服务器。在一种可能的实施方式中，服务器120是计算机设备110中应用程序的后台服务器。
本实施例的一种可能实现方式中，服务器120通过预先设置的训练样本集（即样本图像）对人群数量确定模型进行训练，其中训练样本集中可以包含不同人群密度的样本图像。当服务器120对该人群数量确定模型的训练过程完成后，通过有线或无线连接，将该训练好的人群数量确定模型发送至终端110中。终端110接收到该训练好的人群数量确定模型，并将该人群数量确定模型对应的数据信息输入具有人群数量确定功能的应用程序中，以便用户使用该应用程序对图像数据进行处理时，可以根据训练好的该人群数量确定模型进行图像数据的处理，以实现人群数量确定方法的全部或部分步骤。
图2是根据一示例性实施例示出的一种人群数量确定方法的流程示意图。该方法可以由计算机设备执行，其中，该计算机设备可以是上述图1所示的实施例中的终端120。如图2所示，该人群数量确定方法的流程可以包括如下步骤。
步骤201，获取第一图像。
步骤202，基于人群数量确定模型的数据处理层，对该第一图像进行数据处理，获得该第一图像对应的人群密度特征图。
步骤203，基于该人群数量确定模型的特征分类层，对所述人群密度特征图进行分类处理，得到该第一图像中的各个子区域对应的预测类别。
步骤204，基于该第一图像中的各个子区域对应的预测类别，以及各个该预测类别对应的人数估计值，获取该第一图像中的各个子区域对应的预测人数。
步骤205，基于该第一图像中的各个子区域对应的预测人数，获取该第一图像对应的人群数量。
其中，该人群数量确定模型是以训练样本集中的样本图像为样本、以样本图像的各个子区域的标注类别为标签训练得到的机器学习模型；该各个该预测类别对应的人数估计值是基于该人群数量确定模型对应的训练样本集中样本图像的各个子区域的人群数量确定的。
综上所述，本申请实施例所示方案，通过样本图像，以及该样本图像中的各个子区域的标注类别对人群数量确定模型进行训练，得到训练好的人群数量确定模型，通过该人群数量确定模型确定输入的第一图像的各个区域的预测类别，以及各个预测类别对应的人数估计值，确定该第一图像的总人数。通过上述方案，通过人群数量确定模型对应的训练样本集中样本图像的各个子区域的人群数量确定人数估计值，可以根据各个子区域的对应的人群数量确定该人数估计值的取值范围，使得各个预测类别对应的人数估计值更加贴近该预测类别对应的图像的真实值，降低了通过人数估计值对各个子区域进行人数确定时产生的离散化误差，提高了对图像中人群数量估计的准确性。
图3是根据一示例性实施例示出的一种人群数量确定方法的流程示意图。该方法可以由计算机设备执行，其中，该计算机设备可以是上述图1所示的实施例中的服务器120。如图3所示，该人群数量确定方法的流程可以包括如下步骤。
步骤301，获取训练样本集；该训练样本集中包括第一样本图像，以及该第一样本图像中的各个子区域分别对应的标注类别。
步骤302，基于人群数量确定模型的数据处理层，对该第一样本图像进行数据处理，得到该第一样本图像对应的样本人群密度特征图。
步骤303，基于该样本人群密度特征图，通过人群数量确定模型的特征分类层进行分类处理，获得该第一样本图像中的各个子区域分别对应的预测结果。
步骤304，基于该第一样本图像中的各个子区域分别对应的预测结果，以及该第一样本图像中的各个区域分别对应的标注类别，对该人群数量确定模型进行训练。
训练后的人群数量确定模型用于根据输入的第一图像获得该第一图像中的各个子区域的预测类别，并根据各个预测类别对应的人数估计值，确定第一图像对应的人群数量；各个该预测类别对应的人数估计值是基于该人群数量确定模型的训练样本集中样本图像的各个子区域的人群数量确定的。
综上所述，本申请实施例所示方案，通过样本图像，以及该样本图像中的各个子区域的标注类别对人群数量确定模型进行训练，得到训练好的人群数量确定模型，通过该人群数量确定模型确定输入的第一图像的各个区域的预测类别，以及各个预测类别对应的人数估计值，确定该第一图像的总人数。通过上述方案，通过人群数量确定模型对应的训练样本集中样本图像的各个子区域的人群数量确定人数估计值，可以根据各个子区域的对应的人群数量确定该人数估计值的取值范围，使得各个预测类别对应的人数估计值更加贴近该预测类别对应的图像的真实值，降低了通过人数估计值对各个子区域进行人数确定时产生的离散化误差，提高了对图像中人群数量估计的准确性。
图4是根据一示例性实施例示出的一种人群数量确定方法的方法流程图。该方法可以由模型处理设备与数据处理设备共同执行，其中，该模型处理设备可以是上述图1所示的实施例中的服务器120，该数据处理设备可以是上述图1所示实施例中的终端120。如图4所示，该人群数量确定方法的流程可以包括以下步骤。
步骤401，获取第一样本图像，以及该第一样本图像中的各个子区域分别对应的标注类别。
在一种可能的实现方式中，获取训练样本集；该训练样本集中包含第一样本图像，以及该第一样本图像对应的图像标注；该图像标注用于指示该第一样本图像中样本对象的位置；基于该第一样本图像对应的图像标注，获取该第一样本图像中的各个子区域的人群数量；基于该第一样本图像中的各个子区域的人群数量，获取该第一样本图像中的各个子区域的标注类别。
在一种可能的实现方式中，该图像标注可以是基于该各个样本图像上的各个对象（即人体）的头部位置生成的，即该图像标注根据各个样本图像上的各个对象的头部位置信息确定该第一样本图像上的人群位置以及人数信息。
在一种可能的实现方式中，基于该第一样本图像对应的图像标注，获得第一样本图像对应的第一样本热点图；该第一样本热点图用于指示该第一样本图像中样本对象的所在位置；基于该第一样本热点图，通过高斯卷积核进行数据处理，获取该第一样本图像对应的第一样本热力图；基于该第一样本热力图，分别在该第一样本图像中的各个子区域进行积分，获得该第一样本图像的各个子区域的人群数量。
当获取到该第一样本图像以及与该第一样本图像对应的图像标注时，可以根据该第一样本图像对应的图像标注，将该第一样本图像上与该图像标注对应的位置进行高亮显示，获取该第一样本图像对应的第一样本热点图。例如，该第一样本热点图中，考虑图中的N个人头中心点 x1至xn。对于每个人头中心点xi，可以生成一张二维的响应图Hi，该响应图只有人头中心点位置的像素值为1，其余位置均为0，然后将所有人头中心点对应的Hi相加得到该第一样本图像对应所有人头的响应图H（即第一样本热点图），该响应图的积分值即为总人数。
由于在对第一样本图像进行图像块分割时，该第一样本图像中的任意一个子区域包含了某个对象的人头中心点时，但该对象的所有图像部分并不完全位于该子区域中，但由于该对象的人头中心点位于该子区域内，因此该对象会被认为全部位于该子区域内，因此通过生成该第一样本图像对应的第一样本热点图来表示第一样本图像中的各个子区域的人数信息是不准确的。此时，可以通过一个归一化的高斯卷积核对响应图进行卷积得到该第一样本图像对应的第一样本热力图，该第一样本热力图是基于该第一样本图像中的各个人头中心点形成的高斯分布图，该第一样本热力图中的各点的像素值大小用于指示该第一样本热力图中的各点的人群密度，因此该第一样本热力图可以用于指示该第一样本图像上各个像素点的人群密度，并且由于高斯核是归一化的，因此通过高斯卷积核进行数据处理后得到的该第一样本热力图，积分后得到的值仍然是该第一样本图像中的总人数，同理，对该第一样本图像中的各个子区域进行积分，可以获得该第一样本图像中的各个子区域对应的人群数量。
