CN114639072A - 人流量信息生成方法、装置、电子设备和计算机可读介质 - Google Patents

人流量信息生成方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN114639072A
CN114639072A CN202210262110.XA CN202210262110A CN114639072A CN 114639072 A CN114639072 A CN 114639072A CN 202210262110 A CN202210262110 A CN 202210262110A CN 114639072 A CN114639072 A CN 114639072A
Authority
CN
China
Prior art keywords
people flow
information
flow
human body
distribution
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
CN202210262110.XA
Other languages
English (en)
Inventor
刘弘也
苏驰
李凯
王育林
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.)
Beijing Kingsoft Cloud Network Technology Co Ltd
Original Assignee
Beijing Kingsoft Cloud Network 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 Beijing Kingsoft Cloud Network Technology Co Ltd filed Critical Beijing Kingsoft Cloud Network Technology Co Ltd
Priority to CN202210262110.XA priority Critical patent/CN114639072A/zh
Publication of CN114639072A publication Critical patent/CN114639072A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本公开的实施例公开了人流量信息生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取目标监控场景图像；从上述目标监控场景图像中提取人体特征信息；根据上述人体特征信息，生成候选人流量信息组；根据上述候选人流量信息组，生成上述目标监控场景图像对应的人流量信息。该实施方式提升了识别监控图像对应的人流量的精度。

Description

人流量信息生成方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及人流量信息生成方法、装置、电子设备和计算机可读介质。
背景技术
目前，在对监控图像对应的人流量进行识别时，通常采用的方式为：通过训练的由监控图像的人工提取特征(如边缘、纹理、梯度等)到人流量总数的回归器识别人流量，或通过训练的由监控图像直接到人流量总数的卷积神经网络识别人流量。
然而，当采用上述方式对监控图像对应的人流量进行识别时，经常会存在如下技术问题：采用由监控图像的人工提取特征到人流量总数的回归器识别人流量时，缺乏图像的高层语义信息，识别人流量的精度较低，采用由监控图像直接到人流量总数的卷积神经网络识别人流量时，单任务学习的方式导致识别人流量的精度较低。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了人流量信息生成方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种人流量信息生成方法，该方法包括：获取目标监控场景图像；从上述目标监控场景图像中提取人体特征信息；根据上述人体特征信息，生成候选人流量信息组；根据上述候选人流量信息组，生成上述目标监控场景图像对应的人流量信息。
可选地，上述从上述目标监控场景图像中提取人体特征信息，包括：将上述目标监控场景图像输入至预先训练的人体特征提取网络，以生成人体特征向量；将上述人体特征向量输入至全连接层，以生成上述人体特征信息。
可选地，上述根据上述人体特征信息，生成候选人流量信息组，包括：将上述人体特征信息输入至预先训练的人流量分类网络，以生成人流量向量；将上述人流量向量输入至第一归一化层，以生成人流量预测概率向量；根据上述人流量预测概率向量，生成分类候选人流量信息。
可选地，上述根据上述人体特征信息，生成候选人流量信息组，包括：将上述人体特征信息输入至预先训练的人流量分布学习网络，以生成人流量分布概率向量；将上述人流量分布概率向量输入至第二归一化层，以生成人流量分布预测概率向量；根据上述人流量分布预测概率向量，生成分布候选人流量信息。
可选地，上述根据上述人体特征信息，生成候选人流量信息组，还包括：将上述人体特征信息输入至预先训练的人流量回归网络，以生成回归候选人流量信息。
