CN113674221A - 对象计数方法、装置、计算机设备和存储介质 - Google Patents

对象计数方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113674221A
CN113674221A CN202110862767.5A CN202110862767A CN113674221A CN 113674221 A CN113674221 A CN 113674221A CN 202110862767 A CN202110862767 A CN 202110862767A CN 113674221 A CN113674221 A CN 113674221A
Authority
CN
China
Prior art keywords
counted
processed
gait
counting
video
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110862767.5A
Other languages
English (en)
Inventor
巩海军
潘华东
殷俊
张兴明
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202110862767.5A priority Critical patent/CN113674221A/zh
Publication of CN113674221A publication Critical patent/CN113674221A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20081—Training; Learning
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (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)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及视频处理领域，特别是涉及一种对象计数方法、装置、计算机设备和存储介质，所述方法包括：基于包含待统计对象的待处理视频，确定所述待统计对象是否进入统计区域；若确定待统计对象进入所述统计区域，则对所述待统计对象的步态特征进行特征提取，获取待处理步态特征；基于待处理步态特征与各参考步态特征的匹配程度，确定是否针对所述待统计对象进行计数；所述参考步态特征包括进入所述统计区域的历史对象的步态特征。本发明利用待统计对象的待处理步态特征与各参考步态特征的比较，对重复进入统计区域的待统计对象不进行重复计数，提高对象计数的准确度。

Description

对象计数方法、装置、计算机设备和存储介质
技术领域
本申请涉及视频处理领域，特别是涉及一种对象计数方法、装置、计算机设备和存储介质。
背景技术
对象计数是指通过各种科学的方式，准确的记录来访某一区域的对象的流量信息。
现有技术中，利用流量统计算法实现待统计对象的计数。在计数的过程中，待统计对象可能会反复的进出统计区域，现有的对象计数算法会重复的统计，从而导致计数的不准确。
发明内容
基于此，有必要针对上述技术问题，提供一种对象计数方法、装置、计算机设备和存储介质。
第一方面，本发明实施例提出一种对象计数方法，所述方法包括：
基于包含待统计对象的待处理视频，确定所述待统计对象是否进入统计区域；
若确定待统计对象进入所述统计区域，则对所述待统计对象的步态特征进行特征提取，获取待处理步态特征；
基于待处理步态特征与各参考步态特征的匹配程度，确定是否针对所述待统计对象进行计数；所述参考步态特征包括进入所述统计区域的历史对象的步态特征。
在一实施例中，所述参考步态特征包括历史时段中进入所述统计区域的历史对象的步态特征。
在一实施例中，所述基于包含待统计对象的待处理视频，确定所述待统计对象是否进入统计区域包括：
基于所述待处理视频，确定所述待统计对象的行动轨迹；
基于所述行动轨迹，确定所述行动轨迹的初始点；
当所述行动轨迹的初始点在所述统计区域外，且所述行动轨迹穿过所述统计区域进入统计区域内，则确定所述待统计对象进入所述统计区域。
在一实施例中，所述基于所述待处理视频，确定所述待统计对象的行动轨迹包括：
基于训练得到的第一检测模型，确定待处理视频的各视频帧中所述待统计对象的头肩位置；
基于所述各视频帧中所述待统计对象的头肩位置，得到所述待统计对象的头肩位置序列；
基于所述待统计对象的头肩位置序列，得到所述待统计对象的行动轨迹。
在一实施例中，所述对所述待统计对象的步态特征进行特征提取，获取待处理步态特征包括：确定所述待处理视频的各视频帧中的待统计对象的身体图像；
基于所述待统计对象的身体图像，得到身体图像掩码；
