CN113283343A - 人群定位方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开涉及一种人群定位方法及装置、电子设备和存储介质，所述方法包括：分别对从人群视频片段中获取的至少两帧人群图像进行特征提取，得到至少两个第一特征图；确定目标第一特征图中各目标像素点在至少两个第一特征图中对应的特征邻域，其中，目标第一特征图是与至少两帧人群图像中的目标人群图像对应的第一特征图；基于各目标像素点对应的特征邻域，对至少两个第一特征图进行融合，得到目标人群图像对应的第二特征图；根据第二特征图进行人群定位，得到目标人群图像对应的目标定位图，其中，目标定位图用于指示目标人群图像中包括的人体的位置。本公开实施例可以提高人群定位的准确率。

Description

人群定位方法及装置、电子设备和存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种人群定位方法及装置、电子设备和存储介质。

背景技术

随着人口的增长、城市化进程的加速，人群大量聚集的行为越来越多，且规模越来越大。人群分析对于公共安全、城市规划有着重要意义。常见的人群分析任务包括人群计数、群体行为解析、人群定位等，其中，人群定位是其它人群分析任务的基础。人群定位指的是，通过计算机视觉算法对图像或视频中包括的人体的位置进行估计，确定图像或视频中包括的人体的坐标，以为后续人群计数和群体行为解析等人群分析任务提供数据依据。人群定位的准确率直接影响人群计数的精度和人群行为解析的结果。因此，亟需一种准确率较高的人群定位方法。

发明内容

本公开提出了一种人群定位方法及装置、电子设备和存储介质技术方案。

根据本公开的一方面，提供了一种人群定位方法，包括：分别对从人群视频片段中获取的至少两帧人群图像进行特征提取，得到至少两个第一特征图；确定目标第一特征图中各目标像素点在所述至少两个第一特征图中对应的特征邻域，其中，所述目标第一特征图是与所述至少两帧人群图像中的目标人群图像对应的第一特征图；基于各目标像素点对应的所述特征邻域，对所述至少两个第一特征图进行融合，得到所述目标人群图像对应的第二特征图；根据所述第二特征图进行人群定位，得到所述目标人群图像对应的目标定位图，其中，所述目标定位图用于指示所述目标人群图像中包括的人体的位置。

在一种可能的实现方式中，所述确定目标第一特征图中各目标像素点在所述至少两个第一特征图中对应的特征邻域，包括：根据各目标像素点在所述目标第一特征图中的坐标，以及预设标准差，确定各目标像素点对应的二维高斯分布；根据各目标像素点对应的所述二维高斯分布，分别在所述至少两个第一特征图中确定对应的所述特征邻域。

在一种可能的实现方式中，所述基于各目标像素点对应的所述特征邻域，对所述至少两个第一特征图进行融合，得到所述目标人群图像对应的第二特征图，包括：基于各目标像素点在所述至少两个第一特征图中对应的所述特征邻域，在所述至少两个第一特征图中分别确定各目标像素点对应的采样像素点；根据各目标像素点以及各目标像素点对应的所述采样像素点，对所述至少两个第一特征图进行融合，得到所述第二特征图，其中，所述第二特征图和所述目标第一特征图具有相同的尺寸。

在一种可能的实现方式中，所述根据各目标像素点以及各目标像素点对应的所述采样像素点，对所述至少两个第一特征图进行融合，得到所述第二特征图，包括：对各目标像素点与各目标像素点对应的所述采样像素点之间的点积进行归一化处理，得到各目标像素点对应的所述采样像素点的权重；根据各目标像素点对应的所述采样像素点的权重，对各目标像素点对应的所述采样像素点进行加权求和，得到所述第二特征图。

在一种可能的实现方式中，所述根据所述第二特征图进行人群定位，得到所述目标人群图像对应的目标定位图，包括：根据所述第二特征图进行人群定位，得到第一定位概率图，其中，所述第一定位概率图用于指示所述目标人群图像中各目标像素点是人体的概率；根据概率阈值，对所述第一定位概率图进行图像处理，得到所述目标定位图。

在一种可能的实现方式中，所述根据所述第二特征图进行人群定位，得到第一定位概率图，包括：对所述第二特征图进行卷积处理，得到第三特征图；对所述第三特征图进行转置卷积处理，得到第四特征图，其中，所述第四特征图和所述目标人群图像具有相同的尺寸；对所述第四特征图进行卷积处理，得到所述第一定位概率图。

在一种可能的实现方式中，所述根据概率阈值，对所述第一定位概率图进行图像处理，得到所述目标定位图，包括：对所述第一定位概率图进行平均池化操作，得到均值池化图；对所述均值池化图进行最大池化操作，得到最大池化图；根据所述均值池化图和所述最大池化图，得到第二定位概率图；根据所述概率阈值，对所述第二定位概率图进行阈值分割，得到所述目标定位图。

在一种可能的实现方式中，所述人群定位方法通过人群定位神经网络实现，所述人群定位神经网络的训练样本包括人群样本视频片段和所述人群样本视频片段中的目标人群样本图像对应的真实定位图；所述人群定位神经网络的训练方法如下：根据所述人群样本视频片段，通过所述人群定位神经网络，确定所述目标人群样本图像对应的预测定位概率图，其中，所述预测定位概率图用于指示所述目标人群样本图像中各像素点是人体的概率；基于所述预测定位概率图与所述真实定位图，确定定位损失；基于所述定位损失，优化所述人群定位神经网络。

在一种可能的实现方式中，所述根据所述人群样本视频片段，通过所述人群定位神经网络，确定所述目标人群样本图像对应的预测定位概率图，包括：分别对从所述人群样本视频片段中获取的至少两帧人群样本图像进行特征提取，得到至少两个第五特征图；确定目标第五特征图中各像素点在所述至少两个第五特征图中对应的特征邻域，其中，所述目标第五特征图是所述目标人群样本图像对应的第五特征图；基于各像素点在所述至少两个第五特征图中对应的所述特征邻域，对所述至少两个第五特征图进行融合，得到所述目标人群样本图像对应的第六特征图；根据所述第六特征图进行人群定位，得到所述预测定位概率图。

在一种可能的实现方式中，所述基于所述预测定位概率图和所述真实定位图，确定定位损失，包括：根据所述预测定位概率图、所述真实定位图以及正样本权重，利用交叉熵损失函数，确定所述定位损失，其中，所述正样本权重是所述真实定位图中用于指示人体所在位置的像素点对应的权重。

在一种可能的实现方式中，所述方法还包括：获取原始人群样本视频；对所述原始人群样本视频进行帧率下采样，得到所述人群样本视频片段，其中，所述人群样本视频片段的帧率小于阈值。

在一种可能的实现方式中，所述方法还包括：确定所述目标人群样本图像对应的标注结果，其中，所述标注结果包括人体在所述目标人群样本图像中的坐标；根据所述标注结果，确定所述真实定位图。

