CN113343790A - 一种交通枢纽的客流统计方法、装置及存储介质 - Google Patents

Abstract

本申请实施例提供一种交通枢纽的客流统计方法、装置及存储介质，该方法包括：获取布置于交通枢纽处的监控摄像头所采集的监控图像；利用人群密度检测模型对所述监控图像进行处理，获得人群密度图；根据所述人群密度图获得所述监控图像中的客流人数。采用本技术方案，能够有效对交通枢纽的客流人数进行统计，有利于支撑客流调控、安全预警、拥堵防范与疏导等基础措施，进而预防不良事件的发生。

Description

一种交通枢纽的客流统计方法、装置及存储介质

技术领域

本申请涉及图像处理技术领域，具体地，涉及一种交通枢纽的客流统计方法、装置及存储介质。

背景技术

随着我国城市化进程的平稳推进和社会发展的逐步加速，交通枢纽客流量过大对运营管理带来的压力以及引发的各类安全问题日益突出。庞大的客运负担，必然伴有车站口和候车厅客流大、人群拥挤、危险系数高、危险防控难度大等隐患，尤其在节假日、上下班高峰期、大型活动期间、春运暑运等特殊时段，在人群密集的重要交通枢纽地带，一旦发生偷盗事件或踩踏事件，所产生的后果将不可估量。客流统计可以支撑交通枢纽的客流调控、安全预警、拥堵防范与疏导等管理措施，而截至目前，尚没有发现对交通枢纽的客流人数进行统计的方法。

发明内容

本申请实施例提供一种交通枢纽的客流统计方法、装置及存储介质，以解决如何对交通枢纽的客流人数进行统计的问题。

第一方面，本申请实施例提供一种交通枢纽的客流统计方法，包括：获取布置于交通枢纽处的监控摄像头所采集的监控图像；利用人群密度检测模型对所述监控图像进行处理，获得人群密度图；根据所述人群密度图获得所述监控图像中的客流人数。

第二方面，本申请实施例提供一种交通枢纽的客流统计装置，包括：图像获取模块，用于获取布置于交通枢纽处的监控摄像头所采集的监控图像；密度图生成模块，用于利用人群密度检测模型对所述监控图像进行处理，获得人群密度图；客流统计模块，用于根据所述人群密度图获得所述监控图像中的客流人数。

第三方面，本申请实施例提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面所述的方法。

本技术方案借助布置于交通枢纽处的监控摄像头所采集的监控图像，利用人群检测模型对采集的监控图像进行处理，获得表征人群密度的密度图，并基于密度图实现客流人数的统计，该方法可以获得当前交通枢纽的人群密度图和客流人数的统计结果，其中，人数统计结果能够反映监控区域内的实时人数，人群密度图能够反映监控区域内的人群分布情况，因此，该方案实现了对交通枢纽的分区域人数实时监控，同时也有利于对各个区域的人群分布进行监控。此外，该方案利用交通枢纽的现有监控设备，无需增加额外成本，实施起来方便、快捷。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，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。在附图中：

图1示出了本申请实施例提供的交通枢纽的客流统计方法的流程图；

图2示出了本申请实施例提供的客流统计方法的步骤120的具体流程图；

图3示出本申请实施例中人群密度检测模型的一种具体网络结构的示意图；

图4示出了本申请实施例提供的客流统计方法的步骤121的具体流程图；

图5示出了本申请实施例提供的客流统计方法的步骤122的具体流程图；

图6示出了在不同膨胀率的情况下膨胀卷积层的感受野示意图；

图7示出了本申请实施例提供的交通枢纽的客流统计装置的示意图。

具体实施方式

以下结合附图对本申请的示例性实施例进行详细说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

为解决交通枢纽的客流统计问题，本申请实施例提供一种交通枢纽的客流统计方法，该方法借助布置于交通枢纽处的监控摄像头所采集的监控图像，利用神经网络模型实现客流统计。图1示出了该客流统计方法的流程图，请参照图1，该方法包括如下步骤：