基于所述身体图像掩码，得到身体掩码序列；
基于所述身体掩码序列，利用训练得到的第二检测模型，得到所述待统计对象的待处理步态特征。
在一实施例中，所述基于待处理步态特征与各参考步态特征的匹配程度，确定是否针对所述待统计对象进行计数包括：
确定所述待处理步态特征与所述各参考步态特征的相似度；
当确定的各相似度中存在大于或等于设定的相似度阈值的相似度时，则不针对所述待统计对象进行计数；当确定的各相似度均小于设定的相似度阈值时，则针对所述待统计对象进行计数。
在一实施例中，当确定的各相似度中存在大于或等于设定的相似度阈值的相似度时，则针对所述待统计对象进入所述统计区域的次数进行计数。
在一实施例中，所述方法还包括：
基于所述包含待统计对象的待处理视频，确定所述待统计对象是否离开所述统计区域；
若确定所述待统计对象离开所述统计区域，则获取所述待统计对象进入及离开所述统计区域的时间；
基于所述待统计对象进入及离开所述统计区域的时间，确定所述待统计对象在所述统计区域的停留时间。
第二方面，本发明实施例提出一种对象计数装置，所述装置包括：
第一确定模块，用于基于包含待统计对象的待处理视频，确定所述待统计对象是否进入统计区域；
获取模块，用于若确定待统计对象进入所述统计区域，则对所述待统计对象的步态特征进行特征提取，获取待处理步态特征；
第二确定模块，用于基于待处理步态特征与各参考步态特征的匹配程度，确定是否针对所述待统计对象进行计数；所述参考步态特征包括进入所述统计区域的历史对象的步态特征。
第三方面，本发明实施例提出一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
基于包含待统计对象的待处理视频，确定所述待统计对象是否进入统计区域；
若确定待统计对象进入所述统计区域，则对所述待统计对象的步态特征进行特征提取，获取待处理步态特征；
基于待处理步态特征与各参考步态特征的匹配程度，确定是否针对所述待统计对象进行计数；所述参考步态特征包括进入所述统计区域的历史对象的步态特征。
第四方面，本发明实施例提出一种计算机可读存储介质，其上存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
基于包含待统计对象的待处理视频，确定所述待统计对象是否进入统计区域；
若确定待统计对象进入所述统计区域，则对所述待统计对象的步态特征进行特征提取，获取待处理步态特征；
基于待处理步态特征与各参考步态特征的匹配程度，确定是否针对所述待统计对象进行计数；所述参考步态特征包括进入所述统计区域的历史对象的步态特征。
上述动作方法、装置、计算机设备和存储介质，通过基于包含待统计对象的待处理视频，确定所述待统计对象是否进入统计区域，若确定待统计对象进入所述统计区域，则对所述待统计对象的步态特征进行特征提取，获取待处理步态特征，基于待处理步态特征与各参考步态特征的匹配程度，确定是否针对所述待统计对象进行计数；所述参考步态特征包括进入所述统计区域的历史对象的步态特征。利用待统计对象的待处理步态特征与各参考步态特征的比较，对重复进入统计区域的待统计对象不进行重复计数，提高对象计数的准确度。
附图说明
图1为一个实施例中对象计数方法的应用环境图；
图2为一个实施例中对象计数方法的流程示意图；
图3为一个实施例中是否进入统计区域确定方法的流程示意图；
图4为一个实施例中行动轨迹获得方法的流程示意图；
图5为一个实施例中待处理步态特征获得方法的流程示意图；
图6为一个实施例中是否对象计数判断方法的流程示意图；
图7为一个实施例中对象计数方法的整体流程示意图；
图8为一个实施例中对象计数装置的结构示意图；
图9为一个实施例中一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的一种对象计数方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102首先基于包含待统计对象的待处理视频，确定所述待统计对象是否进入统计区域，若确定待统计对象进入所述统计区域，则对所述待统计对象的步态特征进行特征提取，获取待处理步态特征，基于待处理步态特征与各参考步态特征的匹配程度，确定是否针对所述待统计对象进行计数；所述参考步态特征包括进入所述统计区域的历史对象的步态特征，终端102再将计数结果发送到服务器104。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供了一种对象计数方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
S202：基于包含待统计对象的待处理视频，确定所述待统计对象是否进入统计区域。
可以理解的是，待统计对象可以是人，也可以是动物等其他对象。