根据本公开的一方面，提供了一种人群定位装置，包括：特征提取模块，用于分别对从人群视频片段中获取的至少两帧人群图像进行特征提取，得到至少两个第一特征图；特征邻域确定模块，用于确定目标第一特征图中各目标像素点在所述至少两个第一特征图中对应的特征邻域，其中，所述目标第一特征图是与所述至少两帧人群图像中的目标人群图像对应的第一特征图；特征融合模块，用于基于各目标像素点对应的所述特征邻域，对所述至少两个第一特征图进行融合，得到所述目标人群图像对应的第二特征图；人群定位模块，用于根据所述第二特征图进行人群定位，得到所述目标人群图像对应的目标定位图，其中，所述目标定位图用于指示所述目标人群图像中包括的人体的位置。

根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。

在本公开实施例中，分别对从人群视频片段中获取的至少两帧人群图像进行特征提取，得到至少两个第一特征图；确定目标第一特征图中各像素点在至少两个第一特征图中对应的特征邻域，其中，目标第一特征图是至少两帧人群图像中的目标人群图像对应的第一特征图；基于各目标像素点对应的特征邻域，对至少两个第一特征图进行融合，得到目标人群图像对应的第二特征图；根据第二特征图进行人群定位，得到目标人群图像对应的目标定位图，其中，目标定位图用于指示目标人群图像中包括的人体的位置。在人群定位过程中，基于人群视频片段中的目标人群图像对应的第一特征图中各目标像素点的特征邻域，对人群视频片段中获取的至少两帧人群图像对应的至少两个第一特征图进行融合，融合后的第二特征图可以反映不同帧人群图像之间的时空关系，以使得利用第二特征图进行人群定位后，可以得到目标人群图像对应的准确率较高的目标定位图，从而有效提高了人群定位的准确率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

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，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的一种人群定位方法的流程图；

图2示出根据本公开实施例的特征融合的示意图；

图3示出根据本公开实施例的一种人群定位神经网络的示意图；

图4示出根据本公开实施例的一种人群定位装置的框图；

图5示出根据本公开实施例的一种电子设备的框图；

图6示出根据本公开实施例的一种电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，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，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开实施例的一种人群定位方法的流程图。该人群定位方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，该人群定位方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行该人群定位方法。如图1所示，该人群定位方法可以包括：

在步骤S11中，分别对从人群视频片段中获取的至少两帧人群图像进行特征提取，得到至少两个第一特征图。

这里的人群视频片段是包括多帧人群图像的视频片段，其可以是图像采集设备对某个空间范围内(例如，广场、商场、地铁站、旅游景点等人流量较大的地点)的密集人群进行视频采集后得到的，也可以是通过其它方式获取得到的，本公开对此不做具体限定。

在一示例中，图像采集设备对密集人群进行视频采集，得到原始人群视频之后，在原始人群视频的帧率较高的情况下，原始人群视频中相邻帧人群图像之间的差异较小，为了更好地利用不同帧人群图像之间的时空关系，可以对帧率较高的原始人群视频进行帧率下采样，得到帧率小于阈值的人群视频片段，以使得人群视频片段中相邻帧人群图像之间的差异较大，从而可以更好地利用人群视频片段中不同帧人群图像之间的时空关系，实现精度更好地人群定位。例如，人群视频片段的帧率为每秒5帧。

在一示例中，在对原始人群视频进行帧率下采样得到人群视频片段后，由于人群视频片段的各帧人群图像中除了包括密集人群之外，可能还包括其它背景部分，为了更好地进行人群定位，可以对各帧人群图像进行裁剪，保留各帧人群图像中包括的密集人群部分。但是，裁剪后的各帧人群图像需要具有相同的尺度，以确保可以对各帧人群图像实现后续的特征提取、特征融合等图像处理操作。

人群视频片段中包括多帧人群图像，从人群视频片段中获取至少两帧人群图像进行特征提取，其中，从人群视频片段中获取的进行特征提取的人群图像的帧数可以根据实际情况确定，例如，2帧、3帧、5帧、7帧等，本公开对此不做具体限定。

对至少两帧人群图像进行特征提取，具体可以是通过卷积神经网络中的特征提取模块，对至少两帧人群图像进行特征提取，得到至少两个第一特征图。后文会结合本公开可能的实现方式对特征提取过程做详细描述，此处不作赘述。

在步骤S12中，确定目标第一特征图中各目标像素点在至少两个第一特征图中对应的特征邻域，其中，目标第一特征图是与至少两帧人群图像中的目标人群图像对应的第一特征图。

这里的目标人群图像是从人群视频片段中获取的至少两帧人群图像中的某一帧。例如，可以是至少两帧人群图像中的首帧人群图像；可以是至少两帧人群图像中的尾帧人群图像；在从人群视频片段中获取的是大于或等于3帧的奇数帧人群图像的情况下，目标人群图像可以是大于或等于3帧的奇数帧人群图像中的中间帧人群图像；还可以是至少两帧人群图像中的任意一帧人群图像，本公开对此不做具体限定。

将目标人群图像对应的第一特征图，确定为目标第一特征图。确定目标第一特征图中各目标像素点在至少两个第一特征图中对应的特征邻域。例如，从人群视频片段中获取了三帧人群图像I₁、I₂和I₃，分别对三帧人群图像进行特征提取，得到三个第一特征图：人群图像I₁对应的第一特征图X₁、人群图像I₂对应的第一特征图X₂和人群图像I₃对应的第一特征图X₃。其中，在人群图像I₂是目标人群图像的情况下，第一特征图X₂是目标第一特征图。此时，针对目标第一特征图X₂中的各目标像素点，分别在第一特征图X₁、第一特征图X₂和第一特征图X₃中，确定各目标像素点对应的特征邻域。后文会结合本公开可能的实现方式对确定各目标像素点对应的特征邻域的具体过程做详细描述，此处不作赘述。

在步骤S13中，基于各目标像素点对应的特征邻域，对至少两个第一特征图进行融合，得到目标人群图像对应的第二特征图。

相关技术中，利用人群视频片段进行人群定位时，针对从人群视频片段中获取的至少两帧人群图像进行特征提取后得到的至少两个第一特征图，仅进行通道维度的简单融合，无法充分利用人群视频片段中不同帧人群图像之间的时序信息。

本公开实施例中，基于目标第一特征图中各目标像素点，在至少两个第一特征图中的特征邻域，对至少两个第一特征图进行融合，使得在特征融合过程中，既可以利用目标人群图像中的空间信息，又可以利用不同帧人群图像之间的时序信息，以得到目标人群图像对应的具有鲁棒性更高的语义特征的第二特征图。后文会结合本公开可能的实现方式对特征融合过程做详细描述，此处不作赘述。

在步骤S14中，根据第二特征图进行人群定位，得到目标人群图像对应的目标定位图，其中，目标定位图用于指示目标人群图像中包括的人体的位置。

由于特征融合后得到的第二特征图，可以反映不同帧人群图像之间的时空关系，从而在利用第二特征图进行人群定位后，可以得到目标人群图像对应的准确率较高的目标定位图。后文会结合本公开可能的实现方式对人群定位过程做详细描述，此处不作赘述。