可选地，上述人体特征提取网络包括：卷积网络块集合，上述卷积网络块集合中的卷积网络块串行连接；以及上述将上述目标监控场景图像输入至预先训练的人体特征提取网络，以生成人体特征向量，包括：将上述目标监控场景图像输入至上述卷积网络块集合中串行连接的卷积网络块，以生成人体特征向量。
可选地，上述卷积网络块集合中的卷积网络块包括：卷积层集合和激活函数层集合，上述卷积层集合中的每两层卷积层之间设置有上述激活函数层集合中的激活函数层。
可选地，上述根据上述人流量预测概率向量，生成分类候选人流量信息，包括：将上述人流量预测概率向量中的每个人流量预测概率与分类目标人流量的乘积确定为分类人流量分量，得到分类人流量分量集合，其中，上述分类目标人流量对应于上述人流量预测概率；根据上述分类人流量分量集合中各个分类人流量分量的和，生成分类候选人流量信息。
可选地，上述根据上述人流量分布预测概率向量，生成分布候选人流量信息，包括：将上述人流量分布预测概率向量中的每个人流量分布预测概率与分布目标人流量的乘积确定为分布人流量分量，得到分布人流量分量集合，其中，上述分布目标人流量对应于上述人流量分布预测概率；根据上述分布人流量分量集合中各个分布人流量分量的和，生成分布候选人流量信息。
可选地，上述方法还包括：响应于上述人流量信息满足预设人流量报警条件，控制相关联的报警设备执行报警操作。
第二方面，本公开的一些实施例提供了一种人流量信息生成装置，装置包括：获取单元，被配置成获取目标监控场景图像；提取单元，被配置成从上述目标监控场景图像中提取人体特征信息；第一生成单元，被配置成根据上述人体特征信息，生成候选人流量信息组；第二生成单元，被配置成根据上述候选人流量信息组，生成上述目标监控场景图像对应的人流量信息。
可选地，提取单元进一步被配置成：将上述目标监控场景图像输入至预先训练的人体特征提取网络，以生成人体特征向量；将上述人体特征向量输入至全连接层，以生成上述人体特征信息。
可选地，第一生成单元包括：第一输入单元、第二输入单元和分类候选人流量信息生成单元。其中，第一输入单元被配置成将上述人体特征信息输入至预先训练的人流量分类网络，以生成人流量向量。第二输入单元被配置成将上述人流量向量输入至第一归一化层，以生成人流量预测概率向量。分类候选人流量信息生成单元被配置成根据上述人流量预测概率向量，生成分类候选人流量信息。
可选地，第一生成单元还包括：第三输入单元、第四输入单元和分布候选人流量信息生成单元。其中，第三输入单元被配置成将上述人体特征信息输入至预先训练的人流量分布学习网络，以生成人流量分布概率向量。第四输入单元被配置成将上述人流量分布概率向量输入至第二归一化层，以生成人流量分布预测概率向量。分布候选人流量信息生成单元被配置成根据上述人流量分布预测概率向量，生成分布候选人流量信息。
可选地，第一生成单元还包括：第五输入单元，被配置成将上述人体特征信息输入至预先训练的人流量回归网络，以生成回归候选人流量信息。
可选地，上述人体特征提取网络包括：卷积网络块集合，上述卷积网络块集合中的卷积网络块串行连接。
可选地，上述提取单元进一步被配置成：将上述目标监控场景图像输入至上述卷积网络块集合中串行连接的卷积网络块，以生成人体特征向量。
可选地，上述卷积网络块集合中的卷积网络块包括：卷积层集合和激活函数层集合，上述卷积层集合中的每两层卷积层之间设置有上述激活函数层集合中的激活函数层。
可选地，上述分类候选人流量信息生成单元进一步被配置成：将上述人流量预测概率向量中的每个人流量预测概率与分类目标人流量的乘积确定为分类人流量分量，得到分类人流量分量集合，其中，上述分类目标人流量对应于上述人流量预测概率；根据上述分类人流量分量集合中各个分类人流量分量的和，生成分类候选人流量信息。
可选地，上述分布候选人流量信息生成单元进一步被配置成：将上述人流量分布预测概率向量中的每个人流量分布预测概率与分布目标人流量的乘积确定为分布人流量分量，得到分布人流量分量集合，其中，上述分布目标人流量对应于上述人流量分布预测概率；根据上述分布人流量分量集合中各个分布人流量分量的和，生成分布候选人流量信息。
可选地，装置还包括：控制单元，被配置成响应于上述人流量信息满足预设人流量报警条件，控制相关联的报警设备执行报警操作。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的人流量信息生成方法，提升了识别监控图像对应的人流量的精度。具体来说，造成识别监控图像对应的人流量的精度较低的原因在于：采用由监控图像的人工提取特征到人流量总数的回归器识别人流量时，缺乏图像的高层语义信息，识别人流量的精度较低，采用由监控图像直接到人流量总数的卷积神经网络识别人流量时，单任务学习的方式导致识别人流量的精度较低。基于此，本公开的一些实施例的人流量信息生成方法，首先，获取目标监控场景图像。然后，从上述目标监控场景图像中提取人体特征信息。由此，自动提取的人体特征信息包含了目标监控场景图像的高层语义信息。之后，根据上述人体特征信息，生成候选人流量信息组。最后，根据上述候选人流量信息组，生成上述目标监控场景图像对应的人流量信息。也因为人流量信息是候选人流量信息组中的各个候选人流量信息生成的，采用的是多任务学习的方式，提升了识别监控图像对应的人流量的精度。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的人流量信息生成方法的一个应用场景的示意图；