步骤110，获取布置于交通枢纽处的监控摄像头所采集的监控图像。

步骤120，利用人群密度检测模型对监控图像进行处理，获得人群密度图。

考虑到原始监控图像的图像信息会受到现场光照的干扰，影响图像中的人头特征，因此，在步骤120中，可先对监控图像进行图像灰度化处理，得到该监控图像对应的灰度图像，并将灰度图像输入至人群密度检测模型中，后续所有处理均是基于该灰度图像进行，从而减少光照对模型计算的影响。

当然，也可以直接将监控图像输入到人群密度检测模型来获得人群密度图。

步骤130，根据该人群密度图获得监控图像中的客流人数。

在获得人群密度图后，对密度图进行积分即可得到监控图像中的客流人数。

可以理解的，传统交通枢纽的客流人数统计是通过刷卡的方式记录人次，只能做到对交通枢纽内所有区域的人数进行统计，且这种统计无法真正做到实时。本实施例借助布置于交通枢纽处的监控摄像头所采集的监控图像，利用人群检测模型对采集的监控图像进行处理，获得表征人群密度的密度图，并基于密度图实现客流人数的统计，该方法可以获得当前交通枢纽的人群密度图和客流人数的统计结果，其中，人数统计结果能够反映监控区域内的实时人数，人群密度图能够反映监控区域内的人群分布情况，因此，该方案实现了对交通枢纽的分区域人数实时监控，同时也有利于对各个区域的人群分布进行监控。此外，该方案利用交通枢纽的现有监控设备，无需增加额外成本，实施起来方便、快捷。

进一步的，在获得人群密度图和客流人数后，可对人群密度图和客流人数进行展示，使工作人员能够掌握当前交通枢纽内的各监控区域的实时客流人数及人群分布情况，便于及时进行客流调控、安全预警、拥堵防范与疏导等管理。

在具体的实施例中，人群密度检测模型包括依次连接的前端网络、特征金字塔网络和后端网络，其中，前端网络用于对输入图像(可能是原始的监控图像，也可能是监控图像对应的灰度图像)进行升维的特征提取，特征金字塔网络用于对前端网络输出的特征图进行多尺度变换，以融合不同尺度的特征，增加对输入图像中人头目标的尺度适应性，后端网络用于对特征金字塔网络输出的特征图进行降维的特征提取，并基于获得的特征生成人群密度图。

请参照图2，步骤120中利用人群密度检测模型对监控图像进行处理的过程包括：

步骤121，利用前端网络对输入图像进行特征提取，得到第一特征图。

步骤122，利用特征金字塔网络对第一特征图进行尺度变化，得到不同尺度的尺度特征图，并将不同尺度的尺度特征图进行融合，得到第二特征图。

步骤123，利用后端网络对第二特征图进行特征提取，得到第三特征图，并通过高斯核函数对第三特征图进行卷积运算，得到人群密度图。

在本实施例的人群密度检测模型中，前端网络包括依次连接的K级卷积，K≥3，其中，第k级卷积的输入与第k级卷积的输出跳跃连接，k∈[2,K]。

具体的，当K＝4时，前端网络包括第1级卷积、第2级卷积、第3级卷积和第4级卷积，第2级卷积的输入与第2级卷积的输出跳跃连接，第3级卷积的输入与第3级卷积的输出跳跃连接，第4级卷积的输入与第4级卷积的输出跳跃连接，通过跳跃连接，使得第2级卷积的输入与第2级卷积的输出叠加后作为第3级卷积的输入，第3级卷积的输入与第3级卷积的输出叠加后作为第4级卷积的输入，第4级卷积的输入与第4级卷积的输出叠加后作为前端网络的输出。

在更具体的实施例中，第1级卷积包括依次连接的i个第一卷积层，第2级卷积包括依次连接的第一池化层和j个第二卷积层，第3级卷积包括依次连接的第二池化层和m个第三卷积层，第4级卷积包括依次连接的第三池化层和n个第四卷积层。