在本公开实施例中，分别对从人群视频片段中获取的至少两帧人群图像进行特征提取，得到至少两个第一特征图；确定目标第一特征图中各目标像素点在至少两个第一特征图中对应的特征邻域，其中，目标第一特征图是与至少两帧人群图像中的目标人群图像对应的第一特征图；基于各目标像素点对应的特征邻域，对至少两个第一特征图进行融合，得到目标人群图像对应的第二特征图；根据第二特征图进行人群定位，得到目标人群图像对应的目标定位图，其中，目标定位图用于指示目标人群图像中包括的人体的位置。

相比于相关技术中基于单个人群图像进行人群定位的方式，利用人群视频片段进行目标人群图像的人群定位，可以挖掘人群视频片段中的时序信息，以使得可以提高人群定位精度。

此外，相比于相关技术中对至少两个第一特征图进行通道级别简单融合的方式，在人群定位过程中，基于目标图像的各目标像素点，在相邻帧图像的第一特征图中对应的特征邻域，可以捕获人群视频片段的不同帧人群图像中像素之间的长距离关联关系，使得对至少两个第一特征图进行融合，可以挖掘更充分更具有鲁棒性的特征信息，以使得融合后的第二特征图可以反映不同帧人群图像之间的时空关系，进而利用第二特征图进行人群定位后，可以得到目标人群图像对应的准确率较高的目标定位图，从而有效提高了人群定位的准确率。

在一种可能的实现方式中，可以利用卷积神经网络中的特征提取模块，分别对从人群视频片段中获取的至少两帧人群图像进行特征提取，得到至少两个第一特征图。

在一示例中，卷积神经网络中的特征提取模块，可以由在计算机视觉领域的公共图像数据集(例如，ImageNet)上训练得到的深度卷积神经网络中的卷积层(例如，VGG-16网络的前13个卷积层)构成。

例如，从人群视频片段中获取了三帧人群图像I₁、I₂和I₃。将三帧人群图像I₁、I₂和I₃输入到卷积神经网络中的特征提取模块进行特征提取，可以得到三个第一特征图：人群图像I₁对应的第一特征图X₁、人群图像I₂对应的第一特征图X₂和人群图像I₃对应的第一特征图X₃。其中，每个第一特征图的尺寸缩小为对应帧人群图像的1/8，且通道数是512。

特征提取模块的结构除了可以由上述VGG-16网络的前13个卷积层构成之外，还可以根据实际情况设置为其它网络结构，本公开对此不做具体限定。针对不同网络结构的特征提取模块，对从人群视频片段中获取的至少两帧人群图像进行特征提取之后得到的至少两个第一特征图的尺寸和通道数可以是不同的，本公开对此不做具体限定。

在一种可能的实现方式中，确定目标第一特征图中各目标像素点在至少两个第一特征图中对应的特征邻域，包括：根据各目标像素点在目标第一特征图中的坐标，以及预设标准差，确定各目标像素点对应的二维高斯分布；根据各目标像素点对应的二维高斯分布，分别在至少两个第一特征图中确定对应的特征邻域。

基于二维高斯分布的分布特性，根据各目标像素点对应的二维高斯分布，在至少两个第一特征图中确定对应的特征邻域，使得该特征邻域可以捕获不同第一特征图中像素点的局部和长距离关联关系，有效反映不同帧人群图像之间的时空关系。

仍以上述三个第一特征图X₁、X₂和X₃，第一特征图X₂是目标第一特征图为例，针对目标第一特征图X₂中任一目标像素点(x,y)，根据目标像素点(x,y)的坐标，以及预设标准差γ²，生成目标像素点(x,y)对应的二维高斯分布N((x,y),γ²,I²)，其中，I²是二阶单位方阵。预设标准差γ²的具体取值可以根据实际情况确定，本公开对此不做具体限定。

在确定目标像素点(x,y)对应的二维高斯分布N((x,y),γ²,I²)之后，通过对该高斯二维分布N((x,y),γ²,I²)进行采样，分别为各第一特征图X₁、X₂和X₃确定一组整数采样坐标

其中，P是每组采样坐标中包括的采样坐标的数目。P的具体取值可以根据实际情况确定，本公开对此不做具体限定。对二维高斯分布进行采样的方式可以是随机采样，也可以采用其它采样方式，本公开对此不做具体限定。

上述为各第一特征图X₁、X₂和X₃确定的采样坐标

分别构成目标第一特征图X₂中的目标像素点(x,y)在各第一特征图X₁、X₂和X₃中的特征邻域。

采用上述方式遍历目标第一特征图X₂中的各目标像素点，可以得到目标第一特征图X₂中的各目标像素点在各第一特征图X₁、X₂和X₃中的特征邻域。

在一种可能的实现方式中，基于各目标像素点对应的特征邻域，对至少两个第一特征图进行融合，得到目标人群图像对应的第二特征图，包括：基于各目标像素点在至少两个第一特征图中对应的特征邻域，在至少两个第一特征图中分别确定各目标像素点对应的采样像素点；根据各目标像素点以及各目标像素点对应的采样像素点，对至少两个第一特征图进行融合，得到第二特征图，其中，第二特征图和目标第一特征图具有相同的尺寸。

在确定各目标像素点在至少两个第一特征图中对应的特征邻域之后，可以基于各目标像素点对应的特征邻域，快速确定至少两个第一特征图中各目标像素点对应的采样像素点，进而根据各目标像素点以及各目标像素点对应的采样像素点，实现至少两个第一特征图的融合，以有效得到目标人群图像对应的第二特征图。

在一示例中，可以利用卷积神经网络中的高斯邻域注意力模块，实现基于高斯邻域注意力机制，根据各目标像素点在至少两个第一特征图中对应的特征邻域，对至少两个第一特征图进行融合，以得到目标人群图像对应的第二特征图。高斯邻域注意力模块包括三个输入：查询图(query map)、键图(key map)和值图(value map)。其中，查询图可以是目标人群图像对应的目标第一特征图，键图和值图是根据各第一特征图构成的多个成对存在的键图值图对，其中，同一键图值图对中的键图和值图是相同的第一特征图。查询图可以表示为Q∈R^h×w×c，键图值图对可以表示为

其中，K表示键图，V表示值图，n是键图值图对的数目。n的取值与至少两个第一特征图的数目相同。

由于目标第一特征图中各目标像素点在各第一特征图中对应的特征邻域，是基于各目标像素点的二维高斯分布确定的，因此，在后续特征融合过程中，可以仅将注意力机制限定在目标第一特征图的高斯邻域之中，使得可以去除全局注意力机制中的冗余成分，从而可以提高特征融合效率，降低计算消耗。

仍以上述三个第一特征图X₁、X₂和X₃，第一特征图X₂是目标第一特征图为例。将目标第一特征图X₂确定为查询图Q。根据三个第一特征图X₁、X₂和X₃确定三个键图值图对：(K¹,V¹)＝(X₁,X₁)、(K²,V²)＝(X₂,X₂)和(K³,V³)＝(X₃,X₃)。