待处理视频一般为监控视频，监控设备对监控区域的待统计对象进行拍摄得到监控视频。
本实施例是对进入统计区域的待统计对象的数量进行统计，因此需要判断待统计对象是否进入统计区域。
在一些应用场景中，统计区域可以是商场，待统计对象可以是人，最终实现人进入商场的计数。在其他一些应用场景中，统计区域可以是某一草原，待统计对象可以是牛，最终实现牛进入该草原的计数。可以理解的是，应用场景不同，待统计对象和统计区域都可以根据实际需求进行设定。
S204：若确定待统计对象进入所述统计区域，则对所述待统计对象的步态特征进行特征提取，获取待处理步态特征。
在本实施例中，通过提取待统计对象的步态特征，作为判断该统计对象在之前是否已经计数的依据。
S206：基于待处理步态特征与各参考步态特征的匹配程度，确定是否针对所述待统计对象进行计数；所述参考步态特征包括进入所述统计区域的历史对象的步态特征。
可以理解的是，参考步态特征包括历史时段中进入所述统计区域的历史对象的步态特征。在一示例场景中，对进入某一商场的人进行计数，对当天重复已进入商场的人不重复计数，并对已经计数的人的步态特征进行保存。
考虑到在对象计数的过程中，待统计对象可能会反复的进出统计区域，现有的计数方法会重复的统计，从而导致计数的不准确。
针对现有计数方法存在的弊端，在本实施例中，需要判断统计对象在之前是否已经计数，具体通过待统计对象的待处理步态特征与已计数的历史对象的参考步态特征的比较，若该待统计对象之前没有被统计，则对所述待统计对象进行计数，反之，则不再对所述待统计对象进行计数，从而提高对象计数的准确度。
在一实施例中，如图3所示，基于包含待统计对象的待处理视频，确定所述待统计对象是否进入统计区域的方法包括：
S302：基于所述待处理视频，确定所述待统计对象的行动轨迹。
待处理视频记录待统计对象的行动过程，因此通过待处理视频可以分析得到待处理对象的行动轨迹。
S304：基于所述行动轨迹，确定所述行动轨迹的初始点。
S306：当所述行动轨迹的初始点在所述统计区域外，且所述行动轨迹穿过所述统计区域进入统计区域内，则确定所述待统计对象进入所述统计区域
可以理解的是，根据待统计对象的行动轨迹，也可以确定待统计对象是否离开统计区域。具体确定待统计对象是否离开统计区域的方法和确定是否进入统计区域的方法类似，因此不再赘述。在待统计对象进入和离开统计区域时，对相应的时间点进行记录，用于后续分析该待统计对象在统计区域内的停留时间。
在一实施例中，如图4所示，基于所述待处理视频，确定所述待统计对象的行动轨迹的方法包括：
S402：基于训练得到的第一检测模型，确定待处理视频的各视频帧中所述待统计对象的头肩位置。
首先，收集训练图片进行标注头肩的矩形框，使用YOLO或其他目标检测框架进行头肩的检测训练，得到第一检测模型。然后，对待处理视频分帧处理得到各视频帧，将各视频帧输入第一检测模型，对各视频帧进行检测头肩，并进行头肩的跟踪，得到待统计对象的头肩位置。
具体的，对于连续视频帧采用多部位关联跟踪算法进行跟踪和ID创建，其中匈牙利算法对当前帧的某个待统计对象和前一帧的某个待统计对象进行匹配，卡尔曼滤波可以基于待统计对象前一时刻的位置，来预测当前时刻的位置，更准确的估计待统计对象的位置，使得同一个待统计对象的头肩和ID一致。
通过待统计对象的ID创建，以对待处理视频中的每个待处理对象进行区分。
S404：基于所述各视频帧中所述待统计对象的头肩位置，得到所述待统计对象的头肩位置序列。
各视频帧中待统计对象的头肩位置都会通过检测框进行标记，并按照视频帧的时序得到待统计对象的头肩位置序列。
S406：基于所述待统计对象的头肩位置序列，得到所述待统计对象的行动轨迹。
将待统计对象的头肩位置序列按照时序依次连接得到待统计对象的行动轨迹。
由于头肩检测更不容易受身体遮挡的影响，因此利用头肩位置更容易得到待统计对象的行动轨迹，且获得的行动轨迹与待统计对象的实际行动轨迹更接近，因此对于判断出待统计对象是否是进入统计区域更加准确。
在一实施例中，如图5所示，对所述待统计对象的步态特征进行特征提取，获取待处理步态特征的方法包括：
S502：确定所述待处理视频的各视频帧中的待统计对象的身体图像。
具体的，首先基于所述待处理视频，利用训练得到的第三检测模型，得到所述待处理视频的各视频帧中所述待统计对象的身体轮廓；然后对所述所述待统计对象的身体轮廓进行图像分割，得到所述待统计对象的身体图像。
训练第三检测模型的过程为：收集训练图片进行标注身体的矩形框，使用YOLO或其他目标检测框架进行身体的检测训练，对标注的身体矩形框抠图作为小图，标注其身体轮廓，进行身体分割的深度学习模型训练，得到第三检测模型。
可以理解的是，第三检测模型与第一检测模型可以是两个单独的检测模型，也可以是一个总的检测模型，能够对头肩和身体进行检测。
