CN113221971A - 一种基于前后特征融合的多尺度人群计数方法及系统 - Google Patents

一种基于前后特征融合的多尺度人群计数方法及系统 Download PDF

Info

Publication number
CN113221971A
CN113221971A CN202110449730.XA CN202110449730A CN113221971A CN 113221971 A CN113221971 A CN 113221971A CN 202110449730 A CN202110449730 A CN 202110449730A CN 113221971 A CN113221971 A CN 113221971A
Authority
CN
China
Prior art keywords
feature
feature map
map
fused
fusion
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
Application number
CN202110449730.XA
Other languages
English (en)
Other versions
CN113221971B (zh
Inventor
吕蕾
郑金芳
谢锦阳
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.)
Shandong Normal University
Original Assignee
Shandong Normal University
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 Shandong Normal University filed Critical Shandong Normal University
Priority to CN202110449730.XA priority Critical patent/CN113221971B/zh
Publication of CN113221971A publication Critical patent/CN113221971A/zh
Application granted granted Critical
Publication of CN113221971B publication Critical patent/CN113221971B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本公开公开的一种基于前后特征融合的多尺度人群计数方法及系统，对采集的待计数图像进行预处理，生成人群密度图，然后用个三个不同大小的卷积核对人群密度图进行卷积处理，对卷积之后生成的三个特征图进行特征融合，获取融合后特征图，对融合后特征图通过卷积、池化以及上采样等操作进行收缩与扩展，并对压缩路径与扩展路径的特征图进行特征融合，获得了有效的空间结构信息以及语义信息。然后使用1*1的卷积核来改变通道数的大小生成最终的密度图。利用每张密度图中的像素进行积分求和，得到最终的人数。解决了人群复杂的变化对于人群计数的影响，保留了更多有效的信息，从而对人群计数取得了良好的效果。

