CN113869269A - 活动现场拥挤度检测方法、装置、电子设备及存储介质 - Google Patents
活动现场拥挤度检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113869269A CN113869269A CN202111189608.XA CN202111189608A CN113869269A CN 113869269 A CN113869269 A CN 113869269A CN 202111189608 A CN202111189608 A CN 202111189608A CN 113869269 A CN113869269 A CN 113869269A
- Authority
- CN
- China
- Prior art keywords
- activity
- congestion degree
- site
- scene
- graph
- 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
Links
- 230000000694 effects Effects 0.000 title claims abstract description 175
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 238000012544 monitoring process Methods 0.000 claims abstract description 104
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000010586 diagram Methods 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 48
- 238000000605 extraction Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 30
- 238000011176 pooling Methods 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000007115 recruitment Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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 Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能领域,揭露一种活动现场拥挤度检测方法,包括:在预设时间段内利用监控设备监控活动现场,得到现场监控视频,从所述现场监控视频中提取关键帧,得到现场监控图,从所述现场监控图中识别出人员活动区域,得到人员活动图,对所述人员活动图执行数字图像处理,得到拥挤度待识别图,利用预训练完成的拥挤度识别模型,检测所述拥挤度待识别图,得到人体检测框集,计算所述人体检测框集的检测框数量,将所述检测框数量输入至预构建的拥挤度计算公式,计算得到所述活动现场的拥挤度。本发明还揭露活动现场拥挤度检测装置、电子设备以及存储介质。本发明可以提高拥挤度计算的准确率及智能化程度。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种活动现场拥挤度检测方法、装置、电子设备及计算机可读存储介质。
背景技术
利用线下活动引流是一种重要营销手段,如某购物中心在空置场地举办大型活动促销,以吸引更多人流量刺激消费,虽线下活动具备一定实用性,但同时也存在安全隐患,如场地内短时间内涌现出大量人流时,极其容易造成安全问题,因此,高效及时的判别场地的拥挤度极其重要。
目前,主流的场地拥挤度计算方法,主要是先获取场地图,并人工划分出人员在场地图的活动范围,通过监控设备拍摄场地图,人工其后利用场地图所反馈的人员信息,粗略计算出拥挤度。
该方法虽然可实现拥挤度的计算,但一方面需投入过高的人力参与计算,智能化程度不高,另一方面,其拥挤度计算准确率偏低。
发明内容
本发明提供一种活动现场拥挤度检测方法、装置、电子设备及计算机可读存储介质,其主要目的在于提高拥挤度计算的准确率及智能化程度。
为实现上述目的,本发明提供的一种活动现场拥挤度检测方法,包括:
在预设时间段内利用监控设备监控活动现场,得到现场监控视频;
从所述现场监控视频中提取关键帧,得到现场监控图;