在一种可能的实现方式中，获取该特征分类层对应的人数分类区间；该人数分类区间包含至少两个子区间；基于该第一样本图像中的各个子区域的人群数量，通过该人数分类区间进行分类，获得该第一样本图像中的各个子区域对应的标注类别；该标注类别用于指示该第一样本图像中的各个子区域在该人数分类区间中对应的子区间。
请参考图5，其示出了本申请实施例涉及的一种标注类型确定的方法示意图。如图5所示，根据第一样本图像，以及该第一样本图像对应的图像标注，生成该第一样本图像对应的第一样本热点图，并通过归一化的高斯卷积核对响应图进行卷积得到该第一样本图像对应的第一样本热力图501，该第一样本热力图501中的各点的像素值大小可以指示该第一样本热力图中的各点的人群密度。基于该第一样本热力图中的各个子区域进行积分，得到该第一样本图像各个子区域对应的人群数量502，并通过该特征分类层中的人数分类区间503对该第一样本图像各个子区域对应的人群数量502进行分类，得到该第一样本图像中的各个区域分别对应的类别标注504，其中该人数分类区间503包括[0，1]、[1，2]、[2，3]、[3，4]、[4，5]各个子区间，该人数分类区间中的子区间[0，1]对应的标注类别为A；该人数分类区间中的子区间[1，2]对应的标注类别为B；该人数分类区间中的子区间[2，3]对应的标注类别为C；该人数分类区间中的子区间[3，4]对应的标注类别为D；该人数分类区间中的子区间[4，5]对应的标注类别为E。例如，对于该第一样本图像中的各个子区域对应的人群数量502的左上部分“1.2”，通过该人数分类区间503，可以将其分类为[0，1]子区间，其对应的类别标注为A；对于该第一样本图像中的各个子区域对应的人群数量502的左下部分“4.2”，通过该人数分类区间503，可以将其分类为[4，5]子区间，其对应的类别标注为D。
在一种可能的实现方式中，基于该训练样本集中的各个样本图像的各个子区域的人群数量的最值，获取第一端点集；该第一端点集用于指示该人数分类区间的区间端点；基于该人数分类区间的区间端点，确定该第一分段点集；该第一分端点集用于指示该人数分类区间的区间分段点；该区间分段点用于将该人群分类区间分割为各个子区间；基于该第一端点集与该第一分段点集，获取该特征分类层对应的人数分类区间。
其中，该人数分类区间的区间端点，可以是根据该各个样本图像中的各个子区域的人群数量的最值确定的。由于该第一分类层对应的人数分类区间用于对该训练样本集中的各个样本图像的子区域的人群数量进行分类，因此该第一分类层对应的人数分类区间包括该训练样本集中的各个样本图像中的各个子区域的人群数量的最值。
在一种可能的实现方式中，该各个样本图像中的各个子区域的人群数量的最小值，是该各个样本图像中的各个子区域的人群数量中不为零的最小值。
在一种可能的实现方式中，将该各个样本图像中的各个子区域的人群数量的最值获取为该第一端点集。
其中，该各个样本图像中的各个子区域的人群数量的最小值获取为该第一端点集中的左端点，该各个样本图像中的各个子区域的人群数量的最大值获取为该第一端点集中的右端点，该左右端点即为该第一分类层对应的人群分类区间的区间端点。
在保证该人数分类区间能够包括该训练样本集中的所有样本图像中的各个子区域的人群数量时，该人数分类区间越小，则分类越准确，因此可以直接将该训练样本集中的各个样本图像中的各个子区域的人群数量的最值确定为该第一分类层对应的人群分类区间的区间端点。
当确定了该第一端点集后，即确定了该第一分类层对应的人群分类区间的区间端点后，可以根据该第一分类层对应的人群分类区间的区间端点，确定该第一分类层对应的人群分类区间的区间分段点。
在一种可能的实现方式中，获取该第一分类层对应的分类数；基于该第一分类层对应的分类数，确定该第一分类层对应的人群分类区间的区间分段点。
其中，该第一分类层对应的分类数用于指示该第一分类层对于输入的样本图像进行分类后可能得到的类型的数量。例如，当该第一分类层对应的分类数为N（N大于等于2，且N为正整数）时，即通过该第一分类层对数据进行分类后，可以获得该数据分别为N种类型的概率，此时该第一分类层对应的人群分类区间的区间分段点可以为N-1，通过N-1个分段点对第一分类层对应的人数分类区间进行分段，可以获得该第一分类层对应的N个第一子区间。
在一种可能的实现方式中，基于该第一分类层对应的人群分类区间，通过该第一分类层对应的分类数，平均分割该人群分类区间，获得该第一分类层对应的人群分类区间的区间端点。
在另一种可能的实现方式中，该第一分类层对应的人群分类区间的区间端点可以为e^{k*（log(b)-log(a)）/K + log(a)}，其中，假设除了人数为0的区域外，最小的总人数为a，而最大的总人数是b，需要划分的子区间数量为K。此时，该各个子区间的区间大小是非线性分布的，即用于分类较小人数的子区间分布较为密集，分类较大人数的子区间的分布较为分散，以实现对不同密度的人群数量都存在较好的分类效果。
步骤402，基于人群数量确定模型的数据处理层，对该第一样本图像进行数据处理，得到该第一样本图像对应的样本人群密度特征图。
该人群数量确定模型中的数据处理层用于对该训练样本集中的第一样本图像进行特征提取，获得该第一样本图像对应的图像特征，其中，通过数据处理层进行特征提取得到的图像特征用于指示该第一样本图像中的人群信息，因此该第一样本图像对应的样本人群密度特征图可以用于指示该第一样本图像对应的人群数量以及人群密度。
在一种可能的实现方式中，该样本人群密度特征图的尺寸与该第一样本图像的尺寸相同。
即通过该人群数量确定模型对第一样本图像进行特征提取后得到的样本人群密度特征图，与输入的第一样本图像的像素大小相同。
在一种可能的实现方式中，该人群数量确定模型中的数据处理层可以是具有编码器-解码器结构的U型神经网络模型。其中，该数据处理层中的编码器结构用于通过下采样提取输入的样本图像的深层特征，该数据处理层中的编码器结构用于通过上采样将低分辨率的深层特征还原为高分辨率的图像特征。请参考图6，其示出了本申请实施例涉及的一种数据处理层的模型示意图。如图6所示。输入图像先经过VGG16网络的前四个卷积块提取特征601，然后经过了三个连续的空洞卷积602（空洞率分别为2,4,4），空洞卷积能够在不增加参数量的同时提升网络的感受野，能够获取更大范围的上下文信息，从而获取用于人群计数的充足语义特征。再通过1x1卷积（即特征分类层）对特征图上的每个点（对应原图中的每个图像块）进行分类，得到图像的各个区域对应的预测类别。
步骤403，基于该样本人群密度特征图，通过人群数量确定模型的特征分类层进行分类处理，获得该第一样本图像中的各个子区域分别对应的预测结果。
在一种可能的实现方式中，该预测结果用于指示该第一样本图像中的各个子区域与特征分类层对应的预测概率集。