Description

一种基于前后特征融合的多尺度人群计数方法及系统
技术领域
本发明涉及人群计数技术领域，尤其涉及一种基于前后特征融合的多尺度人群计数方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
人群计数是计算机视觉领域的一个重要分支，随着国内外的大型活动中踩踏事件的频繁发生，造成了较大的伤亡，例如在2015年在上海外滩发生的踩踏事件，若能准确估计当前场景的人群密度，并安排相应的保护以及应急措施，则可以有效减少或规避此类事件的发生，所以人群计数在实际生活中有着许多潜在的应用价值。
传统的人群计数算法主要有两大分类，基于检测的方法以及基于回归的方法。对于基于检测的方法，早期主要聚焦于基于检测的方法，通过使用滑动窗口检测器来检测场景中的人群并进行相应的计数。由于无论使用何种基于检测的方法，都很难处理密集人群之间的严重遮挡问题，所以对于基于回归的方法逐渐被用来解决人群计数的问题。
随着深度学习领域的发展，不同于传统的基于检测和回归的方法，深度学习方法对于图像中的密集人群分布，通过预测密度图的方法来进行人群计数，即输入为原始图像，输出为密度图，但由于遮挡、人群密集、分布无律等问题，使得人群计数的准确率依然较低。
发明内容
本公开为了解决上述问题，提出了一种基于前后特征融合的多尺度人群计数方法及系统，实现了对人群的准确计数。
为实现上述目的，本公开采用如下技术方案：
第一方面，提出了一种基于前后特征融合的多尺度人群计数方法，包括：
获取待计数图像；
从待计数图像中提取不同尺度的特征图；
将获取的不同尺度的特征图进行特征融合，获取融合后特征图；
对融合后特征图进行压缩，获得压缩后特征图；
将压缩后特征图进行扩展，将扩展路径与压缩路径进行特征融合，获得扩展后特征图；
将扩展后特征图映射为密度图，根据密度图进行人群计数。
第二方面，提出了一种基于前后特征融合的多尺度人群计数系统，包括：
图像获取模块，用于获取待计数图像；
不同尺度特征图提取模块，用于从待计数图像中提取不同尺度的特征图；
融合后特征图获取模块，用于将获取的不同尺度的特征图进行特征融合，获取融合后特征图；
融合后特征图压缩模块，用于对融合后特征图进行压缩，获得压缩后特征图；
压缩后特征图扩展模块，用于将压缩后特征图进行扩展，将扩展路径与压缩路径进行特征融合，获得扩展后特征图；
人群计数模块，用于将扩展后特征图映射为密度图，根据密度图进行人群计数。
第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种基于前后特征融合的多尺度人群计数方法所述的步骤。
第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种基于前后特征融合的多尺度人群计数方法所述的步骤。
与现有技术相比，本公开的有益效果为：
本公开采用多尺度、多分支的卷积以及收缩路径与扩展路径的特征融合的方法，网络中包含的多尺度特征提取包含了为适应人群的不同头部的大小而提取的不同尺度的特征信息。对于前端的压缩路径包含了人群的空间信息以及纹理以及结构信息。对于后端的高层扩展路径包含了较多的人群的语义信息。前端包含了人群较多的空间结构信息，后端包含了关于人群的较多的语义信息。将扩展路径与压缩路径的特征图进行特征融合，既提取了有效的空间结构信息又包含了人群的语义信息，通过这种方法可以对复杂场景的人群进行更精确的计数以及密度估计。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本公开实施例1公开方法的流程图；
图2为本公开实施例1公开方法的整体网络结构图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。
本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。
实施例1
为了实现对人群的准确计数，在该实施例中公开了一种基于前后特征融合的多尺度人群计数方法，包括：
获取待计数图像；
从待计数图像中提取不同尺度的特征图；
将获取的不同尺度的特征图进行特征融合，获取融合后特征图；
对融合后特征图进行压缩，获得压缩后特征图；
将压缩后特征图进行扩展，将扩展路径与压缩路径进行特征融合，获得扩展后特征图；
将扩展后特征图映射为密度图，根据密度图进行人群计数。
进一步的，将待计数图像生成人群密度图，从人群密度图中提取不同尺度的特征图。
进一步的，获得压缩后特征图的具体过程为：
对融合后特征图进行连续多次压缩，获得每次压缩后的特征图，最后一次压缩获得的压缩后的特征图为压缩后特征图。
进一步的，获得扩展后特征图的具体过程为：
对压缩后特征图进行连续多次扩展，在扩展时，每次扩展获得初始扩展特征图，将每次初始扩展特征图与相同分辨率大小的压缩后的特征图进行融合，获得每次的扩展特征图，下一次初始扩展特征图为对当次扩展特征图扩展获得，最后一次初始扩展特征图与融合后特征图进行融合，获得扩展后特征图。