从所述现场监控图中识别出人员活动区域,得到人员活动图;
对所述人员活动图执行数字图像处理,得到拥挤度待识别图;
利用预训练完成的拥挤度识别模型,检测所述拥挤度待识别图,得到人体检测框集,计算所述人体检测框集的检测框数量,将所述检测框数量输入至预构建的拥挤度计算公式,计算得到所述活动现场的拥挤度。
可选地,所述从所述现场监控视频中提取关键帧,得到现场监控图,包括:
以所述现场监控视频的中心点作为关键位置点;
依次提取所述现场监控视频中每一帧在所述关键位置点的像素值,得到关键像素值;
根据每一帧的所述关键像素值,求解得到平均像素值;
从所述现场监控视频中选择在所述关键位置点与所述平均像素值的像素差值在预设误差范围内的帧,得到所述现场监控图。
可选地,所述从所述现场监控图中识别出人员活动区域,得到人员活动图,包括:
获取场景训练集及每张场景训练图中记录人员活动区域的真实标签集;
利用预构建的卷积神经网络对所述场景训练集中的每张场景训练图执行卷积、池化,得到场景特征集;
利用预设的激活函数计算所述场景特征集中每张场景特征的预测标签,得到预测标签集;
利用预设的损失函数计算所述真实标签集与所述预测标签集之间的损失值;
根据所述损失值对所述卷积神经网络执行参数优化,并返回卷积、池化步骤,直至所述损失值小于预设损失阈值,确定所述卷积神经网络为场景识别模型;
将所述现场监控图输入至所述场景识别模型,得到所述人员活动图。
可选地,所述利用预构建的卷积神经网络对所述场景训练集中的每张场景训练图执行卷积、池化,得到场景特征集,包括:
将所述场景训练集中的每张场景训练图,依次输入至所述卷积神经网络,其中,所述卷积神经网络包括卷积层、池化层;
利用所述卷积层中的卷积核,按照预设步长对所述场景训练图执行卷积操作,得到卷积特征集;
根据最大池化原理,在所述池化层中对所述卷积特征集执行池化操作,得到所述场景特征集。
可选地,所述对所述人员活动图执行数字图像处理,得到拥挤度待识别图,包括:
对所述人员活动图执行图像反转,得到反转活动图;
根据预构建的幂次变化函数,对所述反转活动图执行幂次变化,得到幂次活动图;
将所述幂次活动图执行对比度拉伸及直方图均衡化,得到待滤波活动图;
对所述待滤波活动图执行滤波操作,得到所述拥挤度待识别图。
可选地,所述预训练完成的拥挤度识别模型的预训练,包括:
构建包括大目标特征提取层、小目标特征提取层及检测框生成层的待训练拥挤度识别模型;
接收大目标人群训练集、中目标人群训练集及真实目标框;
利用所述大目标特征提取层对所述大目标人群训练集执行卷积提取,得到大目标卷积特征集;
利用所述小目标特征提取层对所述中目标人群训练集执行卷积提取,得到中目标卷积特征集;
根据所述检测框生成层,分别计算所述大目标卷积特征集的目标预测框及所述中目标卷积特征集的目标预测框;
计算所述目标预测框与所述真实目标框的误差值;
判断所述误差值是否大于预设的误差阈值;
当所述误差值大于所述误差阈值,调节所述待训练拥挤度识别模型的内部参数,并返回上述卷积提取步骤;
当所述误差值小于或等于所述误差阈值,所述待训练拥挤度识别模型训练完成,得到所述拥挤度识别模型。
可选地,所述将所述检测框数量输入至预构建的拥挤度计算公式,计算得到所述活动现场的拥挤度,包括:
采用如下计算公式,计算得到所述活动现场的拥挤度:
其中,d表示所述拥挤度,n为所述检测框数量,sm表示所述人员活动图中人员活动的活动面积。
为了解决上述问题,本发明还提供一种活动现场拥挤度检测装置,所述装置包括:
监控视频获取模块,用于在预设时间段内利用监控设备监控活动现场,得到现场监控视频;
关键帧提取模块,用于从所述现场监控视频中提取关键帧,得到现场监控图;
人员活动区域识别模块,用于从所述现场监控图中识别出人员活动区域,得到人员活动图;
数字图像处理模块,用于对所述人员活动图执行数字图像处理,得到拥挤度待识别图;
拥挤度识别模块,用于利用预训练完成的拥挤度识别模型,检测所述拥挤度待识别图,得到人体检测框集,计算所述人体检测框集的检测框数量,将所述检测框数量输入至预构建的拥挤度计算公式,计算得到所述活动现场的拥挤度。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以实现上述所述的活动现场拥挤度检测方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的活动现场拥挤度检测方法。