在对各视频帧检测身体和头肩时，并进行头肩和身体关联跟踪。增加头肩类别检测主要是为了防止身体遮挡不稳定，利用头肩检测信息可以增强同一个待统计对象的跟踪的稳定性。例如当身体没有检测到，头肩检测到的时候，该待统计对象的跟踪ID不会发生跳变，使得后续同一个待统计对象的身体图像序列不会发生中断。在跟踪过程中保存每一个待统计对象的身体检测框，用于步态特征的识别。
S504：基于所述待统计对象的身体图像，得到身体图像掩码。
对待统计对象的身体图像进行超目标分割，剥离身体区域和背景区域，得到身体图像掩码，将身体图像根据身体图像掩码进行二值化后，得到身体掩码序列。
相比于直接利用身体图像序列进行第一步态特征的提取，从身体图像中获取感兴趣区域的身体图像掩码，再得到身体掩码序列，再利用身体掩码序列进行第一步态特征的提取，更能够准确的提取到第一步态特征。
S506：基于所述身体图像掩码，得到身体掩码序列。
将身体掩码序列按照时序排列得到身体掩码序列。
S508：基于所述身体掩码序列，利用训练得到的第二检测模型，得到所述待统计对象的待处理步态特征。
第二检测模型为步态特征识别模型，用于提取待统计对象的步态特征。首先，利用身体图像序列进行训练得到第二检测模型，然后将身体图像序列输入第二检测模型，得到待统计对象的第一步态特征。
步态特征包括静态特征和动态特征。其中，静态特征包括身高体型、腿骨、关节、肌肉等生理特征；动态特征包括手臂摆幅，晃头晃脑、步频等。
在一实施例中，如图6所示，基于待处理步态特征与各参考步态特征的匹配程度，确定是否针对所述待统计对象进行计数的方法包括：
S602：确定所述待处理步态特征与所述各参考步态特征的相似度；
S604：当确定的各相似度中存在大于或等于设定的相似度阈值的相似度时，则不针对所述待统计对象进行计数；当确定的各相似度均小于设定的相似度阈值时，则针对所述待统计对象进行计数。
需要说明的是，在待统计对象计数之后都会对其步态特征进行存储作为参考步态特征，在本次对象计数结束或者在存储设定时间之后对其清空。
当第一步态特征与各参考步态特征的相似度均小于设定相似度阈值，则说明该待统计对象未统计过，则可以进行对象计数。当第一步态特征与其中一个参考步态特征的相似度大于或等于设定相似度阈值，则说明该待统计对象已经统计过，则不再进行对象计数。
在一实施例中，当确定的各相似度中存在大于或等于设定的相似度阈值的相似度时，则针对所述待统计对象进入所述统计区域的次数进行计数。通过对同一对象进入统计区域的次数，可以分析该对象的进店频次和购买欲望等更精细化的分析。
可以理解的是，步态特征可较长时间保持不变，可以做长时间去重，不用每日更新去重的特征底库。步态特征不受着装影响及低头等因素的影响，此外步态特征也不受待统计对象正面和背面的影响，因此抗干扰能力强。
图7是本发明实施例对象计数方法的整体流程示意图。如图7所示，基于待处理视频，确定各视频帧中待统计对象的头肩位置，从而获得头肩位置序列，并基于头肩位置序列确定行动轨迹。根据行动轨迹确定待统计对象是否进入统计区域，若是，则获取待处理步态特征，根据待处理步态特征及各参考步态特征判断其相似度是否大于设定的相似度阈值，若是，则保持待处理步态特征并计数。
应该理解的是，虽然图1-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一实施例中，如图8所示，本发明提供了一种对象计数装置，所述装置包括：
第一确定模块802，用于基于包含待统计对象的待处理视频，确定所述待统计对象是否进入统计区域；
获取模块804，用于若确定待统计对象进入所述统计区域，则对所述待统计对象的步态特征进行特征提取，获取待处理步态特征；
第二确定模块806，用于基于待处理步态特征与各参考步态特征的匹配程度，确定是否针对所述待统计对象进行计数；所述参考步态特征包括进入所述统计区域的历史对象的步态特征。获取模块
在一实施例中，所述参考步态特征包括历史时段中进入所述统计区域的历史对象的步态特征。
在一实施例中，第一确定模块包括：
轨迹确定模块，用于基于所述待处理视频，确定所述待统计对象的行动轨迹；
初始点确定模块，用于基于所述行动轨迹，确定所述行动轨迹的初始点
第一确定子模块，用于当所述行动轨迹的初始点在所述统计区域外，且所述行动轨迹穿过所述统计区域进入统计区域内，则确定所述待统计对象进入所述统计区域。
在一实施例中，轨迹获取模块包括：
头肩位置获取模块，用于基于训练得到的第一检测模型，确定待处理视频的各视频帧中所述待统计对象的头肩位置；
头肩位置序列获取模块，用于基于所述各视频帧中所述待统计对象的头肩位置，得到所述待统计对象的头肩位置序列；
轨迹获取子模块，用于基于所述各视频帧中所述待统计对象的头肩位置，得到所述待统计对象的头肩位置序列；
轨迹获取子模块，用于基于所述待统计对象的头肩位置序列，得到所述待统计对象的行动轨迹。
在一实施例中，获取模块包括：