进一步的，对融合后特征图进行连续压缩的次数与对压缩后特征图进行连续扩展的次数相同。
进一步的，对扩展后特征图进行卷积操作，获得密度图。
进一步的，对密度图中的每个像素进行积分求和，获得最终的人群数量。
对本实施例公开的一种基于前后特征融合的多尺度人群计数方法进行详细说明。
一种基于前后特征融合的多尺度人群计数方法，如图1所示，包括：
S1：获取待计数图像。
在具体实施时，待计数图像可以从通过摄像头采集获得。
S2：从待计数图像中提取不同尺度的特征图，包括：
S21：将待计数图像生成人群密度图，生成人群密度图的方法为：
Figure BDA0003038200040000061
Figure BDA0003038200040000062
其中,β是用与数据点周围的局部几何相适应的密度核来卷积获得，实验测得β＝0.3效果最好，N代表图像中的人数，x代表图像中每个像素的位置，xi代表第i个人的标注位置，δ(x-xi)表示有一个头部位置在像素点xi，
Figure BDA0003038200040000071
表示标准差为σi的高斯核，
Figure BDA0003038200040000072
表示xi与其最近的k个人头之间的平均距离。
S22：从人群密度图中提取不同尺度的特征图。
在具体实施时，将人群密度图分别输入三个分支卷积网络中，从而获得不同尺度的特征图。
在具体实施时，选取kernel_size＝5,7,9大小的卷积核分别对人群密度图进行卷积，输出通道数分别为10,14,16大小的特征矩阵，即获得三个不同尺度的特征图。
S3：将获取的不同尺度的特征图进行特征融合，获取融合后特征图。
在具体实施时，将各个分支网络获得的不同尺度的特征图进行融合；即对各卷积操作后的图像通过concat操作进行特征融合，即对各卷积操作后的图像进行通道数相加，生成通道数为40的特征矩阵，从而获得了融合后特征图。
S4：对融合后特征图进行压缩，获得压缩后特征图。
具体为，对融合后特征图进行连续多次压缩，每次压缩操作均能获得压缩后的特征图，下一次压缩后的特征图为对当次压缩后的特征图压缩获得，最后一次压缩获得的压缩后的特征图为对融合后特征图进行压缩，获得的压缩后特征图。
在具体实施时，如图2所示，对融合后特征图进行了连续四次压缩，每次压缩过程相同，具体的压缩过程为：将融合后特征图的通道数变为原来的2倍，进行3*3卷积并用ReLU函数进行激活操作，padding＝1，重复上述“卷积+ReLU激活函数”两次完成一次压缩操作，对压缩操作完成后的图再次进行压缩，这样连续进行四次压缩后，压缩路径结束。
S5：将压缩后特征图进行扩展，将扩展路径与压缩路径进行特征融合，获得扩展后特征图。
压缩路径与扩展路径的特征图进行融合时，压缩路径的特征图与扩展路径的特征图通道数和图像分辨率大小保持一致，具体为：对压缩后特征图进行连续多次扩展，在扩展时，每次扩展获得初始扩展特征图，将每次初始扩展特征图与相同分辨率大小的压缩后的特征图进行融合，获得每次的扩展特征图，下一次初始扩展特征图为对当次扩展特征图扩展获得，最后一次初始扩展特征图与融合后特征图进行融合，获得扩展后特征图。
在具体实施时，将压缩后特征图进行连续多次扩展，并再扩展过程中，将扩展路径与压缩路径进行特征融合；扩展路径和S4中的压缩路径对称，即进行了四次路径的扩展，每一次扩展操作相同，具体的扩展过程为：将S4获得的压缩后特征图进行上采样操作并将通道数减半，然后和相对应的即具有相同分辨率大小的压缩路径中的压缩后的特征图进行特征融合，如图2所示，然后进行通道数减半操作，进行3*3卷积并用ReLU函数进行激活操作，padding＝1。重复上述“卷积+ReLU激活函数操作”两次，完成一次扩展操作，对一次扩展操作完成后的图再次进行扩展操作，这样连续进行四次扩展操作后，扩展路径结束。
S6：将扩展后特征图映射为密度图，根据密度图进行人群计数。
在具体实施时，通过S5获得的扩展后特征图已经还原为融合后特征图的大小，通道数变为80，通过1*1Conv卷积操作改变通道数大小，channel＝1,即让通道数变为1，即可以将扩展后特征图映射为密度图。
对该密度图进行算数运算实现当前人群数量的估计，具体为：通过对密度图中的每个像素进行积分求和，获得最终的人群数量。
本实施例公开的一种基于前后特征融合的多尺度人群计数方法，首先采集要计数的人群图像，并进行预处理，生成人群密度图。然后用个三个不同大小的卷积核5*5、7*7、9*9对人群密度图进行卷积处理，并对卷积之后生成的三个特征图进行特征融合，获取融合后特征图，之后对融合后特征图通过卷积、池化以及上采样等操作进行收缩与扩展，并对压缩路径与扩展路径的特征图进行特征融合，获得了有效的空间结构信息以及语义信息。然后使用1*1的卷积核来改变通道数的大小生成最终的密度图。利用每张密度图中的像素进行积分求和，得到最终的人数，解决了人群复杂的变化对于人群计数的影响，保留了更多有效的信息，从而对人群计数取得了良好的效果。