本发明实施例先从监控设备中提取监控活动现场的视频,另外,考虑到直接对现场监控视频中的每一帧均执行拥挤度检测,会极大的浪费计算资源,因此从现场监控视频中提取关键帧,得到现场监控图,仅对现场监控图执行拥挤度检测,节约资源;其次,从所述现场监控图中识别出人员活动区域,得到人员活动图,因拥挤度主要通过人员活动区域计算得到,因此从现场监控图中识别出人员活动区域,可更精准的计算出拥挤度;其后,为进一步提高拥挤度的计算准确率,对所述人员活动图执行数字图像处理,得到拥挤度待识别图;最后,利用预训练完成的拥挤度识别模型,识别所述拥挤度待识别图,得到所述活动现场的拥挤度,相比于背景技术来说,可见本发明实施例的拥挤度计算不需人工参与,其次通过人员活动区域识别去除非人员活动区域,减少非人员活动区域对拥挤度的计算影响、利用数字图像处理降低图片噪点对拥挤度准确率的影响,及使用预训练完成的拥挤度识别模型提高拥挤度准确率等。因此,本发明提出的一种活动现场拥挤度检测方法、装置、电子设备以及计算机可读存储介质可以提高拥挤度计算的准确率及智能化程度。
附图说明
图1为本发明一实施例提供的活动现场拥挤度检测方法的流程示意图;
图2为本发明一实施例提供的活动现场拥挤度检测方法中S2的流程示意图;
图3为本发明一实施例提供的活动现场拥挤度检测方法中S3的流程示意图;
图4为本发明一实施例提供的活动现场拥挤度检测方法中S4的流程示意图;
图5为本发明一实施例提供的活动现场拥挤度检测方法中S5的流程示意图;
图6为本发明一实施例提供的活动现场拥挤度检测装置的模块示意图;
图7为本发明一实施例提供的实现活动现场拥挤度检测方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种活动现场拥挤度检测方法。所述活动现场拥挤度检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述活动现场拥挤度检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的活动现场拥挤度检测方法的流程示意图。在本发明实施例中,所述活动现场拥挤度检测方法包括:
S1、在预设时间段内利用监控设备监控活动现场,得到现场监控视频。
应了解的是,本发明所述监控设备可预先安装在活动现场,其中活动现场包括求职招聘会、游乐场、户外展览会等。
示例性的,如求职招聘会一般在当日上午求职人员最多,为保证将现场人员人数控制在合理范围,故启动监控设备监控当日上午9:00-12:00期间的招聘会现场,得到现场监控视频。
S2、从所述现场监控视频中提取关键帧,得到现场监控图。
可以想象的是,若直接对所述现场监控视频中的每一帧均执行拥挤度检测,会极大的浪费计算资源,因此需从现场监控视频中提取关键帧,仅对关键帧执行拥挤度检测,以节约资源。
本发明其中一个实施例,参阅图2所示,所述S2包括:
S21、从所述现场监控视频中选择关键位置点;
可选地,可选择现场监控视频的中心点作为所述关键位置点。
S22、依次提取所述现场监控视频中每一帧在所述关键位置点的像素值,得到关键像素值;
S23、根据每一帧的所述关键像素值,求解得到平均像素值;
示例性的,若共五千帧,则相加每一帧的像素值并除以五千,即可得到平均像素值。
S24、从所述现场监控视频中选择在所述关键位置点与所述平均像素值的像素差值在预设误差范围内的帧,得到所述现场监控图。
本发明实施例中,所述误差范围可设置[-10,+10]。
本发明另一实施例,可采用直方图帧平均等方法从所述现场监控视频中提取关键帧,得到现场监控图。
S3、从所述现场监控图中识别出人员活动区域,得到人员活动图。
本发明实施例中,由于现场监控图可能存在人员活动区域及非人员活动区域,而拥挤度仅根据人员活动区域计算得到,因此参图3所示,所述从所述现场监控图中识别出人员活动区域,得到人员活动图,包括:
S31、获取场景训练集及每张场景训练图中记录人员活动区域的真实标签集;
需说明的是,本发明实施例基于卷积神经网络的场景识别模型,识别出人员活动区域,由于卷积神经网络模型在执行识别前需对其进行训练,因此需获取场景训练集及真实标签集。
其中,所述场景训练集可由用户预先收集并整理得到,主要包括在不同活动现场的人员活动区域及非人员活动区域的图片集。
另外,真实标签主要记录,在每张活动现场图中的人员活动区域及非人员活动区域。
S32、利用预构建的卷积神经网络对所述场景训练集中的每张场景训练图执行卷积、池化,得到场景特征集;
详细地,所述S32包括:
将所述场景训练集中的每张场景训练图,依次输入至所述卷积神经网络,其中,所述卷积神经网络包括卷积层、池化层;
利用所述卷积层中的卷积核,按照预设步长对所述场景训练图执行卷积操作,得到卷积特征集;
根据最大池化原理,在所述池化层中对所述卷积特征集执行池化操作,得到所述场景特征集。