图3示出了本申请实施例中人群密度检测模型的一种具体网络结构的示意图。在具体实施时，可以选择VGG-16网络的前10层卷积层和3层池化层作为前端网络，因此，如图3所示，本实施例中的前端网络包括依次连接的2个第一卷积层、第一池化层、2个第二卷积层、第二池化层、3个第三卷积层、第三池化层以及3个第四卷积层。

图4示出了在步骤121中前端网络对输入图像的处理过程的流程图，请参照图4，该过程具体包括：

步骤210，利用依次连接的i个第一卷积层对输入图像进行相应的卷积运算，得到第一子特征图。

步骤220，利用依次连接的第一池化层及j个第二卷积层对第一子特征图进行相应的池化及卷积运算，得到第二子特征图。

其中，第一池化层对第一子特征图进行相应的池化运算，第二卷积层对输入至本层的特征图进行相应的卷积运算。

步骤230，将第一子特征图与第二子特征图叠加，得到第三子特征图。

步骤240，利用依次连接的第二池化层和m个第三卷积层对第三子特征图进行相应的池化及卷积运算，得到第四子特征图。

其中，第二池化层对第三子特征图进行相应的池化运算，第三卷积层对输入至本层的特征图进行相应的卷积运算。

步骤250，将第三子特征图与第四子特征图叠加，得到第五子特征图。

步骤260，利用依次连接的第三池化层和n个第四卷积层对第五子特征图进行相应的池化及卷积运算，得到第六子特征图。

其中，第三池化层对第五子特征图进行相应的池化运算，第四卷积层对输入至本层的特征图进行相应的卷积运算。

步骤270，将第五子特征图与第六子特征图叠加，得到第一特征图。

以图3所示的网络结构为例对上述过程进行说明：

首先，大小为224*224*3的监控图像或灰度图像输入至前端网络，其中，224*224为输入图像的尺寸，3为输入图像的通道数。i个第一卷积层包括卷积层1和卷积层2，卷积核大小为3*3。卷积层1对输入图像进行卷积运算，输出大小为224*224*64的特征图。卷积层2对卷积层1输出的特征图进行通道数不变的卷积运算，输出大小为224*224*64的第一子特征图。

卷积层2输出的第一子特征图输入至池化层1，池化层1对第一子特征图进行池化处理，得到大小为112*112*128的特征图，特征图通道数由64变化为128。j个第二卷积层包括卷积层3和卷积层4，卷积核大小为3*3。卷积层3和卷积层4依次进行通道数不变的卷积运算，并由卷积层4输出大小为112*112*128的第二子特征图。

利用卷积层2与卷积层4之间的跳连结构，将第一子特征图与第二子特征图叠加，得到第三子特征图，第三子特征图作为池化层2的输入。

第三子特征图输入至池化层2，池化层2对第三子特征图进行池化处理，得到大小为56*56*256的特征图，特征图通道数由128变化为256。m个第三卷积层包括卷积层5、卷积层6和卷积层7，卷积核大小为3*3。卷积层5、卷积层6和卷积层7依次进行通道数不变的卷积运算，并由卷积层7输出大小为56*56*256的第四子特征图。

利用池化层2与卷积层7之间的跳连结构，将第三子特征图与第四子特征图叠加，得到第五子特征图，第五子特征图作为池化层3的输入。

第五子特征图输入至池化层3，池化层3对第五子特征图进行池化处理，得到大小为28*28*512的特征图，特征图通道数由256变化为512。n个第四卷积层包括卷积层8、卷积层9和卷积层10，卷积核大小为3*3。卷积层8、卷积层9和卷积层10依次进行通道数不变的卷积运算，并由卷积层10输出大小为28*28*512的第六子特征图。

利用池化层3与卷积层10之间的跳连结构，将第五子特征图与第六子特征图叠加，叠加后的特征图为第一特征图，第一特征图即作为前端网络的输出。

在本实施例中，通过在前端网络的网络层之间设置跳连结构，相比传统单列卷积网络，跳连结构在没有增加网络参数量的同时，使前端网络学习输入和输出之间的残差，跳连结构的加入加快了前端网络的训练速度，同时，由于输入和输出的残差最小为0，当残差为0时，残差连接的网络相当于恒等映射，网络即使学习不到新特征，也不会退化及降低网络性能。