在一种可能的实现方式中，基于该样本人群密度特征图，通过该人群数量确定模型中的特征分类层进行分类处理，得到该第一样本图像中的各个子区域与该特征分类层对应的预测概率集；其中该预测概率集用于指示该第一样本图像中的各个子区域属于该特征分类层对应的各个类型的概率；基于该第一样本图像中的各个子区域对应的预测概率集，获取该第一样本图像中的各个子区域与特征分类层对应的预测类别。
例如，通过该特征分类层对该样本人群密度特征图进行处理时，可以得到该样本人群密度特征图中的各个子区域与该特征分类层对应的第一预测概率集，其中，该第一预测概率集用于指示该样本图像的各个子区域属于该特征分类层的各个类型的概率（即该各个子区域分别属于人群分类区间的各个子区间的概率）。
当获取该第一预测概率集后，可以分别将各个子区域对应的该第一预测概率集中概率最大的确定为该样本图像中的各个子区域的类别。
步骤404，基于该第一样本图像中的各个子区域分别对应的预测结果，以及该第一样本图像中的各个区域分别对应的标注类别，对该人群数量确定模型进行训练。
在一种可能的实现方式中，获取该第一样本图像中的各个子区域分别对应的预测类别；根据该第一样本图像中的各个子区域分别对应的预测类别，以及该第一样本图像中的各个子区域分别对应的标注类别，对该人群数量确定模型进行训练。
在另一种可能的实现方式中，响应与该预测结果用于指示该第一样本图像中的各个子区域与该人数分类区间的各个子区间对应的概率分布，基于该第一样本图像中的各个区域分别对应的标注类别，以及该概率分布，对该人群数量确定模型进行训练。
其中，可以是通过第一样本图像中的每个子区域对应的标注类别，以及该子区域对应的概率分布，获取该子区域对应的损失函数值，并根据该损失函数值进行训练，也可以是获取到该第一样本图像中的多个子区域对应的标注类别，以及该多个子区域分别对应的概率分布，获得该多个子区域对应的损失函数，并根据该讴歌区域对应的损失函数进行训练。
步骤405，获取第一图像。
步骤406，基于人群数量确定模型的数据处理层，对该第一图像进行数据处理，获得该第一图像对应的人群密度特征图。
在一种可能的实现方式中，该人群数量确定模型中的数据处理层用于对该第一图像进行特征提取，获得该第一图像对应的图像特征，其中，通过数据处理层进行特征提取得到的图像特征用于指示该第一图像中的人群信息，因此该第一图像对应的人群密度特征图可以用于指示该第一图像对应的人群数量以及人群密度。
在一种可能的实现方式中，该人群密度特征图的尺寸与该第一图像的尺寸相同。
即通过该人群数量确定模型对该第一图像进行特征提取后得到的人群密度特征图，与输入的第一图像的像素大小相同。
步骤407，基于该人群密度特征图，通过人群数量确定模型的特征分类层进行分类处理，得到该第一图像各个子区域对应的预测类别。
在一种可能的实现方式中，基于该人群密度特征图，通过人群数量确定模型的特征分类层进行分类处理，得到该第一图像各个子区域对应的预测结果，基于该第一图像各个子区域对应的预测结果，获取该第一图像中的各个子区域对应的预测结果。
在一种可能的实现方式中，基于该人群密度特征图，通过该人群数量确定模型中的特征分类层进行分类处理，得到该第一图像中的各个子区域与该特征分类层对应的预测概率集；其中该预测概率集用于指示该第一图像中的各个子区域属于该特征分类层对应的各个类型的概率；基于该第一图像中的各个子区域对应的预测概率集，获取该第一图像中的各个子区域与特征分类层对应的预测类别。
例如，通过该特征分类层对该人群密度特征图进行处理时，可以得到该人群密度特征图中的各个子区域与该特征分类层对应的第一预测概率集，其中，该第一预测概率集用于指示该图像的各个子区域属于该特征分类层的各个类型的概率（即该各个子区域分别属于人群分类区间的各个子区间的概率）。
当获取该第一预测概率集后，可以分别将各个子区域对应的该第一预测概率集中概率最大的确定为该图像中的各个子区域的类别。
步骤408，基于该第一图像各个子区域对应的预测类别，以及各个该预测类别对应的人数估计值，获取该第一图像各个子区域对应的预测人数。
各个该预测类别对应的人数估计值是基于该人群数量确定模型对应的训练样本集中样本图像的各个子区域的人群数量确定的。
其中，该预测类别对应的人数估计值可以用于指示该预测类别对应的子区域的预测人数。即当该子区域与该预测类别对应时，可以认为该预测类别对应的人数估计值即为该子区域对应的预测人数。
在一种可能的实现方式中，获取第一类样本子区域；该第一类样本子区域是该训练样本集中的各个样本图像的子区域中，与第一类标注类别对应的子区域；该第一类标注类别是该各个标注类别中的任意一个；基于该第一类样本子区域中的各个子区域分别对应的人群数量，确定该第一类标注类别对应的人数估计值。
在一种可能的实现方式中，基于该第一类样本子区域中的各个子区域分别对应的人群数量的平均值，确定该第一类标注类别对应的人数数据值。
在本申请实施例中，该各个标注类别对应的人数估计值，可以是根据训练样本集中的各个样本图像的各个子区域中，与该标注类别对应的子区域对应的人群数量确定的。即该各个标注类别对应的人数估计值，可以是该训练样本集中的各个样本图像的各个子区域中，与该标注类别对应的子区域对应的人群数量的平均值确定的，此时，每一个该标注类别对应的子区域的真实人数，与该人数估计值之间的离散误差之和较小，此时，通过该人数估计值对真实图像进行预测时，产生的离散误差也应该较小，证明过程可以如下所示：
对于训练集中的所有图像块（假设一共有
Figure 460746DEST_PATH_IMAGE001
个），对应的局部计数值
Figure 912587DEST_PATH_IMAGE002
组成了集合
Figure 776638DEST_PATH_IMAGE003
。对于任意给定的测试图像，计算模型在该图像上的期望计数误差
Figure 316642DEST_PATH_IMAGE004
。首先用
Figure 811209DEST_PATH_IMAGE005
来表示
Figure 812663DEST_PATH_IMAGE006
中去除重复的局部计数值后的集合，在数据独立同分布的假设下，图像
Figure 683667DEST_PATH_IMAGE007
中的所有局部计数值可以视为从集合
Figure 86966DEST_PATH_IMAGE005
中随机采样得到的，因此图像的期望计数误差
Figure 752434DEST_PATH_IMAGE008
可以被近似为
Figure 241184DEST_PATH_IMAGE009
，其中
Figure 447037DEST_PATH_IMAGE010
为集合
Figure 642527DEST_PATH_IMAGE011
中
Figure 806792DEST_PATH_IMAGE012
出现的频率，
Figure 517259DEST_PATH_IMAGE013
是局部计数值
Figure 461556DEST_PATH_IMAGE014
的预测值。当
Figure 839448DEST_PATH_IMAGE015