由于上述为各第一特征图X₁、X₂和X₃确定的采样像素点坐标

分别构成目标第一特征图X₂中的目标像素点(x,y)在各第一特征图X₁、X₂和X₃中的特征邻域。因此，针对查询图Q中的任一目标像素点(x,y)，

是目标像素点(x,y)在键图值图对(K¹,V¹)中对应的特征邻域、

是目标像素点(x,y)在键图值图对(K²,V²)中对应的特征邻域、

是目标像素点(x,y)在键图值图对(K³,V³)中对应的特征邻域。

在一种可能的实现方式中，根据各目标像素点以及各目标像素点对应的采样像素点，对至少两个第一特征图对进行融合，得到第二特征图，包括：对各目标像素点与各目标像素点对应的采样像素点之间的点积进行归一化处理，得到各目标像素点对应的采样像素点的权重；根据各目标像素点对应的采样像素点的权重，对各目标像素点对应的采样像素点进行加权求和，得到第二特征图。

针对查询图Q(目标第一特征图)中的目标像素点(x,y)，在任一键图值图对{(Kⁱ,Vⁱ)}，根据上述基于二维高斯分布采样得到的键图值图对{(Kⁱ,Vⁱ)}对应的一组采样坐标点

确定目标像素点(x,y)在键图Kⁱ中对应的采样像素点

以及确定目标像素点(x,y)在值图Vⁱ中对应的采样像素点

而基于下述公式(1)，确定第二特征图中像素点(x,y)对应的高斯注意力ATTENTION(x,y)：

其中，

和

分别是查询图Q中的目标像素点(x,y)、目标像素点(x,y)在键图Kⁱ中对应的采样像素点

以及目标像素点(x,y)在值图Vⁱ中对应的采样像素点

softmax(·)是归一化函数，利用softmax(·)归一化函数，对Q_x,y和

之间的点积进行归一化处理，用于确定目标像素点(x,y)在键图Kⁱ中对应的各采样像素点

的权重。进而根据键图Kⁱ中各采样像素点

的权重，对值图Vⁱ中各采样像素点

进行加权求和，以得到第二特征图中像素点(x,y)对应的高斯注意力ATTENTION(x,y)。

图2示出根据本公开实施例的特征融合的示意图。如图2所示，针对查询图Q(目标第一特征图)中的目标像素点，根据目标像素点的二维高斯分布，分别在键图值图对{(Kⁱ,Vⁱ)}中的键图Kⁱ和值图Vⁱ(均为第一特征图)中确定目标像素点对应的采样像素点，进而基于上述公式(1)，利用softmax(·)归一化函数，对目标像素点和键图中对应的采样像素点之间的点积进行归一化处理，得到键图中对应的各采样像素点的权重，进而根据键图中对应的各采样像素点的权重，对值图中对应的各采样像素点进行加权求和，得到第二特征图中目标像素点的高斯注意力。

基于上述公式(1)，遍历查询图Q中的各目标像素点，从而可以得到目标人群图像I₂对应的第二特征图Z中各像素点对应的高斯注意力，基于第二特征图Z中各像素点对应的高斯注意力，可以得到与目标人群图像I₂对应的目标第一特征图X₂具有相同尺寸的第二特征图Z。第二特征图Z是基于高斯邻域注意力机制进行特征增强之后得到的特征图，第二特征图Z和目标人群图像I₂对应的目标第一特征图X₂具有相同的尺寸，第二特征图Z可以反映目标人群图像I₂与其它非目标人群图像I₁、I₃之间的时空关系。

在一种可能的实现方式中，根据第二特征图进行人群定位，得到目标人群图像对应的目标定位图，包括：根据第二特征图进行人群定位，得到第一定位概率图，其中，第一定位概率图用于指示目标人群图像中各目标像素点是人体的概率；根据概率阈值，对第一定位概率图进行图像处理，得到目标定位图。

由于第二特征图可以反映目标人群图像与其它非目标人群图像之间的时空关系，因此，利用第二特征图进行人群定位，可以得到目标人群图像对应的准确率较高的第一定位概率图，但是，由于第一定位概率图仅用于指示目标人群图像中各像素点是人体的概率，因此，通过预先设置的概率阈值对第一定位概率图进行图像处理，从而可以有效得到用于指示目标人群图像中包括的人体的位置的目标定位图。

下面结合本公开可能的实现方式对根据第二特征图进行人群定位的过程做详细描述。

在一种可能的实现方式中，根据第二特征图进行人群定位，得到第一定位概率图，包括：对第二特征图进行卷积处理，得到第三特征图；对第三特征图进行转置卷积处理，得到第四特征图，其中，第四特征图和目标人群图像具有相同的尺寸；对第四特征图进行卷积处理，得到第一定位概率图。

通过对第二特征图进行卷积处理，以实现进一步的特征提取，得到第三特征图，为了确定目标人群图像中各目标像素点是人体的概率，对第三特征图进行转置卷积处理，以使得可以得到与目标人群图像具有相同尺寸的第四特征图，进而对第四特征图进行卷积处理，可以有效得到用于指示目标人群图像中各目标像素点是人体的概率的第一定位概率图。

第一定位概率图与目标人群图像具有相同的尺寸。仍以上述目标人群图像I₂为例，在目标人群图像I₂∈R^H×W×3的情况下，H和W分别是目标人群图像的高和宽，目标人群图像的通道数是3(例如，RGB三通道)，此时，第一定位概率图可以记作

其中，

用于指示I₂(x)是人体的概率，x是目标人群图像I₂和第一定位概率图

中相对位置相同的目标像素点的坐标。

在一种可能的实现方式中，可以利用卷积神经网络中的定位预测模块，对第二特征图进行人群定位，得到第一定位概率图。

在一示例中，卷积神经网络中的定位预测模块，可以包括用于进行卷积处理的卷积层，以及用于进行转置卷积处理的转置卷积层。定位预测模块的具体结构可以根据实际情况进行设置(例如，卷积层的层数，以及各层级的排布方式等)，本公开对此不做具体限定。

在一示例中，仍以上述第二特征图Z为例，将第二特征图Z输入卷积神经网络中的定位预测模块，定位预测模块对第二特征图Z进行人群定位的过程可以具体描述如下：利用三个卷积层(卷积核大小是3，空洞率是2，通道数是512)，对第二特征图Z进行卷积处理，以实现进一步地特征提取，得到第三特征图；然后利用三个转置卷积层(卷积核大小是4，步长是2，通道数分别是256、128、64)，以及每个转置卷积层之后连接的一个卷积层(卷积核大小是3，空洞率是2，通道数分别是256、128、64)，对第三特征图进行转置卷积处理后，以实现将特征变换为目标人群图像的尺寸，得到与目标人群图像的尺寸相同的第四特征图，最后利用一个1×1卷积层对第四特征图进行卷积处理，将特征的通道数变换为1，最终输出第一定位概率图

由于第一定位概率图仅用于指示目标人群图像中各目标像素点是人体的概率，因此，通过预先设置的概率阈值对第一定位概率图进行图像处理，从而可以有效得到用于指示目标人群图像中包括的人体的位置的目标定位图。概率阈值的具体取值可以根据实际情况确定，本公开对此不做具体限定。