图5示出了在步骤122中特征金字塔网络对第一特征图的处理过程的流程图，请参照图5，该过程具体包括：

步骤310，利用第四池化层对第一特征图分别进行不同尺度的池化处理，得到不同尺度的尺度特征图。

步骤320，分别对每个尺度特征图进行卷积运算以及上采样处理，使各尺度特征图的尺度变换为与第一特征图的尺度相同，得到多个分支特征图。

步骤330，将多个分支特征图进行特征聚合，得到第二特征图。

仍以图3所示的网络结构为例对上述过程进行说明：

如图3所示，第四池化层可以为平均池化层。首先，前端网络输出的第一特征图输入至平均池化层中，平均池化层使用不同大小的池化窗口作用于第一特征图，得到如图3所示的四个不同尺度的尺度特征图，尺度分别为1*1、2*2、3*3及6*6，平均池化层不改变特征图通道数，四个尺度特征图的通道数均为512。

利用卷积层分别对每个尺度特征图进行卷积运算，并对卷积后的特征进行上采样处理，使各尺度特征图的尺度均被上采样至28*28，尺度大小与第一特征图的尺度相同，从而得到四个分支特征图，各分支特征图的大小为28*28*512。

将四个分支特征图进行特征聚合。可选的，通过特征联结操作将四个分支特征图进行联结，得到大小为28*28*2048的特征图，再通过1*1的卷积层将特征降维到28*28*512，得到第二特征图。

在本实施例中，通过在前端网络和后端网络之间设置特征金字塔网络，将前端网络输出的第一特征图变换为不同尺度的特征图，并分别在这些特征图上进行卷积操作，学习第一特征图中的多尺度信息，相较于直接将前端网络与后端网络连接，特征金字塔网络的加入增加了人群密度检测模型对输入图像中人头目标的尺度适应性，由于增加了多尺度特征信息，提高了网络的性能表现，降低了网络模型的计数误差。

可选的，本实施例采用膨胀卷积神经网络和一个1*1的普通卷积层作为后端网络，膨胀卷积神经网络包括依次连接的多个膨胀卷积层，膨胀卷积层能够在保持图像尺寸不变的情况下扩大感受野，以生成高质量的人群密度图。其中，定义膨胀卷积层的卷积运算如下所示：

x(m,n)是长宽分别为M和N的输入图像信息，经过卷积核w(i,j)得到膨胀卷积层的输出为y(m,n)，其中，参数r表示膨胀率。如果r＝1则膨胀卷积为普通卷积。实验证明，膨胀卷积层利用稀疏的卷积核，在没有增加网络参数和计算规模的前提下，增大了感受野，更适合人群密度估计任务。对此，普通卷积则需要增加卷积核尺寸才能获得更大的感受野，这无疑会增加更多的数据操作，降低识别速度。膨胀率为r的膨胀卷积操作，K*K的卷积核会被扩大为[K+(K-1)(r-1)]*[K+(K-1)(r-1)]。图6中以卷积核大小为3*3的感受野为例，展示了在膨胀率为2、3的情况下，膨胀卷积层的感受野分别被扩大为5*5和7*7。

在膨胀卷积神经网络的最后，采用一层1*1的普通卷积层对特征图进行降维操作并通过高斯核函数生成人群密度图。

如图3所示，膨胀卷积神经网络中包括六个膨胀卷积层，本实施例实验了不同膨胀率的膨胀卷积层，将六个膨胀卷积层的膨胀率分别设置为全1、全2、2和4、全4，具体设置如下表一所示，其中，表中显示的膨胀卷积层的参数被表示成“conv(卷积核大小)-(通道数)-(膨胀率)”。通过在Shanghai Tech公共数据集上验证，得出膨胀率全为2的膨胀卷积神经网络的效果要好于其他三种膨胀率所形成的膨胀卷积神经网络，具体对比实验结果如下表二所示，所以，本实施例中的膨胀卷积神经网络采用膨胀率全为2的膨胀卷积层。