足够大时，
Figure 643456DEST_PATH_IMAGE016
可以被近似为
Figure 44482DEST_PATH_IMAGE017
（
Figure 857717DEST_PATH_IMAGE018
是
Figure 27798DEST_PATH_IMAGE019
中
Figure 533866DEST_PATH_IMAGE020
出现的次数），此时期望计数误差可以表示为：
Figure 156608DEST_PATH_IMAGE021
忽略常数
Figure 773534DEST_PATH_IMAGE022
的影响，有
Figure 798122DEST_PATH_IMAGE023
，为了方便表述给出如下记号定义：真实值
Figure 209512DEST_PATH_IMAGE024
和预测值
Figure 381867DEST_PATH_IMAGE025
。这时可将该误差分为两部分，即所有样本都被正确分类时的计数误差
Figure 477518DEST_PATH_IMAGE026
和由于错误分类所带来的计数误差
Figure 684508DEST_PATH_IMAGE027
，进而期望计数误差可以被表示为
Figure 470062DEST_PATH_IMAGE028
。为了统计离散化误差，假设所有样本都被正确分类，即
Figure 129713DEST_PATH_IMAGE029
，那么此时的期望计数误差就是
Figure 26125DEST_PATH_IMAGE030
。为了最小化
Figure 822043DEST_PATH_IMAGE031
，我们继续以下推导：
Figure 778497DEST_PATH_IMAGE032
从上式可以看出如果选取
Figure 128707DEST_PATH_IMAGE033
时，期望计数误差
Figure 891127DEST_PATH_IMAGE034
达到最小值0，也就是说，通过科学地选取代理计数值，离散化误差可以做到微乎其微。
请参考图7，其示出了本申请实施例涉及的一种区间代理计数值示意图。如图7所示，对于人数分类区间中的子区间701，通常采取的区间代理值做法为取区间中点为区间代理值（即人数估计值），此时对于如图7所示的子区间701，该子区间701的端点为[0，10]，对应该区间的各个图像的区间人群数量是偏向于0一侧的区间端点的，此时将区间的中点5作为区间代理值，其靠近0一侧的人群数量与靠近10一侧的人群数量，与该区间代理值产生的离散误差不能抵消，因此会将区间中点5作为区间代理值会产生一定的离散误差，而若是将训练样本集中的与该子区间对应的所有子区域的人群数量进行平均，当训练样本集够大时，该平均值可以一定程度上反映该子区间对应的人群数量的分布情况，因此通过该平均值作为区间代理值，可以减小由于通过区间对人群数量进行分类所产生的离散误差。
步骤409，基于该第一图像中的各个子区域对应的预测人数，获取该第一图像对应的人群数量。
在一种可能的实现方式中，将该第一图像中的各个区域对应的人数信息进行求和，得到该第一图像对应的人群数量。
在一种可能的实现方式中，将该第一图像中的各个区域对应的人数信息中，满足指定条件的人数信息进行求和，得到该第一图像对应的人群数量。
其中，该指定条件可以是该第一图像中的各个区域对应的全部人数信息中除去最大值与最小值的人数信息。
请参考图8，其示出了本申请实施例涉及的一种人数估计值确定流程示意图。如图8所示，给定一张图像，先按照本申请实施例所示方式获取人群密度特征图801，然后对每一个图像块计算密度值的和作为该图像块内的总人数802（称为局部计数值），最后通过人数分类区间803中该人数所在的计数区间来确定该图像块的类别标签804。在测试时，对于被分为某一类（以c0类为例）的图像块805的预测人数为该类别对应的人数估计值806（即为A），然后所有图像块的预测人头求和作为整张图的预测总人数。
上述本申请实施例所示方案，还可以实现于智慧交通领域。在智慧交通领域中，智慧交通对应的管理平台可以通过摄像头等监控设备，获取需要检测的交通地点实时的人群图像，再根据本申请实施例所示方案，降低离散化误差对人群数量估计的影响，实现对该人群图像的准确的密度估计，以获取该人群图像中的人群数量，并基于各个交通地点实时的人群数量，对各个交通地点的客流密度进行评估，以便交通枢纽对交通工具的智能调度，有效地提高交通枢纽客流监管能力。
综上所述，本申请实施例所示方案，通过样本图像，以及该样本图像中的各个子区域的标注类别对人群数量确定模型进行训练，得到训练好的人群数量确定模型，通过该人群数量确定模型确定输入的第一图像的各个区域的预测类别，以及各个预测类别对应的人数估计值，确定该第一图像的总人数。通过上述方案，通过人群数量确定模型对应的训练样本集中样本图像的各个子区域的人群数量确定人数估计值，可以根据各个子区域的对应的人群数量确定该人数估计值的取值范围，使得各个预测类别对应的人数估计值更加贴近该预测类别对应的图像的真实值，降低了通过人数估计值对各个子区域进行人数确定时产生的离散化误差，提高了对图像中人群数量估计的准确性。
请参考图9，其是根据一示例性实施例示出的模型训练及数据处理流程框图。其中，该模型训练过程可以应用与模型训练设备900中，该模型训练设备可以是服务器，该人群数量确定流程可以应用于数据处理设备910中，该数据处理设备可以是用户终端，其中该模型训练以及人群数量估计流程如下。
在模型训练设备900中，训练数据集中的样本图像901先通过与人群数量确定模型902中的特征分类层对应的人数分类区间进行分类，确定该样本图像901中的各个子区域在该人数分类区间中对应的子区间，并将该训练数据集中的样本图像中的各个子区域在该人数分类区间中对应的子区间获取为样本图像对应的标注类别904。当获取到该训练数据集中的所有样本图像中的各个子区域分别对应的标注类别，可以根据标注类别相同的子区域各自对应的真实人群数量，确定该标注类别对应的子区间的人数估计值（即真实人群数量的平均值），以便当判断图像的子区域对应该标注类别时，直接将该人数估计值确定为该子区域的人数信息。
该训练数据集中的样本图像901再输入该人群数量确定模型902中的数据处理层进行数据提取，得到该数据处理层输出的样本数据特征图，再通过特征分类层对该样本数据特征图进行分类，得到该样本图像901中各个子区域对应的预测结果905（即该各个子区域对应该人数分类区间中各个子区间的概率）。
该人群数量确定模型902通过该标注类别904以及预测结果905进行训练，训练好的该人群数量确定模型可以传输至数据处理设备910中，以对输入的图像进行处理。
在数据处理模型910中，对于输入的第一图像911，可以通过上述训练好的人群数量确定模型对该第一图像911进行数据处理，得到该第一图像中的各个子区域对应的预测结果，该预测结果可以是该第一图像中的各个子区域在该人数分类区间中对应各个子区间的概率，并将概率最大的，获取为该第一图像中的各个子区域在该人数分类区间中对应的子区间。再根据上述获取的各个子区间的人数估计值，确定该第一图像中的各个子区域的人数信息，以实现确定该第一图像的人群数量。