图2是根据本公开的人流量信息生成方法的一些实施例的流程图；
图3是根据本公开的人流量信息生成方法的另一些实施例的流程图；
图4是人流量信息生成网络的网络结构以及数据流向图；
图5是人体特征提取网络的网络结构示意图；
图6是卷积网络块的网络结构示意图；
图7是根据本公开的人流量信息生成装置的一些实施例的结构示意图；
图8是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的人流量信息生成方法的一个应用场景的示意图。
在图1的应用场景中，首先，计算设备101可以获取目标监控场景图像102。然后，计算设备101可以从上述目标监控场景图像102 中提取人体特征信息103。之后，计算设备101可以根据上述人体特征信息103，生成候选人流量信息组104(例如，候选人流量信息组 104可以包括：8，9，10)。其中，每一候选人流量信息可以表征目标监控场景图像102中的人数，即，人流量。最后，计算设备101可以根据上述候选人流量信息组104，生成上述目标监控场景图像102对应的人流量信息105(例如，人流量信息105可以为9)。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
继续参考图2，示出了根据本公开的人流量信息生成方法的一些实施例的流程200。该人流量信息生成方法，包括以下步骤：
步骤201，获取目标监控场景图像。
在一些实施例中，人流量信息生成方法的执行主体(例如图1所示的计算设备101)可以通过有线连接方式或者无线连接方式获取目标监控场景图像。其中，上述目标监控场景图像可以为当前获取的一监控场景的摄像装置拍摄的图像。上述监控场景可以为有人群流动的场景。实践中，上述执行主体可以从存储了各个监控场景图像的数据库中获取对应的拍摄时间为预设时间的监控场景图像作为目标监控场景图像。上述预设时间可以为当前时间，也可以为历史时间。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202，从目标监控场景图像中提取人体特征信息。
在一些实施例中，上述执行主体可以从上述目标监控场景图像中提取人体特征信息。实践中，上述执行主体可以通过人体特征提取模型，从上述目标监控场景图像中提取人体特征信息。其中，上述人体特征信息可以是包含上述目标监控场景图像包括的人体特征的信息。上述人体特征提取模型可以是用于提取上述目标监控场景图像包括的人体特征的模型。例如。上述人体特征提取模型可以为但不限于以下中的一项：RCNN(RegionConvolutional Neural Networks，基于区域的卷积神经网络)模型，DCNN(DeepConvolutional Neural Networks 深度卷积神经网络)模型。
步骤203，根据人体特征信息，生成候选人流量信息组。
在一些实施例中，上述执行主体可以根据上述人体特征信息，生成候选人流量信息组。实践中，上述执行主体可以根据预设的人流量识别算法集合中的每个人流量识别算法和上述人体特征信息，生成人流量作为候选人流量信息。其中，上述人流量识别算法集合中的人流量识别算法可以是用于识别人流量的算法。例如，上述人流量识别算法集合可以包括但不限于：决策树、支持向量机。上述人流量为通过人流量识别算法识别的目标监控场景图像中人的数量。
步骤204，根据候选人流量信息组，生成目标监控场景图像对应的人流量信息。
在一些实施例中，上述执行主体可以根据上述候选人流量信息组，生成上述目标监控场景图像对应的人流量信息。实践中，上述执行主体可以将上述候选人流量信息组包括的各个候选人流量信息的均值确定为上述目标监控场景图像对应的人流量信息。
可选地，上述执行主体可以响应于上述人流量信息满足预设人流量报警条件，控制相关联的报警设备执行报警操作。其中，上述预设人流量报警条件可以为“人流量信息对应的人流量大于预设值”。这里对于预设值的具体设定，不作限定。上述报警设备可以为音箱。上述报警操作可以为上述报警设备发出预设报警提示音的操作。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的人流量信息生成方法，提升了识别监控图像对应的人流量的精度。具体来说，造成识别监控图像对应的人流量的精度较低的原因在于：采用由监控图像的人工提取特征到人流量总数的回归器识别人流量时，缺乏图像的高层语义信息，识别人流量的精度较低，采用由监控图像直接到人流量总数的卷积神经网络识别人流量时，单任务学习的方式导致识别人流量的精度较低。基于此，本公开的一些实施例的人流量信息生成方法，首先，获取目标监控场景图像。然后，从上述目标监控场景图像中提取人体特征信息。由此，自动提取的人体特征信息包含了目标监控场景图像的高层语义信息。之后，根据上述人体特征信息，生成候选人流量信息组。最后，根据上述候选人流量信息组，生成上述目标监控场景图像对应的人流量信息。也因为人流量信息是候选人流量信息组中的各个候选人流量信息生成的，采用的是多任务学习的方式，提升了识别监控图像对应的人流量的精度。