表一膨胀卷积神经网络结构

网络A	网络B	网络C	网络D
				conv3-512-1	conv3-512-2	conv3-512-2	conv3-512-4
conv3-512-1	conv3-512-2	conv3-512-2	conv3-512-4
				conv3-512-1	conv3-512-2	conv3-512-2	conv3-512-4
conv3-256-1	conv3-256-2	conv3<sub>-</sub>256-4	conv3<sub>-</sub>256-4
				conv3-128-1	conv3-128-2	conv3-128-4	conv3-128-4
conv3-64-1	conv3-64-2	conv3-64-4	conv3-64-4

表二膨胀卷积神经网络结构对比实验结果

	MAE(均方误差)	MSE(平均绝对误差)
			网络A	69.70	116.00
网络B	68.20	115.00
			网络C	71.91	120.58
网络D	75.81	120.82

如图3所示，特征金字塔网络输出的第二特征图输入至第一个膨胀卷积层，第一个膨胀卷积层进行卷积运算，输出大小为28*28*512的特征图，第二个膨胀卷积层和第三个膨胀卷积层依次进行通道数不变的卷积运算，第三个膨胀卷积层输出大小为28*28*512的特征图，第四个膨胀卷积层进行卷积运算，输出大小为28*28*256的特征图，第五个膨胀卷积层进行卷积运算，输出大小为28*28*128的特征图，第六个膨胀卷积层进行卷积运算，输出大小为28*28*64的特征图，该特征图为第三特征图，第三特征图输入至卷积核大小为1*1的普通卷积层中，该普遍卷积层通过高斯核函数对第三特征图进行卷积运算，生成并输出大小为28*28*1的人群密度图。

可选的，本实施例上述步骤中的人群密度检测模型是根据当前交通枢纽的客流属性，从预先训练的密集人群检测模型和稀疏人群检测模型中确定的；其中，密集人群检测模型用于对人群密集型的交通枢纽的监控图像进行处理，稀疏人群检测模型用于对人群稀疏型的交通枢纽的监控图像进行处理。

可以理解的，人群密集和稀疏的场景下，图像中的人群分布存在区别，对于人群密集型的交通枢纽，使用密集人群检测模型来进行客流统计的效果会优于稀疏人群检测模型。因此，本方案具体实施时，可以根据实际应用场景选择更为有效的模型，例如当前交通枢纽为某地铁站，该地铁站内的人数通常不会太多，且地铁站内监控摄像头的拍摄范围不会覆盖很大的面积，所以，监控图像中的人头比较清晰，可以使用稀疏人群检测模型，又例如当前交通枢纽为火车站，由于火车站内的人数较多，且火车站广场区域的监控摄像头的拍摄范围较广，图像中人群较为密集，可以使用密集人群检测模型。

进一步的，在生成人群密度图时，需要考虑到透视畸变对人头大小的影响。简单而言，监控摄像头一般布置在交通枢纽的较高处，在采集监控图像时，距离摄像头越远的人头在图像上显得越小，即距离镜头近的人头较大，占用的空间像素点较多，而距离镜头远的人头较小，占用的空间像素点较少。因此，对于人群密集场景，在密集人群检测模型中，基于几何适应的高斯核函数生成人群密度图，如根据图像中每个人头部大小来自适应确定高斯核参数σ。而在人群稀疏场景下，监控图像中人头的大小差别不大，在稀疏人群检测模型中，可基于高斯核参数固定的高斯核函数σ生成人群密度图，能够在不影响计数效果的前提下降低参数量，例如σ＝15。