图10是根据一示例性实施例示出的一种人群数量确定装置的结构方框图。该人群数量确定装置可以实现由图2或图4所示实施例提供的方法中的全部或部分步骤，该人群数量确定装置包括如下部分：
第一图像获取模块1001，用于获取第一图像；
第一数据处理模块1002，用于基于人群数量确定模型的数据处理层，对所述第一图像进行数据处理，得到所述第一图像对应的人群密度特征图；
第一分类模块1003，用于基于所述人群数量确定模型的特征分类层，对所述人群密度特征图进行分类处理，得到所述第一图像中的各个子区域对应的预测类别；
第一预测人数获取模块1004，用于基于所述第一图像中的各个子区域对应的预测类别，以及各个所述预测类别对应的人数估计值，获取所述第一图像中的各个子区域对应的预测人数；
第一人群数量确定模块1005，用于基于所述第一图像中的各个子区域对应的预测人数，获取所述第一图像对应的人群数量；
其中，所述人群数量确定模型是以训练样本集中的样本图像为样本、以所述样本图像的各个子区域的标注类别为标签训练得到的机器学习模型；所述各个所述预测类别对应的人数估计值是基于所述样本图像的各个子区域的人群数量确定的。
在一种可能的实现方式中，所述装置还包括：
第一样本获取模块，用于获取第一样本图像，以及所述第一样本图像中的各个子区域分别对应的标注类别；
样本图像处理模块，用于基于人群数量确定模型的数据处理层，对所述第一样本图像进行数据处理，得到所述第一样本图像对应的样本人群密度特征图；
样本图像分类模块，用于基于所述样本人群密度特征图，通过人群数量确定模型的特征分类层进行分类处理，获得所述第一样本图像中的各个子区域分别对应的预测结果；
数量确定模块训练模块，用于基于所述第一样本图像中的各个子区域分别对应的预测结果，以及所述第一样本图像中的各个区域分别对应的标注类别，对所述人群数量确定模型进行训练。
在一种可能的实现方式中，所述第一样本获取模块，包括：
样本获取单元，用于获取所述训练样本集；所述训练样本集中的包含第一样本图像，以及所述第一样本图像对应的图像标注；所述图像标注用于指示所述第一样本图像中的样本对象的位置；
样本人群获取单元，用于基于所述第一样本图像对应的图像标注，获取所述第一样本图像中的各个子区域的人群数量；
标注类别获取单元，用于基于所述第一样本图像中的各个子区域的人群数量，获取所述第一样本图像中的各个子区域的标注类别。
在一种可能的实现方式中，所述标注类别获取单元，包括：
人数分类区间获取子单元，用于获取所述特征分类层对应的人数分类区间；所述人数分类区间包含至少两个子区间；
标注类别获取子单元，用于基于所述第一样本图像中的各个子区域的人群数量，通过所述人数分类区间进行分类，获得所述第一样本图像中的各个子区域对应的标注类别。
在一种可能的实现方式中，所述标注类别获取单元，包括：
子区域获取子单元，用于获取第一类样本子区域；所述第一类样本子区域是所述训练样本集中的各个样本图像的子区域中，与第一类标注类别对应的子区域；所述第一类标注类别是各个所述标注类别中的任意一个；
人数估计值获取子单元，用于基于所述第一类样本子区域中的各个子区域分别对应的人群数量，确定所述第一类标注类别对应的人数估计值。
在一种可能的实现方式中，所述人数估计值获取子单元，还用于，
基于所述第一类样本子区域中的各个子区域分别对应的人群数量的平均值，确定所述第一类标注类别对应的人数估计值。
在一种可能的实现方式中，所述人数分类区间获取子单元，用于，
基于所述训练样本集中的各个样本图像的各个子区域的人群数量的最值，获取第一端点集；所述第一端点集用于指示所述人数分类区间的区间端点；
基于所述人数分类区间的区间端点，确定所述第一分段点集；所述第一分端点集用于指示所述人数分类区间的区间分段点；所述区间分段点用于将所述人群分类区间分割为各个子区间；
基于所述第一端点集与所述第一分段点集，获取所述特征分类层对应的人数分类区间。
在一种可能的实现方式中，所述样本人群获取单元，用于，
基于所述第一样本图像，以及所述第一样本图像对应的图像标注，获得所述第一样本图像对应的第一样本热点图；所述第一样本热点图用于指示所述第一样本图像中人群的所在位置；
基于所述第一样本热点图，通过高斯卷积核进行数据处理，获取所述第一样本图像对应的第一样本热力图；
基于所述第一样本热力图，分别在所述第一样本图像中的各个子区域进行积分，获得所述第一样本图像的各个子区域的人群数量。
综上所述，本申请实施例所示方案，通过样本图像，以及该样本图像中的各个子区域的标注类别对人群数量确定模型进行训练，得到训练好的人群数量确定模型，通过该人群数量确定模型确定输入的第一图像的各个区域的预测类别，以及各个预测类别对应的人数估计值，确定该第一图像的总人数。通过上述方案，通过人群数量确定模型对应的训练样本集中样本图像的各个子区域的人群数量确定人数估计值，可以根据各个子区域的对应的人群数量确定该人数估计值的取值范围，使得各个预测类别对应的人数估计值更加贴近该预测类别对应的图像的真实值，降低了通过人数估计值对各个子区域进行人数确定时产生的离散化误差，提高了对图像中人群数量估计的准确性。
图11是根据一示例性实施例示出的一种人群数量确定装置的结构方框图。该人群数量确定装置可以实现由图3或图4所示实施例提供的方法中的全部或部分步骤，该人群数量确定装置包括如下部分：
样本集获取模块1101，用于获取训练样本集；所述训练样本集中包括第一样本图像，以及所述第一样本图像中的各个子区域分别对应的标注类别；
样本特征获取模块1102，用于基于人群数量确定模型的数据处理层，对所述第一样本图像进行数据处理，得到所述第一样本图像对应的样本人群密度特征图；
样本数据处理模块1103，用于基于所述样本人群密度特征图，通过人群数量确定模型的特征分类层进行分类处理，获得所述第一样本图像中的各个子区域分别对应的预测结果；
模型训练模块1104，用于基于所述第一样本图像中的各个子区域分别对应的预测结果，以及所述第一样本图像中的各个区域分别对应的标注类别，对所述人群数量确定模型进行训练；
训练后的人群数量确定模型用于根据输入的第一图像获得该第一图像中的各个子区域的预测类别，并根据各个预测类别对应的人数估计值，确定第一图像对应的人群数量；各个所述预测类别对应的人数估计值是基于所述人群数量确定模型的训练样本集中样本图像的各个子区域的人群数量确定的。
在一种可能的实现方式中，所述装置还包括：
第一类子区域获取模块，用于获取第一类样本子区域；所述第一类样本子区域是所述训练样本集中的各个样本图像的子区域内可以第一类标注类别对应的子区域；所述第一类标注类别是各个所述标注类别中的任意一个；
人数估计值获取模块，用于基于所述第一类样本子区域中的各个子区域分别对应的人群数量，确定所述第一类标注类别对应的人数估计值。
在一种可能的实现方式中，所述人数估计值获取模块，还用于，
基于所述第一类样本子区域中的各个子区域分别对应的人群数量的平均值，确定所述第一类标注类别对应的人数估计值。