进一步参考图3，其示出了人流量信息生成方法的另一些实施例的流程300。该人流量信息生成方法的流程300，包括以下步骤：
步骤301，获取目标监控场景图像。
在一些实施例中，步骤301的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201，在此不再赘述。
步骤302，将目标监控场景图像输入至预先训练的人体特征提取网络，以生成人体特征向量。
在一些实施例中，人流量信息生成方法的执行主体(例如图1所示的计算设备101)可以将上述目标监控场景图像输入至预先训练的人体特征提取网络，以生成人体特征向量。其中，上述人体特征提取网络可以是用于提取上述目标监控场景图像包含的人体特征的网络。例如，上述人体特征提取网络可以是但不限于以下任意一项：VGG16 (VisualGeometry Group-16，视觉集合群)网络和VGG32(Visual Geometry Group-32，视觉集合群)网络。
作为示例，如图4所示的人流量信息生成网络的网络结构以及数据流向图。其中，上述人流量信息生成网络包括：人体特征提取网络 401、全连接层402、人流量分类网络403、第一归一化层404、人流量分布学习网络405、第二归一化层406和人流量回归网络407。其中，上述执行主体可以将目标监控场景图像102输入上述人体特征提取网络401，以生成人体特征向量408。
可选地，上述人体特征提取网络可以包括：卷积网络块集合，上述卷积网络块集合中的卷积网络块串行连接。
在一些实施例的一些可选的实现方式中，上述执行主体可以将上述目标监控场景图像输入至上述卷积网络块集合中串行连接的卷积网络块，以生成人体特征向量。
作为示例，如图5所示的人体特征提取网络的网络结构示意图。其中，上述人体特征提取网络401可以包括至少一个卷积网络块501。至少一个卷积网络块501中的卷积网络块之间串行连接。
可选地，上述卷积网络块集合中的卷积网络块可以包括：卷积层集合和激活函数层集合，上述卷积层集合中的每两层卷积层之间设置有上述激活函数层集合中的激活函数层。
作为示例，如图6所示的卷积网络块的网络结构示意图，其中，卷积网络块501中设置有多层的卷积层601和多层的激活函数层602。每层卷积层601后均连接有激活函数层602。
步骤303，将人体特征向量输入至全连接层，以生成人体特征信息。
在一些实施例中，上述执行主体可以将上述人体特征向量输入至全连接层，以生成上述人体特征信息。作为示例，上述执行主体可以将上述人体特征向量408输入上述全连接层402，以生成上述人体特征信息103。其中，上述人体特征信息可以用特征向量表征。上述人体特征信息可以用f表示。f∈Rc。其中，R表示向量空间。c表示上述人体特征信息的向量长度。
步骤304，将人体特征信息输入至预先训练的人流量分类网络，以生成人流量向量。
在一些实施例中，上述执行主体可以将上述人体特征信息输入至预先训练的人流量分类网络，以生成人流量向量。作为示例，如图4 所示，上述执行主体可以将上述人体特征信息103输入预先训练的人流量分类网络403，以生成人流量向量409。上述人流量分类网络可以为全连接层。
其中，上述人流量向量可以用
Figure BDA0003550478470000111
表示。
Figure BDA0003550478470000112
其中，R表示向量空间。M+1表征从0到M共M+1类。
步骤305，将人流量向量输入至第一归一化层，以生成人流量预测概率向量。
在一些实施例中，上述执行主体可以将上述人流量向量输入至第一归一化层，以生成人流量预测概率向量。其中，上述第一归一化层可以为对应上述人流量分类网络的归一化层。上述人流量预测概率向量中的人流量预测概率可以表征在上述人流量向量中对应的人流量的预测概率。
作为示例，如图4所示，上述执行主体可以将上述人流量向量409 输入上述第一归一化层404，以生成人流量预测概率向量410。
其中，上述人流量预测概率向量可以用
Figure BDA0003550478470000113
表示。
Figure BDA0003550478470000114
Figure BDA0003550478470000115
Figure BDA0003550478470000116
与
Figure BDA0003550478470000117
分别代表
Figure BDA0003550478470000118
与
Figure BDA0003550478470000119
的第j个元素。
步骤306，根据人流量预测概率向量，生成分类候选人流量信息。
在一些实施例中，上述执行主体可以根据上述人流量预测概率向量，生成分类候选人流量信息。实践中，上述执行主体可以将上述人流量预测概率向量中最大的人流量预测概率对应的人流量作为分类候选人流量信息。作为示例，如图4所示，上述执行主体可以将人流量预测概率向量410中最大的人流量预测概率对应的人流量确定为分类候选人流量信息411。
在一些实施例的一些可选的实现方式中，首先，上述执行主体可以将上述人流量预测概率向量中的每个人流量预测概率与分类目标人流量的乘积确定为分类人流量分量，得到分类人流量分量集合。其中，上述分类目标人流量对应于上述人流量预测概率。然后，可以根据上述分类人流量分量集合中各个分类人流量分量的和，生成分类候选人流量信息。实践中，上述执行主体可以将上述各个分类人流量分量的和确定为分类候选人流量信息。