本发明实施例中,所述卷积核包括5*5、6*6,所述步长可设置为1、2。另外,所述卷积层及池化层的层数可分别为6层、8层、10层、15层等。
S33、利用预设的激活函数计算所述场景特征集中每张场景特征的预测标签,得到预测标签集;
其中,所述激活函数包括但不限于softmax激活函数、Relu激活函数。
S34、利用预设的损失函数计算所述真实标签集与所述预测标签集之间的损失值;
其中,所述损失函数包括但不限于交叉熵损失函数、平方误差损失函数。
S35、根据所述损失值对所述卷积神经网络执行参数优化,并返回卷积、池化步骤,直至所述损失值小于预设损失阈值,确定所述卷积神经网络为场景识别模型;
应该了解的是,本发明实施例利用梯度下降算法结合所述损失值,更新所述卷积神经网络中参数,直至所述损失值小于所述预设的损失阈值。其中,所述梯度下降算法包括但不限于小批量梯度下降算法、随机梯度下降算法。
S36、将所述现场监控图输入至所述场景识别模型,得到所述人员活动图。
可以知道的是,当卷积神经网络完成训练后,即具备场景检测能力,示例性的,将上述招聘会的现场监控图输入至所述场景识别模型,即可得到仅包括人员活动图及非人员活动图。
S4、对所述人员活动图执行数字图像处理,得到拥挤度待识别图。
应该了解的是,为了提高拥挤度识别的准确率,对所述人员活动图执行数字图像处理,以提高图片质量。
详细地,参阅图4所示,所述S4包括:
S41、对所述人员活动图执行图像反转,得到反转活动图;
应了解的是,图像反转适用于增强图像暗色区域中的白色或灰色细节,特别是当黑色面积在图像中占主导地位时。因人员活动图有时会因为监控采光的问题,导致丢失了白色或灰色细节,因此执行图像反转也较为重要。
本发明实施例中,利用如下反转公式对所述人员活动图执行图像反转:
s=L-1-r
其中,s为所述反转活动图的像素值,L为灰度级数,r为所述人员活动图的像素值。
S42、根据预构建的幂次变化函数,对所述反转活动图执行幂次变化,得到幂次活动图;
应注意的是,幂次变化主要目的是使低灰度范围得以扩展,高灰度范围得以压缩,由于拥挤度主要通过图片中的人员密度计算得到,而人员信息一般以低灰度存在,因此可通过幂次变化适当放大人员信息,以提高后续拥挤度计算准确率。
详细地,所述幂次变化函数为:
t=csy
其中,t为所述幂次活动图中的像素值,c、y为预设定的正常数,s为所述反转活动图的像素值。
S43、将所述幂次活动图执行对比度拉伸及直方图均衡化,得到待滤波活动图;
S44、对所述待滤波活动图执行滤波操作,得到所述拥挤度待识别图。
本发明实施例中,所述滤波操作包括中值滤波及均值滤波操作。
S5、利用预训练完成的拥挤度识别模型,检测所述拥挤度待识别图,得到人体检测框集,计算所述人体检测框集的检测框数量,将所述检测框数量输入至预构建的拥挤度计算公式,计算得到所述活动现场的拥挤度。
参阅图5所示,所述预训练完成的拥挤度识别模型的预训练,包括:
S51、构建包括大目标特征提取层、小目标特征提取层及检测框生成层的待训练拥挤度识别模型;
受到监控设备在监控过程中容易发生畸变的现象,从而导致不同人员在所述拥挤度待识别图中所呈现的大小不尽相同,因此本发明实施例中,构建了包括大目标特征提取层、小目标特征提取层。
其中,大目标特征提取层主要用来识别所述拥挤度待识别图中体积较大的目标人群,小目标特征提取层主要识别所述拥挤度待识别图中体积较小的目标人群。
进一步地,本发明实施例中,所述大目标特征提取层由12层卷积层及池化层组成,其中卷积层及池化层各6层,在6层卷积层中,前2层的卷积核大小为5*5,后4层的卷积核大小为3*3。
另外,所述小目标特征提取层由8层卷积层及池化层组成,其中卷积层及池化层各4层,在4层卷积层中,每层卷积核大小均为3*3。
S52、接收大目标人群训练集、中目标人群训练集及真实目标框;
本发明实施例中,所述大目标人群训练集内每张图片其包括的人员体积,长度均大于4厘米、中目标人群训练集内每张图片其包括的人员,长度均小于或等于4厘米。
另外,所述真实目标框主要记录每张训练图片中的人员位置。
S53、利用所述大目标特征提取层对所述大目标人群训练集执行卷积提取,得到大目标卷积特征集;
S54、利用所述小目标特征提取层对所述中目标人群训练集执行卷积提取,得到中目标卷积特征集;
本发明实施例中,大目标特征提取层及小目标特征提取层的卷积及池化过程,与上述S3步骤相同,在此不再赘述。
S55、根据所述检测框生成层,分别计算所述大目标卷积特征集的目标预测框及所述中目标卷积特征集的目标预测框;
