CN114640807B - 基于视频的对象统计方法、装置、电子设备和存储介质 - Google Patents
基于视频的对象统计方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114640807B CN114640807B CN202210254259.3A CN202210254259A CN114640807B CN 114640807 B CN114640807 B CN 114640807B CN 202210254259 A CN202210254259 A CN 202210254259A CN 114640807 B CN114640807 B CN 114640807B
- Authority
- CN
- China
- Prior art keywords
- detection
- frame
- video
- frames
- images
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 329
- 238000002372 labelling Methods 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 14
- 239000013598 vector Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007726 management method Methods 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
- 230000002265 prevention Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/30—Transforming light or analogous information into electric information
- H04N5/33—Transforming infrared radiation
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/10—Movable barriers with registering means
Abstract
本申请提出一种基于视频的对象统计方法、装置、电子设备和存储介质，其中，该方法包括：获取待检测视频；将待检测视频中的多帧图像分别输入至对象检测模型中，以得到所述各帧图像中至少一检测对象的检测框的位置；根据各帧图像中所述至少一检测对象的检测框的位置，确定至少一检测对象的运动轨迹；将至少一检测对象中运动轨迹分别与跨线区域中的第一线段和第二线段相交的检测对象，确定为经过跨线区域的目标对象；对所述目标对象的数量进行统计。由此，跨线区域采用双重线段，并将运动轨迹经过双重线段的检测对象进行统计，提高了统计精度，扩大了应用场景范围，同时，降低了统计成本，并减少了噪声和遮挡的影响，且降低了部署难度。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及一种基于视频的对象统计方法、装置、电子设备和存储介质。
背景技术
随着城市发展速度不断加快，对象(如，人口)数量逐渐增加，城市中一些公共场所的对象流量也随之提升。比如，在轨道交通站中对每个出入口的客流状况进行统计变得尤为重要。一方面，客流数据既能为轨道交通建设提供重要依据；另一方面，客流数据也可以帮助地铁运营者制定科学的运营管理、客流规划、车辆调度，进一步帮助相关部门提高拥挤事故防范能力，对突发时间做到及时有效的应对，因此，统计对象数量则更加显得重要。
相关技术中，主要通过热红外人体感应器或基于时间差(Time of flight，简称TOF)相机来完成对象计数功能，但是，基于红外传感器的方法需要将红外传感器安装在多个方位和角度上，部署难度大和部署成本较高，并且部署范围受限；基于TOF相机的对象计数方法成本较高，难以在大部分场景中应用。
发明内容
本申请第一方面实施例提出一种基于视频的对象统计方法。