由于设置有密集人群检测模型和稀疏人群检测模型共两个模型，故在训练模型时，需利用不同的训练集分别训练两个模型。

具体的训练过程包括：获取第一初始检测模型和第二初始检测模型；获取第一训练集和第二训练集；其中，第一训练集包含人群密集的训练图片，第二训练集包含人群稀疏的训练图片；利用第一训练集对第一初始检测模型进行训练，得到密集人群检测模型；利用第二训练集对第二初始检测模型进行训练，得到稀疏人群检测模型。

第一初始检测模型和第二初始检测模型均包括依次连接的前端网络、特征金字塔网络和后端网络，其具体网络结构可参照图3所示的示意图。

可选的，第一训练集和第二训练集可以由公共数据集得到。例如，获取公共数据集(ShanghaiTech数据集)，将ShanghaiTech数据集中的图像按照人群的密集程度划分到第一训练集和第二训练集中，其中，人群密集的图像被分到第一训练集中，人群稀疏的图像被分到第二训练集中。

在对第一初始检测模型和第二初始检测模型进行训练时，其中前端网络中10个卷积层的参数可直接加载预训练的VGG-16网络的对应参数，进行微调训练即可。对于其他卷积层，采用0.01作为标准偏差，进行参数的高斯初始化。

在训练过程中，可采用均方误差(MSE)和平均绝对误差(MAE)评估模型的训练结果，其中，MSE反映模型误差的波动情况，用来判断输出结果的误差是否稳定，MAE用来描述模型的准确度，MAE越小则准确度越高。当满足训练停止条件时，停止训练过程，此时可得到所需的密集人群检测模型和稀疏人群检测模型。

综上所述，本申请实施例提供的交通枢纽的客流统计方法至少具有如下技术效果：(1)针对输入图像中人头尺寸不一的情况，采用几何适应的高斯核函数生成人群密度图，使得到的密度图更符合实际场景；(2)设置跳连结构，相比传统单列卷积网络，跳连结构在没有增加网络参数量的同时，使前端网络学习输入和输出之间的残差，有利于优化网络效果；(3)设置特征金字塔网络，有利于提取图像中的多尺度特征信息；(3)通过膨胀卷积来增加卷积核的感受野，以减少由池化导致的空间信息损失；(4)使用人群密度图进行客流人群的计数，降低了因遮挡严重而造成的统计误差，同时，密度图可以为人群的具体分布提供更为直观的视觉感受。

在获得客流人数的统计结果后，还可通过大量统计结果对具体某车站某时间段的人数进行分析，从而得到城市哪个车站的人数最多，车站在什么时间段的人数最多等信息，依据得到的统计信息对车站安保工作进行分时段规划，针对人数多的车站制定相应的计划和措施，防止恶性事件的发生。同时，网络输出的人群密度图也可以帮助了解摄像范围内哪个区域人更集中，依此可通过建立警示牌、实时显示警示信息等进行提醒，预防不良事件的发生。

基于同一发明构思，本申请实施例提供一种交通枢纽的客流统计装置，请参照图7，该装置包括：图像获取模块410、密度图生成模块420和客流统计模块430。其中，图像获取模块410用于获取布置于交通枢纽处的监控摄像头所采集的监控图像；密度图生成模块420用于利用人群密度检测模型对所述监控图像进行处理，获得人群密度图；客流统计模块430用于根据所述人群密度图获得所述监控图像中的客流人数。

可选的，所述人群密度检测模型包括前端网络、特征金字塔网络和后端网络，所述前端网络的输出与所述特征金字塔网络的输入连接，所述特征金字塔网络的输出与所述后端网络的输入连接；所述特征金字塔网络用于对特征图进行尺度变化，并将不同尺度的特征图进行融合。

可选的，密度图生成模块420包括：前端网络处理模块，用于利用前端网络对所述监控图像进行特征提取，得到第一特征图；多尺度变换模块，用于利用特征金字塔网络对所述第一特征图进行尺度变化，得到不同尺度的尺度特征图，并将不同尺度的尺度特征图进行融合，得到第二特征图；后端网络处理模块，用于利用后端网络对所述第二特征图进行特征提取，得到第三特征图，并通过高斯核函数对第三特征图进行卷积运算，得到所述人群密度图。