步骤307，将人体特征信息输入至预先训练的人流量分布学习网络，以生成人流量分布概率向量。
在一些实施例中，上述执行主体可以将上述人体特征信息输入至预先训练的人流量分布学习网络，以生成人流量分布概率向量。
作为示例，如图4所示，上述执行主体可以将上述人体特征信息 103输入预先训练的人流量分布学习网络405，以生成人流量分布概率向量412。上述人流量分布学习网络可以为全连接层。其中，上述人流量分布概率向量可以用
Figure BDA0003550478470000121
表示。
Figure BDA0003550478470000122
上述人流量分布学习网络可以为全连接层。
步骤308，将人流量分布概率向量输入至第二归一化层，以生成人流量分布预测概率向量。
在一些实施例中，上述执行主体可以将上述人流量分布概率向量输入至第二归一化层，以生成人流量分布预测概率向量。其中，上述第二归一化层可以为对应上述人流量分布学习网络的归一化层。上述人流量分布预测概率向量中的人流量分布预测概率可以表征在上述人流量分布概率向量中对应的人流量分布概率的预测概率。
作为示例，如图4所示，上述执行主体可以将上述人流量分布概率向量412输入上述第二归一化层406，以生成人流量分布预测概率向量413。
其中，上述人流量分布预测概率向量可以用
Figure BDA0003550478470000123
表示。
Figure BDA0003550478470000124
Figure BDA0003550478470000125
Figure BDA0003550478470000126
与
Figure BDA0003550478470000127
分别代表
Figure BDA0003550478470000128
与
Figure BDA0003550478470000129
的第j个元素。
步骤309，根据人流量分布预测概率向量，生成分布候选人流量信息。
在一些实施例中，上述执行主体可以根据上述人流量分布预测概率向量，生成分布候选人流量信息。实践中，上述执行主体可以将上述人流量分布预测概率向量中最大的人流量分布预测概率对应的人流量确定为分布候选人流量信息。作为示例，如图4所示，上述执行主体可以将人流量分布预测概率向量413中最大的人流量分布预测概率对应的人流量确定为分布候选人流量信息414。
在一些实施例的一些可选的实现方式中，首先，上述执行主体可以将上述人流量分布预测概率向量中的每个人流量分布预测概率与分布目标人流量的乘积确定为分布人流量分量，得到分布人流量分量集合。其中，上述分布目标人流量对应于上述人流量分布预测概率。然后，可以根据上述分布人流量分量集合中各个分布人流量分量的和，生成分布候选人流量信息。实践中，上述执行主体可以将上述各个分布人流量分量的和确定为分布候选人流量信息。
步骤310，将人体特征信息输入至预先训练的人流量回归网络，以生成回归候选人流量信息。
在一些实施例中，上述执行主体可以将上述人体特征信息输入至预先训练的人流量回归网络，以生成回归候选人流量信息。其中，上述人流量回归网络可以包括：全连接层。作为示例，如图4所示，上述执行主体可以将上述人体特征信息103输入预先训练的人流量回归网络407，以生成回归候选人流量信息415。其中，回归候选人流量信息可以用y3表示。
作为示例，如图4所示，其中，上述人流量信息生成网络可以通过以下步骤训练得到：
第一步，获取监控场景图像样本集合。其中，上述监控场景图像样本集合中的监控场景图像样本包括人体图像和人流量标签。其中，上述人流量标签可以为n个标注人员对一监控场景图像样本标注的人数的均值。各个监控场景图像样本中人数的最小值为0，最大值为M。
第二步，对于上述监控场景图像样本集合中的每个监控场景图像样本，生成对应上述监控场景图像样本的人流量分布概率标签。其中，人流量分布概率标签可以以p表示。
实践中，上述执行主体可以通过以下公式生成人流量分布概率标签p在一个维度的人流量分布概率标签pj：
Figure BDA0003550478470000131
其中，pj表示上述监控场景图像样本的人数为j的概率。σ表示高斯分布的标准差。Z是一个归一化因子来保证p各维度之和为1。
Figure BDA0003550478470000141
y表示上述监控场景图像样本的人流量标签。
Figure BDA0003550478470000142
代表e的
Figure BDA0003550478470000143
次方。e是自然底数。
第三步，将上述监控场景图像样本集合按照预设比例进行划分，以生成训练样本集合和测试样本集合。
例如，上述训练样本集合中的训练样本的数量与测试样本集合中的测试样本数量的比值可以是10:1。
第四步，随机化人流量信息生成网络的网络参数。
第五步，通过上述训练样本集合对上述人流量信息生成网络进行训练。
可选地，可以将下式数确定为上述人流量分类网络的损失函数：
Figure BDA0003550478470000144
其中，L1表示人流量分类网络的损失函数的损失值。y表示训练样本包括的人流量标签。
可选地，可以将下式确定为上述人流量分布学习网络的损失函数：
Figure BDA0003550478470000145