本申请第二方面实施例提出一种基于视频的对象统计装置。
本申请第三方面实施例提出一种电子设备。
本申请第四方面实施例提出一种计算机可读存储介质。
本申请第五方面实施例提出一种计算机程序产品。
本申请第一方面实施例提出了一种基于视频的对象统计方法，包括：获取待检测视频；将所述待检测视频中的多帧图像分别输入至对象检测模型中，以得到所述各帧图像中至少一检测对象的检测框的位置；根据各帧图像中所述至少一检测对象的检测框的位置，确定所述至少一检测对象的运动轨迹；将所述至少一检测对象中运动轨迹分别与跨线区域中的第一线段和第二线段相交的检测对象，确定为经过跨线区域的目标对象；对所述目标对象的数量进行统计。
本申请实施例的基于视频的对象统计方法，通过在跨线区域设置第一线段和第二线段，并根据视频中各帧图像中的检测对象的检测框的位置确定对应的运动轨迹，将运动轨迹与跨线区域的第一线段和第二线段相交的检测对象，确定为经过跨线区域的目标对象并进行数量统计，由此，跨线区域采用双重线段，并将运动轨迹经过双重线段的检测对象进行统计，提高了统计精度，扩大了应用场景范围，同时，降低了统计成本，并减少了噪声和遮挡的影响，且降低了部署难度。
另外，根据本申请上述实施例的基于视频的对象统计装置还可以具有如下附加的技术特征：
在本申请的一个实施例中，所述根据各帧图像中所述至少一检测对象的检测框的位置，确定所述至少一检测对象的运动轨迹，包括：对所述多帧图像中任意的相邻两帧图像，对所述相邻两帧图像中同一检测对象的检测框的位置进行运动轨迹拟合，以得到所述相邻两帧图像中至少一检测对象的运动轨迹中的第一轨迹片段；相应的，所述将所述至少一检测对象中运动轨迹分别与跨线区域中的第一线段和第二线段相交的检测对象，确定为经过跨线区域的目标对象，包括：将所述至少一检测对象中所述第一轨迹片段分别与跨线区域中的第一线段和第二线段相交的检测对象，确定为所述目标对象，并对所述目标对象的数量进行统计。
在本申请的一个实施例中，所述方法，还包括：将所述至少一检测对象中所述第一轨迹片段与所述第一线段相交，所述第一轨迹片段与所述第二线段不相交的至少一候选对象，根据所述相邻两帧图像以及下一相邻帧图像中同一候选对象的检测框的位置进行运动轨迹拟合，以得到所述相邻两帧图像以及下一相邻帧图像中所述至少一候选对象的第二轨迹片段；将所述至少一候选对象中的第二轨迹片段与所述第二线段相交的候选对象，确定为所述目标对象；对所述目标对象的数量进行统计。
在本申请的一个实施例中，所述将所述待检测视频中的多帧图像分别输入至对象检测模型中，以得到所述多帧图像中各个检测对象的检测框的位置，包括：将所述待检测视频中的多帧图像分别输入至对象检测模型中，以得到各帧图像中检测框的位置以及检测框内检测对象所属的类别；根据所述检测框内检测对象所属的类别，确定所述多帧图像中属于同一检测对象的检测框；根据所述属于同一检测对象的检测框的位置，以得到所述多帧图像中各个检测对象的检测框的位置。
在本申请的一个实施例中，将所述待检测视频中的多帧图像分别输入至对象检测模型中之前，还包括：获取样本图像；将所述样本图像输入至所述对象检测模型，以得到预测框的位置以及所述预测框内预测对象所属的预测类别；根据所述预测框的位置和所述样本图像上的标注框的位置之间的第一差异，和/或，根据所述预测框内预测对象所属的预测类别和所述样本图像上的所述标注框内标注对象所属的标注类别之间的第二差异，对所述对象预测模型进行训练。
本申请第二方面实施例提出了一种基于视频的对象统计装置，包括：获取模块，用于获取待检测视频；输入模块，用于将所述待检测视频中的多帧图像分别输入至对象检测模型中，以得到所述各帧图像中至少一检测对象的检测框的位置；第一确定模块，用于根据各帧图像中所述至少一检测对象的检测框的位置，确定所述至少一检测对象的运动轨迹；第二确定模块，用于将所述至少一检测对象中运动轨迹分别与跨线区域中的第一线段和第二线段相交的检测对象，确定为经过跨线区域的目标对象；统计模块，用于对所述目标对象的数量进行统计。
本公开实施例的基于视频的对象统计装置，通过在跨线区域设置第一线段和第二线段，并根据视频中各帧图像中的检测对象的检测框的位置确定对应的运动轨迹，将运动轨迹与跨线区域的第一线段和第二线段相交的检测对象，确定为经过跨线区域的目标对象并进行数量统计，由此，跨线区域采用双重线段，并将运动轨迹经过双重线段的检测对象进行统计，提高了统计精度，扩大了应用场景范围，同时，降低了统计成本，并减少了噪声和遮挡的影响，且降低了部署难度。