综上所述，本申请实施例所示方案，通过样本图像，以及该样本图像中的各个子区域的标注类别对人群数量确定模型进行训练，得到训练好的人群数量确定模型，通过该人群数量确定模型确定输入的第一图像的各个区域的预测类别，以及各个预测类别对应的人数估计值，确定该第一图像的总人数。通过上述方案，通过人群数量确定模型对应的训练样本集中样本图像的各个子区域的人群数量确定人数估计值，可以根据各个子区域的对应的人群数量确定该人数估计值的取值范围，使得各个预测类别对应的人数估计值更加贴近该预测类别对应的图像的真实值，降低了通过人数估计值对各个子区域进行人数确定时产生的离散化误差，提高了对图像中人群数量估计的准确性。
图12是根据一示例性实施例示出的一种计算机设备的结构示意图。该计算机设备可以实现为上述各个方法实施例中的模型训练设备和/或数据处理设备。所述计算机设备1200包括中央处理单元（CPU，Central Processing Unit）1201、包括随机存取存储器（Random Access Memory，RAM）1202和只读存储器（Read-Only Memory，ROM）1203的系统存储器1204，以及连接系统存储器1204和中央处理单元1201的系统总线1205。所述计算机设备1200还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统1206，和用于存储操作系统1213、应用程序1214和其他程序模块1215的大容量存储设备1207。
所述大容量存储设备1207通过连接到系统总线1205的大容量存储控制器（未示出）连接到中央处理单元1201。所述大容量存储设备1207及其相关联的计算机可读介质为计算机设备1200提供非易失性存储。也就是说，所述大容量存储设备1207可以包括诸如硬盘或者光盘只读存储器（Compact Disc Read-Only Memory，CD-ROM）驱动器之类的计算机可读介质（未示出）。
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、闪存或其他固态存储其技术，CD-ROM、或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1204和大容量存储设备1207可以统称为存储器。
计算机设备1200可以通过连接在所述系统总线1205上的网络接口单元1211连接到互联网或者其它网络设备。
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，中央处理器1201通过执行该一个或一个以上程序来实现图2、图3或图4所示的方法的全部或者部分步骤。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括计算机程序（指令）的存储器，上述程序（指令）可由计算机设备的处理器执行以完成本申请各个实施例所示的方法。例如，所述非临时性计算机可读存储介质可以是只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、只读光盘（Compact Disc Read-Only Memory，CD-ROM）、磁带、软盘和光数据存储设备等。
在示例性实施例中，还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个实施例所示的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (15)

1.一种人群数量确定方法，其特征在于，所述方法包括：
获取第一图像；
基于人群数量确定模型的数据处理层，对所述第一图像进行数据处理，得到所述第一图像对应的人群密度特征图；所述人群密度特征图是所述数据处理层对所述第一图像进行特征提取得到的图像特征；
基于所述人群数量确定模型的特征分类层，对所述人群密度特征图进行分类处理，得到所述第一图像中的各个子区域对应的预测类别；
基于所述第一图像中的各个子区域对应的预测类别，以及各个所述预测类别对应的人数估计值，获取所述第一图像中的各个子区域对应的预测人数；
基于所述第一图像中的各个子区域对应的预测人数，获取所述第一图像对应的人群数量；
其中，所述人群数量确定模型是以训练样本集中的样本图像为样本、以所述样本图像的各个子区域的标注类别为标签训练得到的机器学习模型；所述各个所述预测类别对应的人数估计值是基于所述样本图像的各个子区域的人群数量确定的。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取第一样本图像，以及所述第一样本图像中的各个子区域分别对应的标注类别；
基于人群数量确定模型的数据处理层，对所述第一样本图像进行数据处理，得到所述第一样本图像对应的样本人群密度特征图；
基于所述样本人群密度特征图，通过人群数量确定模型的特征分类层进行分类处理，获得所述第一样本图像中的各个子区域分别对应的预测结果；
基于所述第一样本图像中的各个子区域分别对应的预测结果，以及所述第一样本图像中的各个子区域分别对应的标注类别，对所述人群数量确定模型进行训练。
3.根据权利要求2所述的方法，其特征在于，所述获取第一样本图像，以及所述第一样本图像中的各个子区域分别对应的标注类别，包括：
获取所述训练样本集；所述训练样本集中的包含第一样本图像，以及所述第一样本图像对应的图像标注；所述图像标注用于指示所述第一样本图像中的样本对象的位置；
基于所述第一样本图像对应的图像标注，获取所述第一样本图像中的各个子区域的人群数量；
基于所述第一样本图像中的各个子区域的人群数量，获取所述第一样本图像中的各个子区域的标注类别。
4.根据权利要求3所述的方法，其特征在于，所述基于所述第一样本图像中的各个子区域的人群数量，获取所述第一样本图像中的各个子区域的标注类别，包括：
获取所述特征分类层对应的人数分类区间；所述人数分类区间包含至少两个子区间；
基于所述第一样本图像中的各个子区域的人群数量，通过所述人数分类区间进行分类，获得所述第一样本图像中的各个子区域对应的标注类别。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
获取第一类样本子区域；所述第一类样本子区域是所述训练样本集中的各个样本图像的子区域中，与第一类标注类别对应的子区域；所述第一类标注类别是各个所述标注类别中的任意一个；
基于所述第一类样本子区域中的各个子区域分别对应的人群数量，确定所述第一类标注类别对应的人数估计值。
6.根据权利要求5所述的方法，其特征在于，所述基于所述第一类样本子区域中的各个子区域分别对应的人群数量，确定所述第一类标注类别对应的人数估计值，包括：
基于所述第一类样本子区域中的各个子区域分别对应的人群数量的平均值，确定所述第一类标注类别对应的人数估计值。
7.根据权利要求4至6任一所述的方法，其特征在于，所述获取所述特征分类层对应的人数分类区间，包括：
基于所述训练样本集中的各个样本图像的各个子区域的人群数量的最值，获取第一端点集；所述第一端点集用于指示所述人数分类区间的区间端点；