可选的，所述前端网络包括依次连接的K级卷积，K≥3，其中，第k级卷积的输入与所述第k级卷积的输出跳跃连接，k∈[2,K]。

可选的，第1级卷积包括依次连接的i个第一卷积层，第2级卷积包括依次连接的第一池化层和j个第二卷积层，第3级卷积包括依次连接的第二池化层和m个第三卷积层，第4级卷积包括依次连接的第三池化层和n个第四卷积层；前端网络处理模块具体用于：利用依次连接的i个第一卷积层对所述监控图像进行相应的卷积运算，得到第一子特征图；利用依次连接的第一池化层及j个第二卷积层对所述第一子特征图进行相应的池化及卷积运算，得到第二子特征图；将所述第一子特征图与所述第二子特征图叠加，得到第三子特征图；利用依次连接的第二池化层和m个第三卷积层对所述第三子特征图进行相应的池化及卷积运算，得到第四子特征图；将所述第三子特征图与所述第四子特征图叠加，得到第五子特征图；利用依次连接的第三池化层和n个第四卷积层对所述第五子特征图进行相应的池化及卷积运算，得到第六子特征图；将所述第五子特征图与所述第六子特征图叠加，得到所述第一特征图。

可选的，多尺度变换模块具体用于：利用第四池化层对所述第一特征图分别进行不同尺度的池化处理，得到不同尺度的尺度特征图；分别对每个尺度特征图进行卷积运算以及上采样处理，使各尺度特征图的尺度变换为与所述第一特征图的尺度相同，得到多个分支特征图；将多个分支特征图进行特征聚合，得到所述第二特征图。

可选的，所述人群密度检测模型是根据所述交通枢纽的客流属性从预先训练的密集人群检测模型和稀疏人群检测模型中确定的；其中，密集人群检测模型用于对人群密集型的交通枢纽的监控图像进行处理，稀疏人群检测模型用于对人群稀疏型的交通枢纽的监控图像进行处理。

可选的，该装置还包括：模型训练模块，用于：获取第一初始检测模型和第二初始检测模型；获取第一训练集和第二训练集；其中，所述第一训练集包含人群密集的训练图片，所述第二训练集包含人群稀疏的训练图片；利用第一训练集对第一初始检测模型进行训练，得到密集人群检测模型；利用第二训练集对第二初始检测模型进行训练，得到稀疏人群检测模型。

可选的，所述密集人群检测模型是基于几何适应的高斯核函数生成人群密度图；所述稀疏人群检测模型是基于高斯核参数固定的高斯核函数生成人群密度图。

可选的，前端网络处理模块用于对所述监控图像进行图像灰度化处理，得到所述监控图像对应的灰度图像；将所述灰度图像输入至所述人群密度检测模型中，以获得所述人群密度图。

可以理解，本实施例中的交通枢纽的客流统计装置，其实现原理及产生的技术效果在前述方法实施例中已经介绍，为简要描述，该交通枢纽的客流统计装置中未提及之处可以参照交通枢纽的客流统计方法中的相应描述。

本申请实施例还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行本实施例提供的交通枢纽的客流统计方法。

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。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (12)

1.一种交通枢纽的客流统计方法，其特征在于，包括：

获取布置于交通枢纽处的监控摄像头所采集的监控图像；

利用人群密度检测模型对所述监控图像进行处理，获得人群密度图；

根据所述人群密度图获得所述监控图像中的客流人数。

2.根据权利要求1所述的方法，其特征在于，所述人群密度检测模型包括前端网络、特征金字塔网络和后端网络，所述前端网络的输出与所述特征金字塔网络的输入连接，所述特征金字塔网络的输出与所述后端网络的输入连接；所述特征金字塔网络用于对特征图进行尺度变化，并将不同尺度的特征图进行融合。