采用多尺度、多分支的卷积以及收缩路径与扩展路径的特征融合的方法，网络中包含的多尺度特征提取包含了为适应人群的不同头部的大小而提取的不同尺度的特征信息。对于压缩路径过程中，即前端包含了人群的空间信息以及纹理以及结构信息。对于高层扩展路径即后端包含了较多的人群的语义信息。前端包含了人群较多的空间结构信息，后端包含了关于人群的较多的语义信息。将收缩路径与压缩路径的特征图进行特征融合，既提取了有效的空间结构信息以及人群的语义信息。通过这种方法可以对复杂场景的人群进行更精确的计数以及密度估计。
实施例2
在该实施例中，公开了一种基于前后特征融合的多尺度人群计数系统，包括：
图像获取模块，用于获取待计数图像；
不同尺度特征图提取模块，用于从待计数图像中提取不同尺度的特征图；
融合后特征图获取模块，用于将获取的不同尺度的特征图进行特征融合，获取融合后特征图；
融合后特征图压缩模块，用于对融合后特征图进行压缩，获得压缩后特征图；
压缩后特征图扩展模块，用于将压缩后特征图进行扩展，将扩展路径与压缩路径进行特征融合，获得扩展后特征图；
人群计数模块，用于将扩展后特征图映射为密度图，根据密度图进行人群计数。
实施例3
在该实施例中，公开了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1公开的一种方法所述的步骤。
实施例4
在该实施例中，公开了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1公开的一种方法所述的步骤。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于前后特征融合的多尺度人群计数方法，其特征在于，包括：
获取待计数图像；
从待计数图像中提取不同尺度的特征图；
将获取的不同尺度的特征图进行特征融合，获取融合后特征图；
对融合后特征图进行压缩，获得压缩后特征图；
将压缩后特征图进行扩展，将扩展路径与压缩路径进行特征融合，获得扩展后特征图；
将扩展后特征图映射为密度图，根据密度图进行人群计数。
2.如权利要求1所述的一种基于前后特征融合的多尺度人群计数方法，其特征在于，将待计数图像生成人群密度图，从人群密度图中提取不同尺度的特征图。
3.如权利要求1所述的一种基于前后特征融合的多尺度人群计数方法，其特征在于，获得压缩后特征图的具体过程为：
对融合后特征图进行连续多次压缩，获得每次压缩后的特征图，最后一次压缩获得的压缩后的特征图为压缩后特征图。
4.如权利要求3所述的一种基于前后特征融合的多尺度人群计数方法，其特征在于，获得扩展后特征图的具体过程为：
对压缩后特征图进行连续多次扩展，在扩展时，每次扩展获得初始扩展特征图，将每次初始扩展特征图与相同分辨率大小的压缩后的特征图进行融合，获得每次的扩展特征图，下一次初始扩展特征图为对当次扩展特征图扩展获得，最后一次初始扩展特征图与融合后特征图进行融合，获得扩展后特征图。
5.如权利要求4所述的一种基于前后特征融合的多尺度人群计数方法，其特征在于，对融合后特征图进行连续压缩的次数与对压缩后特征图进行连续扩展的次数相同。
6.如权利要求1所述的一种基于前后特征融合的多尺度人群计数方法，其特征在于，对扩展后特征图进行卷积操作，获得密度图。
7.如权利要求1所述的一种基于前后特征融合的多尺度人群计数方法，其特征在于，对密度图中的每个像素进行积分求和，获得最终的人群数量。
8.一种基于前后特征融合的多尺度人群计数系统，其特征在于，包括：
图像获取模块，用于获取待计数图像；
不同尺度特征图提取模块，用于从待计数图像中提取不同尺度的特征图；
融合后特征图获取模块，用于将获取的不同尺度的特征图进行特征融合，获取融合后特征图；
融合后特征图压缩模块，用于对融合后特征图进行压缩，获得压缩后特征图；
压缩后特征图扩展模块，用于将压缩后特征图进行扩展，将扩展路径与压缩路径进行特征融合，获得扩展后特征图；
人群计数模块，用于将扩展后特征图映射为密度图，根据密度图进行人群计数。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的一种基于前后特征融合的多尺度人群计数方法的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的一种基于前后特征融合的多尺度人群计数方法的步骤。
CN202110449730.XA 2021-04-25 2021-04-25 一种基于前后特征融合的多尺度人群计数方法及系统 Active CN113221971B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110449730.XA CN113221971B (zh) 2021-04-25 2021-04-25 一种基于前后特征融合的多尺度人群计数方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110449730.XA CN113221971B (zh) 2021-04-25 2021-04-25 一种基于前后特征融合的多尺度人群计数方法及系统