其中，L2表示上述人流量分布学习网络的损失函数的损失值。
可选地，可以将下式确定为上述人流量回归网络的损失函数：
L3＝|y3-y|。
其中，L3表示上述人流量回归网络的损失函数的损失值。
可选地，可以将下式确定为上述人流量回归网络的集成损失函数：
Figure BDA0003550478470000147
其中，L4表示上述人流量回归网络的损失函数的损失值。
Figure BDA0003550478470000148
表示训练样本对应的人流量分类网络、人流量分布学习网络和人流量回归网络的集成输出。
Figure BDA0003550478470000149
可选地，图4中所示的人流量信息生成网络的整体损失函数可以为：
L＝L1+L2+L3+L4。
其中，L表示整体损失函数的损失值。
第六步，通过反向传播算法，对人流量信息生成网络的网络参数更新。
其中，反向传播算法的学习率可以为预设值。例如，学习率可以是0.01。又如，学习率还可以是0.001。
第七步，通过测试样本集合，对训练完成的人流量信息生成网络进行测试。
步骤311，根据候选人流量信息组，生成目标监控场景图像对应的人流量信息。
在一些实施例中，首先，上述执行主体可以将上述分类候选人流量信息、上述分布候选人流量信息和上述回归候选人流量信息组合为候选人流量信息组。然后，上述执行主体可以将上述分类候选人流量信息、上述分布候选人流量信息和上述回归候选人流量信息的均值确定为人流量数值。然后，可以对上述人流量数值进行向下取整处理，得到向下取整处理后的人流量数值作为人流量信息。
从图3中可以看出，与图2对应的一些实施例的描述相比，图3 对应的一些实施例中的人流量信息生成方法的流程300，首先，通过人体特征提取网络和全连接层，进行人体特征的提取，从而提取到更深层次的人体特征信息。其次，分别通过人流量分类网络、人流量分布学习网络和人流量回归网络，生成分类候选人流量信息、分布候选人流量信息和回归候选人流量信息，使得人流量分类网络、人流量分布学习网络和人流量回归网络相互互补，提高了得到的人流量信息的精度。
进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种人流量信息生成装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，一些实施例的人流量信息生成装置700包括：获取单元701、提取单元702、第一生成单元703和第二生成单元704。其中，获取单元701被配置成获取目标监控场景图像；提取单元702被配置成从上述目标监控场景图像中提取人体特征信息；第一生成单元703被配置成根据上述人体特征信息，生成候选人流量信息组；第二生成单元704被配置成根据上述候选人流量信息组，生成上述目标监控场景图像对应的人流量信息。
可选地，提取单元可以进一步被配置成：将上述目标监控场景图像输入至预先训练的人体特征提取网络，以生成人体特征向量；将上述人体特征向量输入至全连接层，以生成上述人体特征信息。
可选地，第一生成单元可以包括：第一输入单元、第二输入单元和分类候选人流量信息生成单元(图中未示出)。其中，第一输入单元被配置成将上述人体特征信息输入至预先训练的人流量分类网络，以生成人流量向量。第二输入单元被配置成将上述人流量向量输入至第一归一化层，以生成人流量预测概率向量。分类候选人流量信息生成单元被配置成根据上述人流量预测概率向量，生成分类候选人流量信息。
可选地，第一生成单元还可以包括：第三输入单元、第四输入单元和分布候选人流量信息生成单元(图中未示出)。其中，第三输入单元被配置成将上述人体特征信息输入至预先训练的人流量分布学习网络，以生成人流量分布概率向量。第四输入单元被配置成将上述人流量分布概率向量输入至第二归一化层，以生成人流量分布预测概率向量。分布候选人流量信息生成单元被配置成根据上述人流量分布预测概率向量，生成分布候选人流量信息。
可选地，第一生成单元还可以包括：第五输入单元(图中未示出)，被配置成将上述人体特征信息输入至预先训练的人流量回归网络，以生成回归候选人流量信息。
可选地，上述人体特征提取网络包括：卷积网络块集合，上述卷积网络块集合中的卷积网络块串行连接。
可选地，上述提取单元可以进一步被配置成：将上述目标监控场景图像输入至上述卷积网络块集合中串行连接的卷积网络块，以生成人体特征向量。
可选地，上述卷积网络块集合中的卷积网络块包括：卷积层集合和激活函数层集合，上述卷积层集合中的每两层卷积层之间设置有上述激活函数层集合中的激活函数层。
可选地，上述分类候选人流量信息生成单元可以进一步被配置成：将上述人流量预测概率向量中的每个人流量预测概率与分类目标人流量的乘积确定为分类人流量分量，得到分类人流量分量集合，其中，上述分类目标人流量对应于上述人流量预测概率；根据上述分类人流量分量集合中各个分类人流量分量的和，生成分类候选人流量信息。
可选地，上述分布候选人流量信息生成单元可以进一步被配置成：将上述人流量分布预测概率向量中的每个人流量分布预测概率与分布目标人流量的乘积确定为分布人流量分量，得到分布人流量分量集合，其中，上述分布目标人流量对应于上述人流量分布预测概率；根据上述分布人流量分量集合中各个分布人流量分量的和，生成分布候选人流量信息。