第一获取子模块，用于确定所述待处理视频的各视频帧中的待统计对象的身体图像；
第二获取子模块，用于基于所述待统计对象的身体图像，得到身体图像掩码；
第三获取子模块，用于基于所述身体图像掩码，得到身体掩码序列；
第四获取子模块，用于基于所述身体掩码序列，利用训练得到的第二检测模型，得到所述待统计对象的待处理步态特征。
在一实施例中，第二获取模块还包括：
身体掩码序列获取模块，用于基于所述待统计对象的身体图像，得到身体图像掩码；基于所述身体图像掩码，得到身体掩码序列；
基于所述身体掩码序列，利用训练得到的第二检测模型，得到所述待统计对象的第一步态特征。
在一实施例中，第二确定模块包括：
相似度确定模块，用于确定所述待处理步态特征与所述各参考步态特征的相似度；
技术模块，用于当确定的各相似度中存在大于或等于设定的相似度阈值的相似度时，则不针对所述待统计对象进行计数；当确定的各相似度均小于设定的相似度阈值时，则针对所述待统计对象进行计数。
在一实施例中，当确定的各相似度中存在大于或等于设定的相似度阈值的相似度时，则针对所述待统计对象进入所述统计区域的次数进行计数。在一实施例中，还包括计时模块，用于：
基于所述包含待统计对象的待处理视频，确定所述待统计对象是否离开所述统计区域；
若确定所述待统计对象离开所述统计区域，则获取所述待统计对象进入及离开所述统计区域的时间；
基于所述待统计对象进入及离开所述统计区域的时间，确定所述待统计对象在所述统计区域的停留时间。
关于对象计数装置的具体限定可以参见上文中对于对象计数方法的限定，在此不再赘述。上述对象计数装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储动作检测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述任一项对象计数方法实施例中的步骤。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述任一项对象计数方法实施例中的步骤。
在一实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项对象计数方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (11)

1.一种对象计数方法，其特征在于，所述方法包括：
基于包含待统计对象的待处理视频，确定所述待统计对象是否进入统计区域；
若确定待统计对象进入所述统计区域，则对所述待统计对象的步态特征进行特征提取，获取待处理步态特征；
基于待处理步态特征与各参考步态特征的匹配程度，确定是否针对所述待统计对象进行计数；所述参考步态特征包括进入所述统计区域的历史对象的步态特征。
2.根据权利要求1所述的方法，其特征在于，所述参考步态特征包括历史时段中进入所述统计区域的历史对象的步态特征。
3.根据权利要求1所述的方法，其特征在于，所述基于包含待统计对象的待处理视频，确定所述待统计对象是否进入统计区域包括：
基于所述待处理视频，确定所述待统计对象的行动轨迹；
基于所述行动轨迹，确定所述行动轨迹的初始点；
当所述行动轨迹的初始点在所述统计区域外，且所述行动轨迹穿过所述统计区域进入统计区域内，则确定所述待统计对象进入所述统计区域。
4.根据权利要求3所述的方法，其特征在于，所述基于所述待处理视频，确定所述待统计对象的行动轨迹包括：
基于训练得到的第一检测模型，确定待处理视频的各视频帧中所述待统计对象的头肩位置；
基于所述各视频帧中所述待统计对象的头肩位置，得到所述待统计对象的头肩位置序列；
基于所述待统计对象的头肩位置序列，得到所述待统计对象的行动轨迹。
5.根据权利要求1所述的方法，其特征在于，所述对所述待统计对象的步态特征进行特征提取，获取待处理步态特征包括：
确定所述待处理视频的各视频帧中的待统计对象的身体图像；
基于所述待统计对象的身体图像，得到身体图像掩码；
基于所述身体图像掩码，得到身体掩码序列；
基于所述身体掩码序列，利用训练得到的第二检测模型，得到所述待统计对象的待处理步态特征。
6.根据权利要求1所述的方法，其特征在于，所述基于待处理步态特征与各参考步态特征的匹配程度，确定是否针对所述待统计对象进行计数包括：
确定所述待处理步态特征与所述各参考步态特征的相似度；
当确定的各相似度中存在大于或等于设定的相似度阈值的相似度时，则不针对所述待统计对象进行计数；当确定的各相似度均小于设定的相似度阈值时，则针对所述待统计对象进行计数。
7.根据权利要求6所述的方法，其特征在于，当确定的各相似度中存在大于或等于设定的相似度阈值的相似度时，则针对所述待统计对象进入所述统计区域的次数进行计数。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述包含待统计对象的待处理视频，确定所述待统计对象是否离开所述统计区域；