进一步地,所述检测框生成层主要根据激活函数,计算出目标预测框的左上角坐标及右下角坐标,并根据所述左上角坐标及右下角坐标绘制得到所述目标预测框。其中,所述激活函数包括线性激活函数、非线性激活函数等。
S56、计算所述目标预测框与所述真实目标框的误差值;
本发明实施例中,根据损失函数计算所述误差值,所述损失函数包括但不限于交叉熵损失函数、平方差损失函数等。
S57、判断所述误差值是否大于预设的误差阈值;
S58、当所述误差值大于所述误差阈值,调节所述待训练拥挤度识别模型的内部参数,并返回至S53;
应当了解的是,当所述误差值大于所述误差阈值,可通过调节所述待训练拥挤度识别模型的卷积核步长、池化策略、卷积核卷积次数等参数。
S59、当所述误差值小于或等于所述误差阈值,所述待训练拥挤度识别模型训练完成,得到所述拥挤度识别模型。
进一步地,当得到训练完成的所述拥挤度识别模型后,可将所述拥挤度待识别图直接输入至所述拥挤度识别模型,得到所述活动现场的拥挤度。
可以知道的是,上述拥挤度识别模型可识别所述拥挤度待识别图中的人体数量,并框选出每个人体在所述拥挤度待识别图的位置,得到人体检测框。
进一步地,所述将所述检测框数量输入至预构建的拥挤度计算公式,计算得到所述活动现场的拥挤度,包括:
采用如下拥挤度计算公式,计算得到所述活动现场的拥挤度:
其中,d表示所述拥挤度,n为所述检测框数量,sm表示所述人员活动图中人员活动的活动面积。
本发明实施例先从监控设备中提取监控活动现场的视频,另外,考虑到直接对现场监控视频中的每一帧均执行拥挤度检测,会极大的浪费计算资源,因此从现场监控视频中提取关键帧,得到现场监控图,仅对现场监控图执行拥挤度检测,节约资源;其次,从所述现场监控图中识别出人员活动区域,得到人员活动图,因拥挤度主要通过人员活动区域计算得到,因此从现场监控图中识别出人员活动区域,可更精准的计算出拥挤度;其后,为进一步提高拥挤度的计算准确率,对所述人员活动图执行数字图像处理,得到拥挤度待识别图;最后,利用预训练完成的拥挤度识别模型,识别所述拥挤度待识别图,得到所述活动现场的拥挤度,相比于背景技术来说,可见本发明实施例的拥挤度计算不需人工参与,其次通过人员活动区域识别去除非人员活动区域,减少非人员活动区域对拥挤度的计算影响、利用数字图像处理降低图片噪点对拥挤度准确率的影响,及使用预训练完成的拥挤度识别模型提高拥挤度准确率等。因此,本发明提出的一种活动现场拥挤度检测方法、装置、电子设备以及计算机可读存储介质可以提高拥挤度计算的准确率及智能化程度。
如图6所示,是本发明活动现场拥挤度检测装置的功能模块图。
本发明所述活动现场拥挤度检测装置100可以安装于电子设备中。根据实现的功能,所述活动现场拥挤度检测装置可以包括监控视频获取模块101、关键帧提取模块102、人员活动区域识别模块103、数字图像处理模块104以及拥挤度识别模块105。本发所述模块也可以称之为单元,是指一种能够被电子设备的处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述监控视频获取模块101,用于在预设时间段内利用监控设备监控活动现场,得到现场监控视频;
所述关键帧提取模块102,用于从所述现场监控视频中提取关键帧,得到现场监控图;
所述人员活动区域识别模块103,用于从所述现场监控图中识别出人员活动区域,得到人员活动图;
所述数字图像处理模块104,用于对所述人员活动图执行数字图像处理,得到拥挤度待识别图;
所述拥挤度识别模块105,用于利用预训练完成的拥挤度识别模型,检测所述拥挤度待识别图,得到人体检测框集,计算所述人体检测框集的检测框数量,将所述检测框数量输入至预构建的拥挤度计算公式,计算得到所述活动现场的拥挤度。
详细地,本发明实施例中所述活动现场拥挤度检测装置100中的所述各模块在使用时采用与上述的图1中所述的活动现场拥挤度检测方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图7所示,是本发明实现活动现场拥挤度检测方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如活动现场拥挤度检测程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行活动现场拥挤度检测程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如活动现场拥挤度检测程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备1之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