在一种可能的实现方式中，根据概率阈值，对第一定位概率图进行图像处理，得到目标定位图，包括：对第一定位概率图进行平均池化操作，得到均值池化图；对均值池化图进行最大池化操作，得到最大池化图；根据均值池化图和最大池化图，得到第二定位概率图；根据概率阈值，对第二定位概率图进行阈值分割，得到目标定位图。

对第一定位概率图进行平均池化操作，得到均值池化图，以及对均值池化图进行最大池化操作，得到最大池化图，从而可以有效实现对图像噪声的抑制。

在一示例中，首先，利用尺寸是3、步长是1的第一池化核，对第一定位概率图进行平均池化操作，得到均值池化图；然后，利用尺寸是3、步长是1的第二池化核，对均值池化图进行最大池化操作，得到最大池化图。第一池化核和第二池化核的尺寸、步长的具体取值可以根据实际情况进行设置，本公开对此不做具体限定。

对均值池化图和最大池化进行峰值筛选，从而可以得到精度更高的第二定位概率图。

在一示例中，均值池化图和最大池化图中的像素点的像素值，用于指示目标人群图像中对应目标像素点是人体的概率。对均值池化图和最大池化图进行逐像素点对比，针对均值池化图和最大池化图中相对位置相同的像素点，若像素值为相同的概率值，则将第二定位概率图中相对位置相同的像素点的像素值确定为该概率取值；针对均值池化图和最大池化图中相对位置相同的像素点，若像素值为不同的概率值，则将第二定位概率图中相对位置相同的像素点的像素值确定为0。

例如，在均值池化图中像素点(i,j)(第i行、第j列处的像素点)的像素值为0.7，最大池化图中像素点(i,j)的像素值为0.7的情况下，第二定位概率图中像素点(i,j)的像素值确定为0.7。

再例如，在均值池化图中像素点(i,j)的像素值为0.7，最大池化图中像素点(i,j)的像素值为0.5的情况下，第二定位概率图中像素点(i,j)的像素值确定为0。

最终，通过预先设置的概率阈值，对第二定位概率图进行阈值分割，从而可以得到最终需要的目标定位图，进而有效确定目标人群图像中包括的人体的位置。

在一示例中，将第二定位概率图中逐像素点对应的概率取值与概率阈值进行比较，在某一像素点的像素值大于或等于概率阈值的情况下，将目标定位图中相对位置相同的像素点的像素值确定为1；在某一像素点的像素值小于概率阈值的情况下，将目标定位图中相对位置相同的像素点的像素值确定为0。

目标定位图和目标人群图像具有相同的尺寸，目标定位图中像素值为1的像素点的位置，用于指示目标人群图像中包括的人体的位置。例如，在目标定位图中像素点(i,j)的像素值为1的情况下，目标人群图像中目标像素点(i,j)的位置对应人体；在目标定位图中像素点(i,j)的像素值为0的情况下，目标人群图像中目标像素点(i,j)的位置对应人体头部以外的部分。

根据目标定位图，即可以确定目标人群图像中包括的人体的位置，实现人群定位，为其它人群分析任务(例如，人群计数、群体行为解析等)提供数据依据。例如，可以通过统计目标定位图中像素值为1的像素点的个数，得到目标人群图像中包括的人体的数量，实现对目标人群图像的人群计数。再例如，可以通过统计目标定位图中像素值为1的像素点的分布情况，得到目标人群图像中包括的人体的行为轨迹，实现对目标人群图像的人群行为解析

在一种可能的实现方式中，人群定位方法通过人群定位神经网络实现，人群定位神经网络的训练样本包括人群样本视频片段和人群样本视频片段中的目标人群样本图像对应的真实定位图；人群定位神经网络的训练方法如下：根据人群样本视频片段，通过人群定位神经网络，确定目标人群样本图像对应的预测定位概率图，其中，预测定位概率图用于指示目标人群样本图像中各像素点是人体的概率；基于预测定位概率图与真实定位图，确定定位损失；基于定位损失，优化人群定位神经网络。

为了快速实现人群定位，可以基于上述人群定位方法预先训练得到人群定位神经网络，进而在实际应用中，通过人群定位神经网络，快速有效地实现对人群图像的认定定位。

预先构建用于对人群定位神经网络进行网络训练的训练样本，其中，训练样本中包括人群样本视频片段和人群样本视频片段中的目标人群样本图像对应的真实定位图。

这里的人群样本视频片段是包括多帧人群样本图像的视频片段，其可以是图像采集设备对某个空间范围内(例如，广场、商场、地铁站、旅游景点等人流量较大的地点)的密集人群进行视频采集后得到的，也可以是通过其它方式获取得到的，本公开对此不做具体限定。

在一种可能的实现方式中，该人群定位方法还包括：获取原始人群样本视频；对原始人群样本视频进行帧率下采样，得到人群样本视频片段，其中，人群样本视频片段的帧率小于阈值。

图像采集设备对密集人群进行视频采集，得到原始人群样本视频之后，在原始人群样本视频的帧率较高的情况下，原始人群样本视频中相邻帧人群样本图像之间的差异较小，为了更好地利用不同帧人群样本图像之间的时空关系，可以对帧率较高的原始人群样本视频进行帧率下采样，得到帧率小于阈值的人群样本视频片段，以使得人群样本视频片段中相邻帧人群样本图像之间的差异较大，从而可以更好地利用人群样本视频片段中不同帧人群样本图像之间的时空关系，对人群定位神经网络进行训练。例如，人群样本视频片段的帧率为每秒5帧。

在对原始人群样本视频进行帧率下采样得到人群样本视频片段后，由于人群样本视频片段的各帧人群样本图像中除了包括密集人群之外，可能还包括其它背景部分，为了更好地对人群定位神经网络进行训练，可以对各帧人群样本图像进行裁剪，保留各帧人群样本图像中包括的密集人群部分。但是，裁剪后的各帧人群样本图像需要具有相同的尺度，以确保可以对各帧人群样本图像实现后续的特征提取、特征融合等图像处理操作。

人群样本视频片段中包括多帧人群样本图像，从人群样本视频片段中获取至少两帧人群样本图像进行特征提取，其中，进行特征提取的至少两帧人群样本图像的具体数目可以根据实际情况确定，例如，2帧、3帧、5帧、7帧等，本公开对此不做具体限定。

在从人群样本视频片段中获取的至少两帧人群样本图像中，任意选取一帧人群样本图像确定为目标人群样本图像。例如，目标人群样本图像，可以是至少两帧人群样本图像中的首帧人群样本图像；可以是至少两帧人群样本图像中的尾帧人群样本图像；在从人群样本视频片段中获取的是大于或等于3帧的奇数帧人群样本图像的情况下，目标人群样本图像可以是大于或等于3帧的奇数帧人群样本图像中的中间帧人群样本图像；还可以是至少两帧人群样本图像中的任意一帧人群样本图像，本公开对此不做具体限定。

真实定位图和目标人群样本图像具有相同的尺寸，真实定位图中像素点的像素值为0或1，像素值为1的像素点的位置，用于指示目标人群样本图像中包括的人体的位置；像素值为0的像素点的位置，用于指示目标人群样本图像中包括的人体以外的其它位置。真实定位图和目标人群样本图像之间的关系，与上述目标定位图和目标人群图像之间的关系类似，此处不再赘述。