本申请第三方面实施例提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如前述第一方面实施例所述的基于视频的对象统计方法。
本申请第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现如前述第一方面实施例所述的基于视频的对象统计方法。
本申请第五方面实施例提出了一种计算机程序，包括计算机程序，所述计算机程序在被处理器执行时实现如前述第一方面实施例所述的基于视频的对象统计方法。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请一个实施例的基于视频的对象统计方法的流程示意图；
图2为根据本申请一个实施例的基于视频的对象统计方法的流程示意图；
图3为根据本申请一个实施例的第一运动轨迹与第一线段或第二线段相交的示意图；
图4为根据本申请一个实施例的基于视频的对象统计方法的流程示意图；
图5为根据本申请一个实施例的基于视频的对象统计方法的流程示意图；
图6为根据本申请一个实施例的对象检测模型的结构示意图；
图7为根据本申请一个实施例的基于视频的对象统计方法的流程示意图；
图8为根据本申请一个实施例的监控区域结构示意图；
图9是根据本公开实施例的一种基于视频的对象统计装置；
图10是根据一示例性实施例示出的一种用于基于视频的对象统计的电子设备的框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
相关技术中，还可基于深度学习检测框的单线段方法进行目标统计，但是，由于单目摄像头容易受噪声、遮挡等影响，使用单线段方法进行目标统计导致准确度较低。
针对上述问题，本公开提出一种基于视频的对象统计方法、装置、电子设备和存储介质。
下面参照附图描述本申请实施例的基于视频的对象统计方法、装置、电子设备和存储介质。
本申请实施例提供的基于视频的对象统计方法，需要说明的是，本公开实施例的基于视频的对象统计方法可应用于本公开实施例的基于视频的对象统计装置，该装置可被配置于电子设备中。其中，该电子设备可以是移动终端，例如，手机、平板电脑、个人数字助理等具有各种操作系统的硬件设备。
图1为根据本申请一个实施例的基于视频的对象统计方法的流程示意图。
如图1所示，该基于视频的对象统计方法，可包括：
步骤101，获取待检测视频。
在本公开实施例中，待检测视频可以为在线采集的视频，比如可以通过网络爬虫技术，在线采集待检测视频，或者，待检测视频也可以为线下采集的视频，或者，待检测视频也可以为实时采集的视频流，或者，待检测视频也可以为人工合成的视频，等等，本公开实施例对此并不做限制。
步骤102，将待检测视频中的多帧图像分别输入至对象检测模型中，以得到各帧图像中至少一检测对象的检测框的位置。
进一步地，可将待检测视频帧中的多帧图像分别输入至对象检测模型中，对象检测模型可输出各帧图像中至少一检测对象的检测框的位置和检测框内检测对象所属的类别，根据检测框内检测对象所属的类别，可确定多帧图像中属于同一检测对象的检测框，进而，可得到多帧图像中各个检测对象的检测框的位置。其中，对象检测模型可为经过训练的对象检测模型。比如可以基于深度学习技术，对初始的对象检测模型进行训练，使得经过训练的对象检测模型能够学习得到各帧图像与检测框的位置之间的对应关系。
步骤103，根据各帧图像中至少一检测对象的检测框的位置，确定至少一检测对象的运动轨迹。
在本公开实施例中，可将各帧图像中同一检测对象的检测框的位置进行运动轨迹拟合，确定至少一检测对象的运动轨迹。
步骤104，将至少一检测对象中运动轨迹分别与跨线区域中的第一线段和第二线段相交的检测对象，确定为经过跨线区域的目标对象。
在本公开实施例中，可预先在待检测视频对应的监控区域内绘制第一线段和第二线段，并将第一线段和第二线段之间的区域作为跨线区域，第一线段和第二线段的长度可根据实际需求进行设定，本公开不做具体限定。