可选地，人流量信息生成装置700还可以包括：控制单元(图中未示出)，被配置成响应于上述人流量信息满足预设人流量报警条件，控制相关联的报警设备执行报警操作。
可以理解的是，该装置700中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置700及其中包含的单元，在此不再赘述。
下面参考图8，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备101)800的结构示意图。图8示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线 804。
通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置 806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图8中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM 或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP (HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标监控场景图像；从上述目标监控场景图像中提取人体特征信息；根据上述人体特征信息，生成候选人流量信息组；根据上述候选人流量信息组，生成上述目标监控场景图像对应的人流量信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、提取单元、第一生成单元和第二生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取目标监控场景图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD) 等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (13)

1.一种人流量信息生成方法，包括：
获取目标监控场景图像；
从所述目标监控场景图像中提取人体特征信息；
根据所述人体特征信息，生成候选人流量信息组；
根据所述候选人流量信息组，生成所述目标监控场景图像对应的人流量信息。
2.根据权利要求1所述的方法，其中，所述从所述目标监控场景图像中提取人体特征信息，包括：
将所述目标监控场景图像输入至预先训练的人体特征提取网络，以生成人体特征向量；
将所述人体特征向量输入至全连接层，以生成所述人体特征信息。
3.根据权利要求1所述的方法，其中，所述根据所述人体特征信息，生成候选人流量信息组，包括：
将所述人体特征信息输入至预先训练的人流量分类网络，以生成人流量向量；
将所述人流量向量输入至第一归一化层，以生成人流量预测概率向量；
根据所述人流量预测概率向量，生成分类候选人流量信息。
4.根据权利要求3所述的方法，其中，所述根据所述人体特征信息，生成候选人流量信息组，包括：
将所述人体特征信息输入至预先训练的人流量分布学习网络，以生成人流量分布概率向量；
将所述人流量分布概率向量输入至第二归一化层，以生成人流量分布预测概率向量；
根据所述人流量分布预测概率向量，生成分布候选人流量信息。
5.根据权利要求4所述的方法，其中，所述根据所述人体特征信息，生成候选人流量信息组，还包括：
将所述人体特征信息输入至预先训练的人流量回归网络，以生成回归候选人流量信息。
6.根据权利要求2所述的方法，其中，所述人体特征提取网络包括：卷积网络块集合，所述卷积网络块集合中的卷积网络块串行连接；以及
所述将所述目标监控场景图像输入至预先训练的人体特征提取网络，以生成人体特征向量，包括：
将所述目标监控场景图像输入至所述卷积网络块集合中串行连接的卷积网络块，以生成人体特征向量。
7.根据权利要求6所述的方法，其中，所述卷积网络块集合中的卷积网络块包括：卷积层集合和激活函数层集合，所述卷积层集合中的每两层卷积层之间设置有所述激活函数层集合中的激活函数层。
8.根据权利要求3所述的方法，其中，所述根据所述人流量预测概率向量，生成分类候选人流量信息，包括：
将所述人流量预测概率向量中的每个人流量预测概率与分类目标人流量的乘积确定为分类人流量分量，得到分类人流量分量集合，其中，所述分类目标人流量对应于所述人流量预测概率；
根据所述分类人流量分量集合中各个分类人流量分量的和，生成分类候选人流量信息。
9.根据权利要求4所述的方法，其中，所述根据所述人流量分布预测概率向量，生成分布候选人流量信息，包括：
将所述人流量分布预测概率向量中的每个人流量分布预测概率与分布目标人流量的乘积确定为分布人流量分量，得到分布人流量分量集合，其中，所述分布目标人流量对应于所述人流量分布预测概率；
根据所述分布人流量分量集合中各个分布人流量分量的和，生成分布候选人流量信息。
10.根据权利要求1-9之一所述的方法，其中，所述方法还包括：
响应于所述人流量信息满足预设人流量报警条件，控制相关联的报警设备执行报警操作。
11.一种人流量信息生成装置，包括：
获取单元，被配置成获取目标监控场景图像；
提取单元，被配置成从所述目标监控场景图像中提取人体特征信息；