在一种可能的实现方式中，该人群定位方法还包括：确定目标人群样本图像对应的标注结果，其中，标注结果包括人体在目标人群样本图像中的坐标；根据标注结果，确定真实定位图。

通过对目标人群样本图像进行人体坐标的标注，以使得可以根据标注结果有效确定目标人群样本图像对应的真实定位图，进而可以根据目标人群样本图像和真实定位图有效构建用于对人群定位神经网络进行网络训练的训练样本。

在一示例中，目标人群样本图像是I₂'∈R^H×W×3，H和W分别是目标人群样本图像I₂'的高和宽，目标人群样本图像的通道数是3。对目标人群样本图像I₂'中包括的人体进行标注，得到目标人群样本图像I₂'对应的标注结果

其中，a_i是第i个人体在目标人群样本图像I₂'中的坐标，m是目标人群样本图像I₂'中包括的人体的个数。

在一示例中，可以根据目标人群样本图像I₂'对应的标注结果

利用下述公式(2)，确定目标人群样本图像I₂'对应的真实定位图Y∈R^H×W：

其中，

y是目标人群样本图像I₂'和真实定位图Y中相对位置相同的像素点的坐标，K＝[0,1,0；1,1,1；0,1,0]是卷积核，ψ(·)是卷积结果图，δ(·)是多元delta函数，其具体形式可以如下述公式(3)所示，

根据目标人群样本图像对应的标注结果，除了可以采用上述公式(2)的方式确定真实定位图，还可以采用其它方式确定，本公开对此不做具体限定。

在确定上述训练样本之后，利用上述训练样本对人群定位神经网络进行网络训练，首先，通过人群定位神经网络，确定训练样本中包括的目标人群样本图像对应的，用于指示目标人群样本图像中各像素点是人体的概率的预测定位概率图。

在一种可能的实现方式中，根据人群样本视频片段，通过人群定位神经网络，确定目标人群样本图像对应的预测定位概率图，包括：分别对从人群样本视频片段中获取的至少两帧人群样本图像进行特征提取，得到至少两个第五特征图；确定目标第五特征图中各像素点在至少两个第五特征图中对应的特征邻域，其中，目标第五特征图是目标人群样本图像对应的第五特征图；基于各像素点对应的特征邻域，对至少两个第五特征图进行融合，得到目标人群样本图像对应的第六特征图；根据第六特征图进行人群定位，得到预测定位概率图。

人群定位神经网络中包括特征提取模块，从人群样本视频片段中获取的至少两个人群样本图像经过特征提取模块进行特征提取之后，可以得到至少两个第五特征图。例如，从人群样本视频片段中获取三帧人群样本图像：I₁'、I'₂和I'₃，其中，人群样本图像I'₂是目标人群样本图像。利用人群定位神经网络中的特征提取模块，对人群样本图像I₁'、I'₂和I'₃进行特征提取，得到三个第五特征图：人群样本图像I₁'对应的第五特征图X₁'、人群样本图像I'₂对应的第五特征图X'₂和人群样本图像I'₃对应的第五特征图X'₃。

人群定位神经网络中特征提取模块的网络结构，与上述卷积神经网络中特征提取模块的网络结构类似，人群定位神经网络中特征提取模块对至少两帧人群样本图像的特征提取过程，与上述卷积神经网络中特征提取模块对至少两帧人群样本图像的特征提取过程类似，此处不再赘述。

人群定位神经网络中包括高斯邻域注意力模块，基于高斯邻域注意力模块，可以确定目标第五特征图中各像素点在至少两个第五特征图中对应的特征邻域，以及基于各像素点在至少两个第五特征图中对应的特征邻域，对至少两个第五特征图进行融合，得到目标人群样本图像I'₂对应的第六特征图Z'。

人群定位神经网络中高斯邻域注意力模块的网络结构，与上述卷积神经网络中高斯邻域注意力模块的网络结构类似，人群定位神经网络中高斯邻域注意力模块进行特征融合的过程，与上述卷积神经网络中高斯邻域注意力模块进行特征融合的过程类似，此处不再赘述。

人群定位神经网络中还包括定位预测模块，利用定位预测模块对第六特征图进行人群定位，可以得到用于指示目标人群样本图像中各像素点是人体的概率的预测定位概率图。仍以上述第六特征图Z'为例，利用人群定位神经网络中的定位预测模块，对第六特征图Z'进行人群定位，得到预测定位概率图

人群定位神经网络中定位预测模块的网络结构，与上述卷积神经网络中定位预测模块的网络结构类似，人群定位神经网络中定位预测模块对第六特征图的人群定位过程，与上述卷积神经网络中定位预测模块对第二特征图的人群定位过程类似，此处不再赘述。

由于预测定位概率图用于指示目标人群样本图像中各像素点是人体的概率，真实定位图用于指示目标人群样本图像中包括的人体的位置，因此，基于预测定位概率图和真实定位图，可以确定人群神经网络的定位损失，进而基于定位损失，可以调整人群定位神经网络的网络参数，以实现优化人群定位神经网络。

在人群定位神经网络得到目标人群样本图像对应的预测定位概率图之后，根据预测定位概率图和真实定位图之间的差异，可以确定人群定位神经网络的定位损失。

在一种可能的实现方式中，基于预测定位概率图和真实定位图，确定定位损失，包括：根据预测定位概率图、真实定位图以及正样本权重，利用交叉熵损失函数，确定定位损失，其中，正样本权重是真实定位图中用于指示人体所在位置的像素点对应的权重。

在一示例中，根据预测定位概率图

和真实定位图Y，可以通过下述公式(4)所示的交叉熵损失函数，确定定位损失L：

其中，H和W分别是预测定位概率图

和真实定位图Y的高和宽，y是预测定位概率图

和真实定位图Y中相对位置相同的像素点的坐标，λ是正样本权重。

在目标人群样本图像中，人体所在位置的像素点可以认为是正样本，其它像素点则被认为是负样本，由于目标人群样本图像中背景部分的占比可能远远大于人体的占比，也即负样本的数量远远大于正样本的数量，通过设置正样本权重，从而可以实现训练过程中对正负样本进行平衡。

确定定位损失的方式除了可以采用上述公式(4)所示的交叉熵损失函数以外，还可以通过其它损失函数来确定，本公开对此不做具体限定。

在确定定位损失之后，可以根据定位损失调整人群定位神经网络对应的网络参数，以实现对人群定位网络的优化，并采用与上述网络训练方法进行迭代训练，直至迭代训练符合预设训练条件，最终得到训练后的人群定位神经网络。

在一种可能的实现方式中，根据定位损失，利用随梯度下降方法进行网络参数调整。

例如，第i次迭代训练时的网络参数是θ_i，利用网络参数θ_i进行网络训练之后确定的定位损失是L，则第i+1次迭代训练时的网络参数θ_i+1可以通过下述公式(6)确定：