进一步地，可判断各帧图像中至少一检测对象中的运动轨迹是否与跨线区域中的第一线段和第二线段相交，并将运动轨迹分别与跨线区域中的第一线段和第二线段相交的检测对象，确定为经过跨线区域的目标对象。
步骤105，对目标对象的数量进行统计。
进一步地，可对目标对象的数量进行统计，比如，可统计出当前时刻进入的人数；或者，可统计出当前时刻出去的人数。
综上，通过在跨线区域设置第一线段和第二线段，并对视频中各帧图像中的检测对象的检测框确定对应的运动轨迹，将运动轨迹与跨线区域的第一线段和第二线段相交的检测对象，确定为经过跨线区域的目标对象并进行数量统计，由此，跨线区域采用双重线段，并将运动轨迹经过双重线段的检测对象进行统计，提高了统计精度，扩大了应用场景范围，同时，降低了统计成本，并减少了噪声和遮挡的影响，且降低了部署难度。
为了准确地确定经过跨线区域的目标对象，如图2所示，图2为根据本申请一个实施例的基于视频的对象统计方法的流程示意图，在本公开实施例中，可对多帧图像中任意的相邻两帧图像中至少一检测对象的运动轨迹与跨线区域的第一线段和第二线段是否相交进行判断，以从至少一检测对象中确定经过跨线区域的目标对象，图2所示实施例可包括以下步骤：
步骤201，获取待检测视频。
步骤202，将待检测视频中的多帧图像分别输入至对象检测模型中，以得到各帧图像中至少一检测对象的检测框的位置。
步骤203，对多帧图像中任意的相邻两帧图像，对相邻两帧图像中同一检测对象的检测框的位置进行运动轨迹拟合，以得到相邻两帧图像中至少一检测对象的运动轨迹中的第一轨迹片段。
在本公开实施例中，可根据多帧图像中任意的相邻两帧图像中至少一检测对象的检测框位置，将属于同一检测对象的检测框的位置进行运动轨迹拟合，可得到相邻两帧图像中至少一检测对象的运动轨迹中的第一轨迹片段。
步骤204，将至少一检测对象中第一轨迹片段分别与跨线区域中的第一线段和第二线段相交的检测对象，确定为目标对象。
进一步地，可对至少一检测对象的第一轨迹片段与跨线区域中的第一线段和第二线段是否相交进行判断，并将至少一检测对象中第一轨迹片段分别与跨线区域中的第一线段和第二线段相交的检测对象，确定为目标对象。
可选地，如图3所示，可采用如下步骤以判断跨线区域中的第一线段或第二线段是否与第一轨迹片段是否相交：
1、获取检测对象第一轨迹片段中在跨线前的任意的坐标位置点P4(x4,y4)以及跨线后的任意坐标位置点P3(x3,y3)，则坐标位置点P4和P3所在直线的斜率截距为b＝y4-Kx4，该直线所在的方程为：y-Kx-b＝0；
2、将第一线段的两点P1和P2的坐标代入到判别式A＝(y2-Kx2-b)(y1-Kx1-b)中，在A≤0时，可确定第一轨迹片段与第一线段相交，在A>0时，可确定第一轨迹片段与第一线段不相交；同理，可确定第一轨迹片段是否与第二线段相交。
步骤205，对目标对象的数量进行统计。
需要说明的是，步骤201-202、步骤205的执行过程可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。
综上，通过对多帧图像中任意的相邻两帧图像，对相邻两帧图像中同一检测对象的检测框的位置进行运动轨迹拟合，以得到相邻两帧图像中至少一检测对象的运动轨迹中的第一轨迹片段；将至少一检测对象中第一轨迹片段分别与跨线区域中的第一线段和第二线段相交的检测对象，确定为目标对象。由此，通过判断任意相邻两帧图像中的检测对象的第一轨迹片段是否与跨线区域中的第一线段和第二线段相交，可准确地确定经过跨线区域的目标对象。
为了准确地确定经过跨线区域的目标对象，如图4所示，图4为根据本申请一个实施例的基于视频的对象统计方法的流程示意图，在本公开实施例中，对于至少一检测对象中的第一轨迹片段与第一线段相交，第一轨迹片段与第二线段不相交的至少一候选对象，可获取相邻两帧图像以及下一相邻帧图像中同一候选对象的检测框的位置进行运动轨迹拟合，得到至少一候选对象的第二轨迹片段，已从至少一候选对象中确定第二轨迹片段与第二线段相交的目标对象，图4实施例可包括如下步骤：
步骤401，获取待检测视频。
步骤402，将待检测视频中的多帧图像分别输入至对象检测模型中，以得到所述各帧图像中至少一检测对象的检测框的位置。