图7仅示出了具有部件的电子设备1,本领域技术人员可以理解的是,图7示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的活动现场拥挤度检测程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
在预设时间段内利用监控设备监控活动现场,得到现场监控视频;
从所述现场监控视频中提取关键帧,得到现场监控图;
从所述现场监控图中识别出人员活动区域,得到人员活动图;
对所述人员活动图执行数字图像处理,得到拥挤度待识别图;
利用预训练完成的拥挤度识别模型,检测所述拥挤度待识别图,得到人体检测框集,计算所述人体检测框集的检测框数量,将所述检测框数量输入至预构建的拥挤度计算公式,计算得到所述活动现场的拥挤度。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备1的处理器所执行时,可以实现:
在预设时间段内利用监控设备监控活动现场,得到现场监控视频;
从所述现场监控视频中提取关键帧,得到现场监控图;
从所述现场监控图中识别出人员活动区域,得到人员活动图;
对所述人员活动图执行数字图像处理,得到拥挤度待识别图;
利用预训练完成的拥挤度识别模型,检测所述拥挤度待识别图,得到人体检测框集,计算所述人体检测框集的检测框数量,将所述检测框数量输入至预构建的拥挤度计算公式,计算得到所述活动现场的拥挤度。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种活动现场拥挤度检测方法,其特征在于,所述方法包括:
在预设时间段内利用监控设备监控活动现场,得到现场监控视频;
从所述现场监控视频中提取关键帧,得到现场监控图;
从所述现场监控图中识别出人员活动区域,得到人员活动图;
对所述人员活动图执行数字图像处理,得到拥挤度待识别图;
利用预训练完成的拥挤度识别模型,检测所述拥挤度待识别图,得到人体检测框集,计算所述人体检测框集的检测框数量,将所述检测框数量输入至预构建的拥挤度计算公式,计算得到所述活动现场的拥挤度。
2.如权利要求1所述的活动现场拥挤度检测方法,其特征在于,所述从所述现场监控视频中提取关键帧,得到现场监控图,包括:
以所述现场监控视频的中心点作为关键位置点;
依次提取所述现场监控视频中每一帧在所述关键位置点的像素值,得到关键像素值;
根据每一帧的所述关键像素值,求解得到平均像素值;
从所述现场监控视频中,选择在所述关键位置点与所述平均像素值的像素差值在预设误差范围内的帧,得到所述现场监控图。
3.如权利要求1所述的活动现场拥挤度检测方法,其特征在于,所述从所述现场监控图中识别出人员活动区域,得到人员活动图,包括:
获取场景训练集及每张场景训练图中记录人员活动区域的真实标签集;
利用预构建的卷积神经网络对所述场景训练集中的每张场景训练图执行卷积、池化,得到场景特征集;
利用预设的激活函数计算所述场景特征集中每张场景特征的预测标签,得到预测标签集;
利用预设的损失函数计算所述真实标签集与所述预测标签集之间的损失值;
根据所述损失值对所述卷积神经网络执行参数优化,并返回卷积、池化步骤,直至所述损失值小于预设损失阈值,确定所述卷积神经网络为场景识别模型;
将所述现场监控图输入至所述场景识别模型,得到所述人员活动图。
4.如权利要求3所述的活动现场拥挤度检测方法,其特征在于,所述利用预构建的卷积神经网络对所述场景训练集中的每张场景训练图执行卷积、池化,得到场景特征集,包括:
将所述场景训练集中的每张场景训练图,依次输入至所述卷积神经网络,其中,所述卷积神经网络包括卷积层、池化层;
利用所述卷积层中的卷积核,按照预设步长对所述场景训练图执行卷积操作,得到卷积特征集;
根据最大池化原理,在所述池化层中对所述卷积特征集执行池化操作,得到所述场景特征集。
5.如权利要求1所述的活动现场拥挤度检测方法,其特征在于,所述对所述人员活动图执行数字图像处理,得到拥挤度待识别图,包括:
对所述人员活动图执行图像反转,得到反转活动图;
根据预构建的幂次变化函数,对所述反转活动图执行幂次变化,得到幂次活动图;
将所述幂次活动图执行对比度拉伸及直方图均衡化,得到待滤波活动图;
对所述待滤波活动图执行滤波操作,得到所述拥挤度待识别图。
6.如权利要求1所述的活动现场拥挤度检测方法,其特征在于,所述预训练完成的拥挤度识别模型的预训练,包括:
构建包括大目标特征提取层、小目标特征提取层及检测框生成层的待训练拥挤度识别模型;
接收大目标人群训练集、中目标人群训练集及真实目标框;