其中，

表示梯度算子符号，γ是网络学习率。网络学习率γ的具体取值可以根据实际情况确定，例如，γ＝0.0001，本公开对此不作限定。

在一种可能的实现方式中，预设训练条件可以是网络收敛。例如，采用上述网络训练方法进行迭代训练，直至网络参数不再改变，可以认为网络达到收敛，确定得到训练后的人群定位神经网络。

在一种可能的实现方式中，预设训练条件可以是迭代阈值。例如，采用上述网络训练方法进行迭代训练，直至迭代次数达到迭代阈值，确定得到训练后的人群定位神经网络。

在一种可能的实现方式中，预设训练条件可以是定位阈值。例如，采用上述网络训练方法进行迭代训练，直至网络对应的定位准确率大于定位阈值，确定得到训练后的人群定位神经网络。

预设训练条件除了可以是上述网络收敛、迭代阈值，或定位阈值以外，还可以根据实际情况设置为其它训练条件，本公开对此不做具体限定。

图3示出根据本公开实施例的一种人群定位神经网络的示意图。如图3所示，人群定位神经网络30包括特征提取模块31、高斯邻域注意力模块32和定位预测模块33。

如图3所示，将需要进行人群定位的从人群视频片段中获取的至少两帧人群图像输入人群定位神经网络30，特征提取模块31对至少两帧人群图像进行特征提取，得到至少两个第一特征图；高斯邻域注意力32基于高斯邻域注意力机制，确定目标人群图像对应的目标第一特征图中，各目标像素点在至少两个第一特征图中对应的特征邻域，以及基于各目标像素点对应的特征邻域，对至少两个第一特征图进行融合，得到目标人群图像对应的第二特征图；定位预测模块33对第二特征图进行人群定位，得到用于指示目标人群图像中包括的人体的位置的目标定位图。特征提取模块31、高斯邻域注意力32和定位预测模块33的具体处理过程与上述相关描述类似，此处不再赘述。

在本公开实施例中，利用人群定位神经网络，在人群定位过程中，基于高斯邻域注意力机制进行特征融合，以使得融合后的特征图可以反映目标人群图像与其它非目标帧人群图像之间的时空关系，以使得利用融合后的特征图进行人群定位后，可以得到目标人群图像对应的准确率较高的目标定位图，从而有效提高了人群定位的准确率。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

此外，本公开还提供了人群定位装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种人群定位方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图4示出根据本公开实施例的一种人群定位装置的框图。如图4所示，装置40包括：

特征提取模块41，用于分别对从人群视频片段中获取的至少两帧人群图像进行特征提取，得到至少两个第一特征图；

特征邻域确定模块42，用于确定目标第一特征图中各目标像素点在至少两个第一特征图中对应的特征邻域，其中，目标第一特征图是与至少两帧人群图像中的目标人群图像对应的第一特征图；

特征融合模块43，用于基于各目标像素点对应的特征邻域，对至少两个第一特征图进行融合，得到目标人群图像对应的第二特征图；

人群定位模块44，用于根据第二特征图进行人群定位，得到目标人群图像对应的目标定位图，其中，目标定位图用于指示目标人群图像中包括的人体的位置。

在一种可能的实现方式中，特征邻域确定模块42，具体用于：

根据各目标像素点在目标第一特征图中的坐标，以及预设标准差，确定各目标像素点对应的二维高斯分布；

根据各目标像素点对应的二维高斯分布，分别在至少两个第一特征图中确定对应的特征邻域。

在一种可能的实现方式中，特征融合模块43，包括：

第一确定子模块，用于基于各目标像素点在至少两个第一特征图中对应的特征邻域，在至少两个第一特征图中分别确定各目标像素点对应的采样像素点；

第二确定子模块，用于根据各目标像素点以及各目标像素点对应的所述采样像素点，对至少两个第一特征图进行融合，得到第二特征图，其中，第二特征图和目标第一特征图具有相同的尺寸。

在一种可能的实现方式中，第二确定子模块，具体用于：

对各目标像素点与各目标像素点对应的采样像素点之间的点积进行归一化处理，得到各目标像素点对应的采样像素点的权重；

根据各目标像素点对应的采样像素点的权重，对各目标像素点对应的采样像素点进行加权求和，得到第二特征图。

在一种可能的实现方式中，人群定位模块44，包括：

人群定位子模块，用于根据第二特征图进行人群定位，得到第一定位概率图，其中，第一定位概率图用于指示目标人群图像中各目标像素点是人体的概率；

第三确定子模块，用于根据概率阈值，对第一定位概率图进行图像处理，得到目标定位图。

在一种可能的实现方式中，人群定位子模块，具体用于：

对第二特征图进行卷积处理，得到第三特征图；

对第三特征图进行转置卷积处理，得到第四特征图，其中，第四特征图和目标人群图像具有相同的尺寸；

对第四特征图进行卷积处理，得到第一定位概率图。

在一种可能的实现方式中，第三确定子模块，具体用于：

对第一定位概率图进行平均池化操作，得到均值池化图；

对均值池化图进行最大池化操作，得到最大池化图；

根据均值池化图和最大池化图，得到第二定位概率图；

根据概率阈值，对第二定位概率图进行阈值分割，得到目标定位图。

在一种可能的实现方式中，装置40通过人群定位神经网络实现人群定位方法，人群定位神经网络的训练样本包括人群样本视频片段和人群样本视频片段中的目标人群样本图像对应的真实定位图；

装置40还包括：网络训练模块，包括：

预测子模块，用于根据人群样本视频片段，通过人群定位神经网络，确定目标人群样本图像对应的预测定位概率图，其中，预测定位概率图用于指示目标人群样本图像中各像素点是人体的概率；

第四确定子模块，用于基于预测定位概率图与真实定位图，确定定位损失；

优化子模块，用于基于定位损失，优化人群定位神经网络。

在一种可能的实现方式中，预测子模块，具体用于：

分别对从人群样本视频片段中获取的至少两帧人群样本图像进行特征提取，得到至少两个第五特征图；

确定目标第五特征图中各像素点在至少两个第五特征图中对应的特征邻域，其中，目标第五特征图是目标人群样本图像对应的第五特征图；

基于各像素点在至少两个第五特征图中对应的特征邻域，对至少两个第五特征图进行融合，得到目标人群样本图像对应的第六特征图；

根据第六特征图进行人群定位，得到预测定位概率图。

在一种可能的实现方式中，第四确定子模块，具体用于：

根据预测定位概率图、真实定位图以及正样本权重，利用交叉熵损失函数，确定定位损失，其中，正样本权重是真实定位图中用于指示人体所在位置的像素点对应的权重。

在一种可能的实现方式中，装置40，还包括：

获取子模块，用于获取原始人群样本视频；

下采样子模块，用于对原始人群样本视频进行帧率下采样，得到人群样本视频片段，其中，人群样本视频片段的帧率小于阈值。

在一种可能的实现方式中，装置40，还包括：

第五确定子模块，用于确定目标人群样本图像对应的标注结果，其中，标注结果包括人体在目标人群样本图像中的坐标；

第六确定子模块，用于根据标注结果，确定真实定位图。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的人群定位方法的指令。