若确定所述待统计对象离开所述统计区域，则获取所述待统计对象进入及离开所述统计区域的时间；
基于所述待统计对象进入及离开所述统计区域的时间，确定所述待统计对象在所述统计区域的停留时间。
9.一种对象计数装置，其特征在于，所述装置包括：
第一确定模块，用于基于包含待统计对象的待处理视频，确定所述待统计对象是否进入统计区域；
获取模块，用于若确定待统计对象进入所述统计区域，则对所述待统计对象的步态特征进行特征提取，获取待处理步态特征；
第二确定模块，用于基于待处理步态特征与各参考步态特征的匹配程度，确定是否针对所述待统计对象进行计数；所述参考步态特征包括进入所述统计区域的历史对象的步态特征。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至8中任一项所述的方法的步骤。
CN202110862767.5A 2021-07-29 2021-07-29 对象计数方法、装置、计算机设备和存储介质 Pending CN113674221A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110862767.5A CN113674221A (zh) 2021-07-29 2021-07-29 对象计数方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110862767.5A CN113674221A (zh) 2021-07-29 2021-07-29 对象计数方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN113674221A true CN113674221A (zh) 2021-11-19

Family

ID=78540674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110862767.5A Pending CN113674221A (zh) 2021-07-29 2021-07-29 对象计数方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113674221A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008092393A1 (fr) * 2007-01-25 2008-08-07 Shanghai Yao Wei Industry Co, Ltd Procédé de poursuite de cible mobile et de comptage
CN103473539A (zh) * 2013-09-23 2013-12-25 智慧城市系统服务（中国）有限公司 步态识别方法和装置
CN103679171A (zh) * 2013-09-24 2014-03-26 暨南大学 基于人体重心轨迹分析的步态特征提取方法
CN106056050A (zh) * 2016-05-23 2016-10-26 武汉盈力科技有限公司 一种基于自适应三维人体运动统计模型的多视角步态识别方法
WO2017058913A1 (en) * 2015-09-28 2017-04-06 Case Western Reserve University Wearable and connected gait analytics system
CN108520216A (zh) * 2018-03-28 2018-09-11 电子科技大学 一种基于步态图像的身份识别方法
CN108985218A (zh) * 2018-07-10 2018-12-11 上海小蚁科技有限公司 人流量统计方法及装置、存储介质、计算设备
CN110728226A (zh) * 2019-10-09 2020-01-24 清华大学 一种基于动作识别的步态量化系统及方法
CN111144166A (zh) * 2018-11-02 2020-05-12 银河水滴科技（北京）有限公司 一种异常人群信息库建立方法、系统及存储介质
CN112132119A (zh) * 2020-11-24 2020-12-25 科大讯飞(苏州)科技有限公司 客流统计方法、装置、电子设备和存储介质
WO2021031384A1 (zh) * 2019-08-19 2021-02-25 平安科技（深圳）有限公司 摔倒行为检测处理方法、装置、计算机设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008092393A1 (fr) * 2007-01-25 2008-08-07 Shanghai Yao Wei Industry Co, Ltd Procédé de poursuite de cible mobile et de comptage