利用所述大目标特征提取层对所述大目标人群训练集执行卷积提取,得到大目标卷积特征集;
利用所述小目标特征提取层对所述中目标人群训练集执行卷积提取,得到中目标卷积特征集;
根据所述检测框生成层,分别计算所述大目标卷积特征集的目标预测框及所述中目标卷积特征集的目标预测框;
计算所述目标预测框与所述真实目标框的误差值;
判断所述误差值是否大于预设的误差阈值;
当所述误差值大于所述误差阈值,调节所述待训练拥挤度识别模型的内部参数,并返回上述卷积提取步骤;
当所述误差值小于或等于所述误差阈值,所述待训练拥挤度识别模型训练完成,得到所述拥挤度识别模型。
8.一种活动现场拥挤度检测装置,其特征在于,所述装置包括:
监控视频获取模块,用于在预设时间段内利用监控设备监控活动现场,得到现场监控视频;
关键帧提取模块,用于从所述现场监控视频中提取关键帧,得到现场监控图;
人员活动区域识别模块,用于从所述现场监控图中识别出人员活动区域,得到人员活动图;
数字图像处理模块,用于对所述人员活动图执行数字图像处理,得到拥挤度待识别图;
拥挤度识别模块,用于利用预训练完成的拥挤度识别模型,检测所述拥挤度待识别图,得到人体检测框集,计算所述人体检测框集的检测框数量,将所述检测框数量输入至预构建的拥挤度计算公式,计算得到所述活动现场的拥挤度。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的活动现场拥挤度检测方法。
10.一种计算机可读存储介质,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如权利要求1至7中任意一项所述的活动现场拥挤度检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111189608.XA CN113869269B (zh) | 2021-10-13 | 活动现场拥挤度检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111189608.XA CN113869269B (zh) | 2021-10-13 | 活动现场拥挤度检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113869269A true CN113869269A (zh) | 2021-12-31 |
CN113869269B CN113869269B (zh) | 2024-09-27 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542509A (zh) * | 2023-06-21 | 2023-08-04 | 广东致盛技术有限公司 | 一种校园后勤任务管理方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697435A (zh) * | 2018-12-14 | 2019-04-30 | 重庆中科云从科技有限公司 | 人流量监测方法、装置、存储介质及设备 |
CN110598558A (zh) * | 2019-08-14 | 2019-12-20 | 浙江省北大信息技术高等研究院 | 人群密度估计方法、装置、电子设备及介质 |
CN111582252A (zh) * | 2020-06-16 | 2020-08-25 | 上海眼控科技股份有限公司 | 人群密度图的获取方法、装置、计算机设备和存储介质 |
CN112396587A (zh) * | 2020-11-20 | 2021-02-23 | 重庆大学 | 一种基于协同训练和密度图的公交车厢内拥挤度检测方法 |
CN112464893A (zh) * | 2020-12-10 | 2021-03-09 | 山东建筑大学 | 一种复杂环境下的拥挤度分类方法 |
CN112699741A (zh) * | 2020-12-10 | 2021-04-23 | 广州广电运通金融电子股份有限公司 | 一种公交车内部拥挤度计算方法、系统及设备 |
CN113011228A (zh) * | 2019-12-19 | 2021-06-22 | 李韵涵 | 基于图像处理的地铁车内人群拥挤度检测方法 |
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697435A (zh) * | 2018-12-14 | 2019-04-30 | 重庆中科云从科技有限公司 | 人流量监测方法、装置、存储介质及设备 |