Publications (2)

Publication Number Publication Date
CN113221971A true CN113221971A (zh) 2021-08-06
CN113221971B CN113221971B (zh) 2022-12-27

Family

ID=77088909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110449730.XA Active CN113221971B (zh) 2021-04-25 2021-04-25 一种基于前后特征融合的多尺度人群计数方法及系统

Country Status (1)

Country Link
CN (1) CN113221971B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114264314A (zh) * 2021-12-24 2022-04-01 上海应用技术大学 危险品安全运输管理系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596054A (zh) * 2018-04-10 2018-09-28 上海工程技术大学 一种基于多尺度全卷积网络特征融合的人群计数方法
CN108830327A (zh) * 2018-06-21 2018-11-16 中国科学技术大学 一种人群密度估计方法
CN109815919A (zh) * 2019-01-28 2019-05-28 上海七牛信息技术有限公司 一种人群计数方法、网络、系统和电子设备
CN109948553A (zh) * 2019-03-20 2019-06-28 北京航空航天大学 一种多尺度密集人群计数方法
CN111488827A (zh) * 2020-04-10 2020-08-04 山东师范大学 一种基于多尺度特征信息的人群计数方法及系统
CN111523449A (zh) * 2020-04-22 2020-08-11 山东师范大学 基于金字塔注意力网络的人群计数方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596054A (zh) * 2018-04-10 2018-09-28 上海工程技术大学 一种基于多尺度全卷积网络特征融合的人群计数方法
CN108830327A (zh) * 2018-06-21 2018-11-16 中国科学技术大学 一种人群密度估计方法
CN109815919A (zh) * 2019-01-28 2019-05-28 上海七牛信息技术有限公司 一种人群计数方法、网络、系统和电子设备
CN109948553A (zh) * 2019-03-20 2019-06-28 北京航空航天大学 一种多尺度密集人群计数方法
CN111488827A (zh) * 2020-04-10 2020-08-04 山东师范大学 一种基于多尺度特征信息的人群计数方法及系统
CN111523449A (zh) * 2020-04-22 2020-08-11 山东师范大学 基于金字塔注意力网络的人群计数方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114264314A (zh) * 2021-12-24 2022-04-01 上海应用技术大学 危险品安全运输管理系统及方法

Also Published As

Publication number Publication date
CN113221971B (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
CN109858461B (zh) 一种密集人群计数的方法、装置、设备以及存储介质
CN105139004B (zh) 基于视频序列的人脸表情识别方法
CN110619638A (zh) 一种基于卷积块注意模块的多模态融合显著性检测方法
CN112232134B (zh) 一种基于沙漏网络结合注意力机制的人体姿态估计方法
CN110879982B (zh) 一种人群计数系统及方法
CN110555434A (zh) 一种局部对比和全局指导的立体图像视觉显著性检测方法
CN104281858A (zh) 三维卷积神经网络训练方法、视频异常事件检测方法及装置
CN112766123B (zh) 一种基于纵横交叉注意力网络的人群计数方法及系统
CN110532959B (zh) 基于双通道三维卷积神经网络的实时暴力行为检测系统
CN111080670A (zh) 图像提取方法、装置、设备及存储介质
CN111563492B (zh) 一种跌倒检测方法、跌倒检测装置及存储装置
CN114219719A (zh) 基于双重注意力和多尺度特征的cnn医学ct图像去噪方法
CN109784230A (zh) 一种人脸视频图像质量寻优方法、系统及设备
US20220179485A1 (en) Gaze point estimation method, device, and electronic device
CN117392496A (zh) 基于红外与可见光图像融合的目标检测方法及系统
CN117575915B (zh) 一种图像超分辨率重建方法、终端设备及存储介质
CN117581232A (zh) 基于NeRF的机器学习模型的加速训练
CN114511810A (zh) 异常事件检测方法及装置、计算机设备、存储介质
CN115546442A (zh) 基于感知一致损失的多视图立体匹配重建方法及系统
CN116051736A (zh) 一种三维重建方法、装置、边缘设备和存储介质
CN113221971B (zh) 一种基于前后特征融合的多尺度人群计数方法及系统
CN112989952B (zh) 一种基于遮罩引导的人群密度估计方法及装置
CN115546491B (zh) 一种跌倒报警方法、系统、电子设备及存储介质
CN115205613A (zh) 一种图像识别方法、装置、电子设备及存储介质
CN116883770A (zh) 深度估计模型的训练方法、装置、电子设备及存储介质

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