基于所述人数分类区间的区间端点，确定第一分段点集；所述第一分段点集用于指示所述人数分类区间的区间分段点；所述区间分段点用于将所述人群分类区间分割为各个子区间；
基于所述第一端点集与所述第一分段点集，获取所述特征分类层对应的人数分类区间。
8.根据权利要求3所述的方法，其特征在于，所述基于所述第一样本图像对应的图像标注，获取所述第一样本图像中的各个子区域的人群数量，包括：
基于所述第一样本图像，以及所述第一样本图像对应的图像标注，获得所述第一样本图像对应的第一样本热点图；所述第一样本热点图用于指示所述第一样本图像中人群的所在位置；
基于所述第一样本热点图，通过高斯卷积核进行数据处理，获取所述第一样本图像对应的第一样本热力图；
基于所述第一样本热力图，分别在所述第一样本图像中的各个子区域进行积分，获得所述第一样本图像的各个子区域的人群数量。
9.一种人群数量确定方法，其特征在于，所述方法包括：
获取训练样本集；所述训练样本集中包括第一样本图像，以及所述第一样本图像中的各个子区域分别对应的标注类别；
基于人群数量确定模型的数据处理层，对所述第一样本图像进行数据处理，得到所述第一样本图像对应的样本人群密度特征图；所述样本人群密度特征图是所述数据处理层对所述第一样本图像进行特征提取得到的图像特征；
基于所述样本人群密度特征图，通过人群数量确定模型的特征分类层进行分类处理，获得所述第一样本图像中的各个子区域分别对应的预测结果；
基于所述第一样本图像中的各个子区域分别对应的预测结果，以及所述第一样本图像中的各个子区域分别对应的标注类别，对所述人群数量确定模型进行训练；
训练后的人群数量确定模型用于根据输入的第一图像获得该第一图像中的各个子区域的预测类别，并根据各个预测类别对应的人数估计值，确定第一图像对应的人群数量；各个所述预测类别对应的人数估计值是基于所述人群数量确定模型的训练样本集中样本图像的各个子区域的人群数量确定的。
10.根据权利要求9所述的方法，其特征在于，所述方法还包括：
获取第一类样本子区域；所述第一类样本子区域是所述训练样本集中的各个样本图像的子区域中与第一类标注类别对应的子区域；所述第一类标注类别是各个所述标注类别中的任意一个；
基于所述第一类样本子区域中的各个子区域分别对应的人群数量，确定所述第一类标注类别对应的人数估计值。
11.根据权利要求10所述的方法，其特征在于，所述基于所述第一类样本子区域中的各个子区域分别对应的人群数量，确定所述第一类标注类别对应的人数估计值，包括：
基于所述第一类样本子区域中的各个子区域分别对应的人群数量的平均值，确定所述第一类标注类别对应的人数估计值。
12.一种人群数量确定装置，其特征在于，所述装置包括：
第一图像获取模块，用于获取第一图像；
第一数据处理模块，用于基于人群数量确定模型的数据处理层，对所述第一图像进行数据处理，得到所述第一图像对应的人群密度特征图；所述人群密度特征图是所述数据处理层对所述第一图像进行特征提取得到的图像特征；
第一分类模块，用于基于所述人群数量确定模型的特征分类层，对所述人群密度特征图进行分类处理，得到所述第一图像中的各个子区域对应的预测类别；
第一预测人数获取模块，用于基于所述第一图像中的各个子区域对应的预测类别，以及各个所述预测类别对应的人数估计值，获取所述第一图像中的各个子区域对应的预测人数；
第一人群数量确定模块，用于基于所述第一图像中的各个子区域对应的预测人数，获取所述第一图像对应的人群数量；
其中，所述人群数量确定模型是以训练样本集中的样本图像为样本、以所述样本图像的各个子区域的标注类别为标签训练得到的机器学习模型；所述各个所述预测类别对应的人数估计值是基于所述样本图像的各个子区域的人群数量确定的。
13.一种人群数量确定装置，其特征在于，所述装置包括：
样本集获取模块，用于获取训练样本集；所述训练样本集中包括第一样本图像，以及所述第一样本图像中的各个子区域分别对应的标注类别；
样本特征获取模块，用于基于人群数量确定模型的数据处理层，对所述第一样本图像进行数据处理，得到所述第一样本图像对应的样本人群密度特征图；所述样本人群密度特征图是所述数据处理层对所述第一样本图像进行特征提取得到的图像特征；
样本数据处理模块，用于基于所述样本人群密度特征图，通过人群数量确定模型的特征分类层进行分类处理，获得所述第一样本图像中的各个子区域分别对应的预测结果；
模型训练模块，用于基于所述第一样本图像中的各个子区域分别对应的预测结果，以及所述第一样本图像中的各个子区域分别对应的标注类别，对所述人群数量确定模型进行训练；
训练后的人群数量确定模型用于根据输入的第一图像获得该第一图像中的各个子区域的预测类别，并根据各个预测类别对应的人数估计值，确定第一图像对应的人群数量；各个所述预测类别对应的人数估计值是基于所述人群数量确定模型的训练样本集中样本图像的各个子区域的人群数量确定的。
14.一种计算机设备，其特征在于，计算机设备包含处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至11任一所述的人群数量确定方法。
15.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至11任一所述的人群数量确定方法。
CN202110212105.3A 2021-02-25 2021-02-25 人群数量确定方法、装置、设备及存储介质 Active CN112560829B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110212105.3A CN112560829B (zh) 2021-02-25 2021-02-25 人群数量确定方法、装置、设备及存储介质
PCT/CN2022/077070 WO2022179474A1 (zh) 2021-02-25 2022-02-21 群体数量确定方法、装置、设备、存储介质及程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110212105.3A CN112560829B (zh) 2021-02-25 2021-02-25 人群数量确定方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112560829A CN112560829A (zh) 2021-03-26
CN112560829B true CN112560829B (zh) 2021-06-04

Family

ID=75034766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110212105.3A Active CN112560829B (zh) 2021-02-25 2021-02-25 人群数量确定方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN112560829B (zh)