第一生成单元，被配置成根据所述人体特征信息，生成候选人流量信息组；
第二生成单元，被配置成根据所述候选人流量信息组，生成所述目标监控场景图像对应的人流量信息。
12.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至10中任一所述的方法。
13.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1至10中任一所述的方法。
CN202210262110.XA 2022-03-16 2022-03-16 人流量信息生成方法、装置、电子设备和计算机可读介质 Pending CN114639072A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210262110.XA CN114639072A (zh) 2022-03-16 2022-03-16 人流量信息生成方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210262110.XA CN114639072A (zh) 2022-03-16 2022-03-16 人流量信息生成方法、装置、电子设备和计算机可读介质

Publications (1)

Publication Number Publication Date
CN114639072A true CN114639072A (zh) 2022-06-17

Family

ID=81949783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210262110.XA Pending CN114639072A (zh) 2022-03-16 2022-03-16 人流量信息生成方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN114639072A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116066986A (zh) * 2023-02-20 2023-05-05 北京金石视觉数字科技有限公司 室内温度控制方法、装置、电子设备和计算机可读介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116066986A (zh) * 2023-02-20 2023-05-05 北京金石视觉数字科技有限公司 室内温度控制方法、装置、电子设备和计算机可读介质
CN116066986B (zh) * 2023-02-20 2023-09-19 北京金石视觉数字科技有限公司 室内温度控制方法、装置、电子设备和计算机可读介质

Similar Documents

Publication Publication Date Title
CN108520220B (zh) 模型生成方法和装置
CN109800732B (zh) 用于生成漫画头像生成模型的方法和装置
CN110807515A (zh) 模型生成方法和装置
CN109447156B (zh) 用于生成模型的方法和装置
CN111523640B (zh) 神经网络模型的训练方法和装置
CN115085196B (zh) 电力负荷预测值确定方法、装置、设备和计算机可读介质
CN111368973A (zh) 用于训练超网络的方法和装置
CN116932919B (zh) 信息推送方法、装置、电子设备和计算机可读介质
CN116128055A (zh) 图谱构建方法、装置、电子设备和计算机可读介质
CN111104874A (zh) 人脸年龄预测方法及模型的训练方法、装置及电子设备
CN114639072A (zh) 人流量信息生成方法、装置、电子设备和计算机可读介质
CN111862081A (zh) 图像评分方法、分数预测网络的训练方法、装置
CN110956127A (zh) 用于生成特征向量的方法、装置、电子设备和介质
CN115062119B (zh) 政务事件办理推荐方法、装置
CN111726476B (zh) 图像处理方法、装置、设备和计算机可读介质
CN113255819A (zh) 用于识别信息的方法和装置
CN110956129A (zh) 用于生成人脸特征向量的方法、装置、设备和介质
CN112365046A (zh) 用户信息生成方法、装置、电子设备和计算机可读介质
CN111754984A (zh) 文本选取的方法、装置、设备和计算机可读介质
CN111709784A (zh) 用于生成用户留存时间的方法、装置、设备和介质
CN117636100B (zh) 预训练任务模型调整处理方法、装置、电子设备和介质
CN111523639A (zh) 用于训练超网络的方法和装置
CN116862319B (zh) 电力指标信息生成方法、装置、电子设备和介质
CN113077353B (zh) 用于生成核保结论的方法、装置、电子设备和介质
CN112650528B (zh) 个性化算法生成方法、装置、电子设备和计算机可读介质

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