本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的人群定位方法的操作。

电子设备可以被提供为终端、服务器或其它形态的设备。

图5示出根据本公开实施例的一种电子设备的框图。如图5所示，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(3G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失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804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图6示出根据本公开实施例的一种电子设备的框图。如图6所示，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows Server^TM)，苹果公司推出的基于图形用户界面操作系统(Mac OSX^TM)，多用户多进程的计算机操作系统(Unix^TM),自由和开放原代码的类Unix操作系统(Linux^TM)，开放原代码的类Unix操作系统(FreeBSD^TM)或类似。

在示例性实施例中，还提供了一种非易失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1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (15)

1.一种人群定位方法，其特征在于，包括：

分别对从人群视频片段中获取的至少两帧人群图像进行特征提取，得到至少两个第一特征图；

确定目标第一特征图中各目标像素点在所述至少两个第一特征图中对应的特征邻域，其中，所述目标第一特征图是与所述至少两帧人群图像中的目标人群图像对应的第一特征图；

基于各目标像素点对应的所述特征邻域，对所述至少两个第一特征图进行融合，得到所述目标人群图像对应的第二特征图；

根据所述第二特征图进行人群定位，得到所述目标人群图像对应的目标定位图，其中，所述目标定位图用于指示所述目标人群图像中包括的人体的位置。

2.根据权利要求1所述的方法，其特征在于，所述确定目标第一特征图中各目标像素点在所述至少两个第一特征图中对应的特征邻域，包括：

根据各目标像素点在所述目标第一特征图中的坐标，以及预设标准差，确定各目标像素点对应的二维高斯分布；

根据各目标像素点对应的所述二维高斯分布，分别在所述至少两个第一特征图中确定对应的所述特征邻域。

3.根据权利要求1或2所述的方法，其特征在于，所述基于各目标像素点对应的所述特征邻域，对所述至少两个第一特征图进行融合，得到所述目标人群图像对应的第二特征图，包括：

基于各目标像素点在所述至少两个第一特征图中对应的所述特征邻域，在所述至少两个第一特征图中分别确定各目标像素点对应的采样像素点；

根据各目标像素点以及各目标像素点对应的所述采样像素点，对所述至少两个第一特征图进行融合，得到所述第二特征图，其中，所述第二特征图和所述目标第一特征图具有相同的尺寸。

4.根据权利要求3所述的方法，其特征在于，所述根据各目标像素点以及各目标像素点对应的所述采样像素点，对所述至少两个第一特征图进行融合，得到所述第二特征图，包括：

对各目标像素点与各目标像素点对应的所述采样像素点之间的点积进行归一化处理，得到各目标像素点对应的所述采样像素点的权重；

根据各目标像素点对应的所述采样像素点的权重，对各目标像素点对应的所述采样像素点进行加权求和，得到所述第二特征图。

5.根据权利要求1至4中任意一项所述的方法，其特征在于，所述根据所述第二特征图进行人群定位，得到所述目标人群图像对应的目标定位图，包括：

根据所述第二特征图进行人群定位，得到第一定位概率图，其中，所述第一定位概率图用于指示所述目标人群图像中各目标像素点是人体的概率；

根据概率阈值，对所述第一定位概率图进行图像处理，得到所述目标定位图。

6.根据权利要求5所述的方法，其特征在于，所述根据所述第二特征图进行人群定位，得到第一定位概率图，包括：

对所述第二特征图进行卷积处理，得到第三特征图；

对所述第三特征图进行转置卷积处理，得到第四特征图，其中，所述第四特征图和所述目标人群图像具有相同的尺寸；

对所述第四特征图进行卷积处理，得到所述第一定位概率图。

7.根据权利要求5或6所述的方法，其特征在于，所述根据概率阈值，对所述第一定位概率图进行图像处理，得到所述目标定位图，包括：

对所述第一定位概率图进行平均池化操作，得到均值池化图；

对所述均值池化图进行最大池化操作，得到最大池化图；

根据所述均值池化图和所述最大池化图，得到第二定位概率图；

根据所述概率阈值，对所述第二定位概率图进行阈值分割，得到所述目标定位图。

8.根据权利要求1至7中任意一项所述的方法，其特征在于，所述人群定位方法通过人群定位神经网络实现，所述人群定位神经网络的训练样本包括人群样本视频片段和所述人群样本视频片段中的目标人群样本图像对应的真实定位图；

所述人群定位神经网络的训练方法如下：

根据所述人群样本视频片段，通过所述人群定位神经网络，确定所述目标人群样本图像对应的预测定位概率图，其中，所述预测定位概率图用于指示所述目标人群样本图像中各像素点是人体的概率；

基于所述预测定位概率图与所述真实定位图，确定定位损失；

基于所述定位损失，优化所述人群定位神经网络。

9.根据权利要求8所述的方法，其特征在于，所述根据所述人群样本视频片段，通过所述人群定位神经网络，确定所述目标人群样本图像对应的预测定位概率图，包括：

分别对从所述人群样本视频片段中获取的至少两帧人群样本图像进行特征提取，得到至少两个第五特征图；

确定目标第五特征图中各像素点在所述至少两个第五特征图中对应的特征邻域，其中，所述目标第五特征图是所述目标人群样本图像对应的第五特征图；

基于各像素点对应的所述特征邻域，对所述至少两个第五特征图进行融合，得到所述目标人群样本图像对应的第六特征图；

根据所述第六特征图进行人群定位，得到所述预测定位概率图。

10.根据权利要求8或9所述的方法，其特征在于，所述基于所述预测定位概率图和所述真实定位图，确定定位损失，包括：

根据所述预测定位概率图、所述真实定位图以及正样本权重，利用交叉熵损失函数，确定所述定位损失，其中，所述正样本权重是所述真实定位图中用于指示人体所在位置的像素点对应的权重。

11.根据权利要求8至10中任意一项所述的方法，其特征在于，所述方法还包括：

获取原始人群样本视频；

对所述原始人群样本视频进行帧率下采样，得到所述人群样本视频片段，其中，所述人群样本视频片段的帧率小于阈值。

12.根据权利要求8至11中任意一项所述的方法，其特征在于，所述方法还包括：

确定所述目标人群样本图像对应的标注结果，其中，所述标注结果包括人体在所述目标人群样本图像中的坐标；

根据所述标注结果，确定所述真实定位图。

13.一种人群定位装置，其特征在于，包括：

特征提取模块，用于分别对从人群视频片段中获取的至少两帧人群图像进行特征提取，得到至少两个第一特征图；

特征邻域确定模块，用于确定目标第一特征图中各目标像素点在所述至少两个第一特征图中对应的特征邻域，其中，所述目标第一特征图是与所述至少两帧人群图像中的目标人群图像对应的第一特征图；

特征融合模块，用于基于各目标像素点对应的所述特征邻域，对所述至少两个第一特征图进行融合，得到所述目标人群图像对应的第二特征图；

人群定位模块，用于根据所述第二特征图进行人群定位，得到所述目标人群图像对应的目标定位图，其中，所述目标定位图用于指示所述目标人群图像中包括的人体的位置。

14.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至12中任意一项所述的方法。

15.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至12中任意一项所述的方法。

Images