CN110598558A (zh) * | 2019-08-14 | 2019-12-20 | 浙江省北大信息技术高等研究院 | 人群密度估计方法、装置、电子设备及介质 |
CN113011228A (zh) * | 2019-12-19 | 2021-06-22 | 李韵涵 | 基于图像处理的地铁车内人群拥挤度检测方法 |
CN111582252A (zh) * | 2020-06-16 | 2020-08-25 | 上海眼控科技股份有限公司 | 人群密度图的获取方法、装置、计算机设备和存储介质 |
CN112396587A (zh) * | 2020-11-20 | 2021-02-23 | 重庆大学 | 一种基于协同训练和密度图的公交车厢内拥挤度检测方法 |
CN112464893A (zh) * | 2020-12-10 | 2021-03-09 | 山东建筑大学 | 一种复杂环境下的拥挤度分类方法 |
CN112699741A (zh) * | 2020-12-10 | 2021-04-23 | 广州广电运通金融电子股份有限公司 | 一种公交车内部拥挤度计算方法、系统及设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542509A (zh) * | 2023-06-21 | 2023-08-04 | 广东致盛技术有限公司 | 一种校园后勤任务管理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113283446A (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN111695609A (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
CN113705461A (zh) | 人脸清晰度检测方法、装置、设备及存储介质 | |
CN112507934A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
CN113298159A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN114550076A (zh) | 区域异常行为监控方法、装置、设备及存储介质 | |
CN113705460A (zh) | 图像中人脸睁眼闭眼检测方法、装置、设备及存储介质 | |
CN113707337A (zh) | 基于多源数据的疾病预警方法、装置、设备及存储介质 | |
CN112016617B (zh) | 细粒度分类方法、装置及计算机可读存储介质 | |
CN115457451B (zh) | 基于物联网的恒温恒湿试验箱的监控方法及装置 | |
CN113903068A (zh) | 基于人脸特征的陌生人监控方法、装置、设备及存储介质 | |
CN114241338A (zh) | 基于影像识别的建筑物测量方法、装置、设备及存储介质 | |
CN112347526A (zh) | 基于防摄屏的信息安全保护方法、装置、电子设备及介质 | |
CN114049568A (zh) | 基于图像比对的标的物形变检测方法、装置、设备及介质 | |
CN115471775A (zh) | 基于录屏视频的信息验证方法、装置、设备及存储介质 | |
CN114637326A (zh) | 区域策略制定方法、装置、设备及存储介质 | |
CN114022841A (zh) | 人员监控识别方法、装置、电子设备及可读存储介质 | |
CN113887439A (zh) | 基于图像识别的自动预警方法、装置、设备及存储介质 | |
CN114463685B (zh) | 行为识别方法、装置、电子设备及存储介质 | |
CN111583215A (zh) | 损伤图像智能定损方法、装置、电子设备及存储介质 | |
CN113869269B (zh) | 活动现场拥挤度检测方法、装置、电子设备及存储介质 | |
CN113792801B (zh) | 人脸炫光程度的检测方法、装置、设备及存储介质 | |
CN113869269A (zh) | 活动现场拥挤度检测方法、装置、电子设备及存储介质 | |
CN113255456B (zh) | 非主动活体检测方法、装置、电子设备及存储介质 | |
CN114049676A (zh) | 疲劳状态检测方法、装置、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 |