3.根据权利要求2所述的方法，其特征在于，所述利用人群密度检测模型对所述监控图像进行处理，获得人群密度图，包括：

利用前端网络对所述监控图像进行特征提取，得到第一特征图；

利用特征金字塔网络对所述第一特征图进行尺度变化，得到不同尺度的尺度特征图，并将不同尺度的尺度特征图进行融合，得到第二特征图；

利用后端网络对所述第二特征图进行特征提取，得到第三特征图，并通过高斯核函数对第三特征图进行卷积运算，得到所述人群密度图。

4.根据权利要求3所述的方法，其特征在于，所述前端网络包括依次连接的K级卷积，K≥3，其中，第k级卷积的输入与所述第k级卷积的输出跳跃连接，k∈[2,K]。

5.根据权利要求4所述的方法，其特征在于，第1级卷积包括依次连接的i个第一卷积层，第2级卷积包括依次连接的第一池化层和j个第二卷积层，第3级卷积包括依次连接的第二池化层和m个第三卷积层，第4级卷积包括依次连接的第三池化层和n个第四卷积层；所述利用前端网络对所述监控图像进行特征提取，得到第一特征图，包括：

利用依次连接的i个第一卷积层对所述监控图像进行相应的卷积运算，得到第一子特征图；

利用依次连接的第一池化层及j个第二卷积层对所述第一子特征图进行相应的池化及卷积运算，得到第二子特征图；

将所述第一子特征图与所述第二子特征图叠加，得到第三子特征图；

利用依次连接的第二池化层和m个第三卷积层对所述第三子特征图进行相应的池化及卷积运算，得到第四子特征图；

将所述第三子特征图与所述第四子特征图叠加，得到第五子特征图；

利用依次连接的第三池化层和n个第四卷积层对所述第五子特征图进行相应的池化及卷积运算，得到第六子特征图；

将所述第五子特征图与所述第六子特征图叠加，得到所述第一特征图。

6.根据权利要求3所述的方法，其特征在于，所述利用特征金字塔网络对所述第一特征图进行尺度变化，得到不同尺度的尺度特征图，并将不同尺度的尺度特征图进行融合，得到第二特征图，包括：

利用第四池化层对所述第一特征图分别进行不同尺度的池化处理，得到不同尺度的尺度特征图；

分别对每个尺度特征图进行卷积运算以及上采样处理，使各尺度特征图的尺度变换为与所述第一特征图的尺度相同，得到多个分支特征图；

将多个分支特征图进行特征聚合，得到所述第二特征图。

7.根据权利要求1所述的方法，其特征在于，所述人群密度检测模型是根据所述交通枢纽的客流属性从预先训练的密集人群检测模型和稀疏人群检测模型中确定的；其中，密集人群检测模型用于对人群密集型的交通枢纽的监控图像进行处理，稀疏人群检测模型用于对人群稀疏型的交通枢纽的监控图像进行处理。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

获取第一初始检测模型和第二初始检测模型；

获取第一训练集和第二训练集；其中，所述第一训练集包含人群密集的训练图片，所述第二训练集包含人群稀疏的训练图片；

利用第一训练集对第一初始检测模型进行训练，得到密集人群检测模型；

利用第二训练集对第二初始检测模型进行训练，得到稀疏人群检测模型。

9.根据权利要求7所述的方法，其特征在于，所述密集人群检测模型是基于几何适应的高斯核函数生成人群密度图；所述稀疏人群检测模型是基于高斯核参数固定的高斯核函数生成人群密度图。

10.根据权利要求1所述的方法，其特征在于，所述利用人群密度检测模型对所述监控图像进行处理，获得人群密度图，包括：

对所述监控图像进行图像灰度化处理，得到所述监控图像对应的灰度图像；

将所述灰度图像输入至所述人群密度检测模型中，以获得所述人群密度图。

11.一种交通枢纽的客流统计装置，其特征在于，包括：

图像获取模块，用于获取布置于交通枢纽处的监控摄像头所采集的监控图像；

密度图生成模块，用于利用人群密度检测模型对所述监控图像进行处理，获得人群密度图；

客流统计模块，用于根据所述人群密度图获得所述监控图像中的客流人数。

12.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1-10任一项所述的方法。

Images