WO (1) WO2022179474A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560829B (zh) * 2021-02-25 2021-06-04 腾讯科技（深圳）有限公司 人群数量确定方法、装置、设备及存储介质
CN112862023B (zh) * 2021-04-26 2021-07-16 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
CN113807260B (zh) * 2021-09-17 2022-07-12 北京百度网讯科技有限公司 数据处理方法、装置、电子设备和存储介质
CN114581854A (zh) * 2022-03-18 2022-06-03 上海商汤智能科技有限公司 一种人群统计方法及装置、电子设备和存储介质
CN115860284B (zh) * 2023-03-01 2023-05-16 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) 渔业资源密度识别方法、装置、存储介质以及电子设备

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077613B (zh) * 2014-07-16 2017-04-12 电子科技大学 一种基于级联多级卷积神经网络的人群密度估计方法
US20160259980A1 (en) * 2015-03-03 2016-09-08 Umm Al-Qura University Systems and methodologies for performing intelligent perception based real-time counting
US20190130189A1 (en) * 2017-10-30 2019-05-02 Qualcomm Incorporated Suppressing duplicated bounding boxes from object detection in a video analytics system
CN109034355B (zh) * 2018-07-02 2022-08-02 百度在线网络技术（北京）有限公司 致密人群的人数预测方法、装置、设备以及存储介质
CN109271864B (zh) * 2018-08-17 2021-07-06 武汉烽火凯卓科技有限公司 一种基于小波变换和支持向量机的人群密度估计方法
CN109271960B (zh) * 2018-10-08 2020-09-04 燕山大学 一种基于卷积神经网络的人数统计方法
CN110163060B (zh) * 2018-11-07 2022-12-23 腾讯科技（深圳）有限公司 图像中人群密度的确定方法及电子设备
CN110163140A (zh) * 2019-05-15 2019-08-23 腾讯科技（深圳）有限公司 人群密度图获取方法及装置
CN111144377B (zh) * 2019-12-31 2023-05-16 北京理工大学 一种基于人群计数算法的密集区域预警方法
CN112001274B (zh) * 2020-08-06 2023-11-17 腾讯科技（深圳）有限公司 人群密度确定方法、装置、存储介质和处理器
CN111898578B (zh) * 2020-08-10 2023-09-19 腾讯科技（深圳）有限公司 人群密度的获取方法、装置、电子设备
CN112560829B (zh) * 2021-02-25 2021-06-04 腾讯科技（深圳）有限公司 人群数量确定方法、装置、设备及存储介质

Also Published As

Publication number Publication date
WO2022179474A1 (zh) 2022-09-01
CN112560829A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN112560829B (zh) 人群数量确定方法、装置、设备及存储介质
Chen et al. An edge traffic flow detection scheme based on deep learning in an intelligent transportation system
CN110472531B (zh) 视频处理方法、装置、电子设备及存储介质
CN110929622B (zh) 视频分类方法、模型训练方法、装置、设备及存储介质
Hua et al. Collaborative active visual recognition from crowds: A distributed ensemble approach
CN112801236B (zh) 图像识别模型的迁移方法、装置、设备及存储介质
CN112580616B (zh) 人群数量确定方法、装置、设备及存储介质
CN117041017B (zh) 数据中心的智能运维管理方法及系统
CN111738319B (zh) 一种基于大规模样本的聚类结果评价方法及装置
CN110457523B (zh) 封面图片的选取方法、模型的训练方法、装置及介质
JP2019153092A (ja) 位置特定装置、位置特定方法及びコンピュータプログラム
CN113763385A (zh) 视频目标分割方法、装置、设备及介质
CN112258250A (zh) 基于网络热点的目标用户识别方法、装置和计算机设备
CN115062709A (zh) 模型优化方法、装置、设备、存储介质及程序产品
CN114461853A (zh) 视频场景分类模型的训练样本生成方法、装置及设备
CN112115996B (zh) 图像数据的处理方法、装置、设备及存储介质
CN113705293A (zh) 图像场景的识别方法、装置、设备及可读存储介质
CN113822134A (zh) 一种基于视频的实例跟踪方法、装置、设备及存储介质
CN113160987B (zh) 健康状态预测方法、装置、计算机设备及存储介质
CN114596435A (zh) 语义分割标签的生成方法、装置、设备及存储介质
CN113627514A (zh) 知识图谱的数据处理方法、装置、电子设备和存储介质
CN111414884A (zh) 一种基于边缘计算的面部表情识别方法
CN110555338A (zh) 对象识别方法和装置、神经网络生成方法和装置
CN115831339B (zh) 基于深度学习的医疗系统风险管控事前预测方法、系统
Chen et al. Visual trajectory analysis via Replicated Softmax-based models

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40041012

Country of ref document: HK