CN103473539A (zh) * 2013-09-23 2013-12-25 智慧城市系统服务（中国）有限公司 步态识别方法和装置
CN103679171A (zh) * 2013-09-24 2014-03-26 暨南大学 基于人体重心轨迹分析的步态特征提取方法
WO2017058913A1 (en) * 2015-09-28 2017-04-06 Case Western Reserve University Wearable and connected gait analytics system
CN106056050A (zh) * 2016-05-23 2016-10-26 武汉盈力科技有限公司 一种基于自适应三维人体运动统计模型的多视角步态识别方法
CN108520216A (zh) * 2018-03-28 2018-09-11 电子科技大学 一种基于步态图像的身份识别方法
CN108985218A (zh) * 2018-07-10 2018-12-11 上海小蚁科技有限公司 人流量统计方法及装置、存储介质、计算设备
CN111144166A (zh) * 2018-11-02 2020-05-12 银河水滴科技（北京）有限公司 一种异常人群信息库建立方法、系统及存储介质
WO2021031384A1 (zh) * 2019-08-19 2021-02-25 平安科技（深圳）有限公司 摔倒行为检测处理方法、装置、计算机设备及存储介质
CN110728226A (zh) * 2019-10-09 2020-01-24 清华大学 一种基于动作识别的步态量化系统及方法
CN112132119A (zh) * 2020-11-24 2020-12-25 科大讯飞(苏州)科技有限公司 客流统计方法、装置、电子设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谢树煜, 陈倩, 朱虹: "实时视频对象识别与计数系统的模型和算法设计", 清华大学学报(自然科学版), no. 07, 30 July 2001 (2001-07-30) *

Similar Documents

Publication Publication Date Title
CN108446585B (zh) 目标跟踪方法、装置、计算机设备和存储介质
CN110334569B (zh) 客流量进出识别方法、装置、设备及存储介质
CN110008867A (zh) 一种基于人物异常行为的预警方法、装置及存储介质
CN109299658B (zh) 脸部检测方法、脸部图像渲染方法、装置及存储介质
CN107784282A (zh) 对象属性的识别方法、装置及系统
CN111160275B (zh) 行人重识别模型训练方法、装置、计算机设备和存储介质
CN111104925B (zh) 图像处理方法、装置、存储介质和电子设备
CN112183252B (zh) 视频的动作识别方法、装置、计算机设备和存储介质
CN113191180B (zh) 目标跟踪方法、装置、电子设备及存储介质
CN111666922A (zh) 视频匹配方法、装置、计算机设备和存储介质
CN110516559B (zh) 适用于精准监控的目标跟踪方法及装置、计算机设备
JP2022542199A (ja) キーポイントの検出方法、装置、電子機器および記憶媒体
CN112989962A (zh) 轨迹生成方法、装置、电子设备及存储介质
CN113627334A (zh) 对象的行为识别方法及装置
CN113780145A (zh) 精子形态检测方法、装置、计算机设备和存储介质
CN110909565A (zh) 图像识别和行人再识别方法及装置，电子和存储设备
CN111950507B (zh) 数据处理和模型训练方法、装置、设备及介质
CN113469135A (zh) 对象身份信息的确定方法、装置、存储介质及电子装置
CN116612498A (zh) 一种鸟类识别模型训练方法、鸟类识别方法、装置及设备
CN114092956A (zh) 门店客流统计方法、装置、计算机设备和存储介质
CN113674221A (zh) 对象计数方法、装置、计算机设备和存储介质
CN115131691A (zh) 对象匹配方法、装置、电子设备及计算机可读存储介质
CN110956644B (zh) 一种运动轨迹确定方法及系统
CN113837112A (zh) 一种视频数据处理方法及电子设备
CN114399699A (zh) 目标推荐对象确定方法、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