步骤403，对多帧图像中任意的相邻两帧图像，对相邻两帧图像中同一检测对象的检测框的位置进行运动轨迹拟合，以得到相邻两帧图像中至少一检测对象的运动轨迹中的第一轨迹片段。
步骤404，将至少一检测对象中第一轨迹片段与第一线段相交，所述第一轨迹片段与第二线段不相交的至少一候选对象，根据相邻两帧图像以及下一相邻帧图像中同一候选对象的检测框的位置进行运动轨迹拟合，以得到相邻两帧图像以及下一相邻帧图像中至少一候选对象的第二轨迹片段。
进一步地，若检测对象中存在第一轨迹片段与第一线段相交，第一轨迹片段与第二线段不相交的候选对象，可根据第一轨迹片段对应的相邻两帧图像以及下一个相邻帧图像中同一候选对象的检测框的位置进行运动轨迹拟合，可得到相邻两帧图像以及下一相邻帧图像中候选对象的第二轨迹片段。
步骤405，将至少一候选对象中的第二轨迹片段与第二线段相交的候选对象，确定为目标对象。
进而，判断第一轨迹片段与第二线段是否相交，将第二轨迹片段与第二线段相交的候选对象确定为目标对象；将第二轨迹片段与第二线段不相交的候选对象确定为非目标对象。
步骤406，对目标对象的数量进行统计。
需要说明的是，步骤401-403、步骤406的执行过程可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。
综上，通过将至少一检测对象中第一轨迹片段与第一线段相交，所述第一轨迹片段与第二线段不相交的至少一候选对象，根据相邻两帧图像以及下一相邻帧图像中同一候选对象的检测框的位置进行运动轨迹拟合，以得到相邻两帧图像以及下一相邻帧图像中至少一候选对象的第二轨迹片段；将至少一候选对象中的第二轨迹片段与第二线段相交的候选对象，确定为目标对象，由此，在检测对象的第一轨迹片段与第一线段相交，与第二线段不相交时，根据检测对象的第二轨迹片段是否与第二线段相交，可准确地从检测对象中确定出目标对象。
为了准确地得到多帧图像中各个检测对象的检测框的位置，如图5所示，图5为根据本申请一个实施例的基于视频的对象统计方法的流程示意图，在本公开实施例中，可将待检测视频中的多帧图像分别输入至对象检测模型中，以得到各帧图像中检测框的位置以及检测框内检测对象所属的类别，并根据检测框内检测对象所属的类别，确定多帧图像中属于同一检测对象的检测框，进而得到多帧图像中各个检测对象的检测框的位置。图5所示实施例可包括如下步骤：
步骤501，获取待检测视频。
步骤502，将待检测视频中的多帧图像分别输入至对象检测模型中，以得到各帧图像中检测框的位置以及检测框内检测对象所属的类别。
在本公开实施例中，可将待检测视频中的多帧图像分别输入至对象检测模型中，对象检测模型可输出各帧图像中检测框的位置以及检测框内检测对象所属的类别。
作为一种示例，以对象检测模型为以Transformer为基本结构的模型进行示例性说明，对象检测模型的结构可以如图6所示，预测层为FFN(Feed-Forward Network，前馈网络)。
其中，对象检测模型的卷积层可对各帧图像进行特征提取，得到目标特征，目标特征可为C'×H'×W'×T'的立体特征，可以对立体的目标特征图进行分块处理，得到序列化的特征向量序列，即转化为H×W×T个C维特征向量，序列化的特征向量输入至编码器进行注意力学习(注意力机制可以达到帧间增强效果)，得到的特征向量序列再输入至解码器，解码器根据输入的特征向量序列进行注意力学习，得到的解码特征再使用FFN(Feed-Forward Network，前馈神经网络)进行最终的对象检测，即可以由FFN进行分类和回归的预测，得到检测结果。其中，FFN输出的box即为检测框的位置，可以根据检测框的位置确定检测框；FFN输出的class即为检测框内检测对象所属的类别；no object是指没有目标。也就是说，可以将解码特征输入FFN，由FFN进行目标的回归预测，以得到检测框的位置，并由FFN进行检测对象的类别预测，以得到检测框内的检测对象所属的类别。
步骤503，根据检测框内检测对象所属的类别，确定多帧图像中属于同一检测对象的检测框。
进一步地，将检测对象为同一类别的检测框，确定为属于同一检测对象的检测框。
步骤504，根据属于同一检测对象的检测框的位置，以得到多帧图像中各个检测对象的检测框的位置。
进而，在确定出属于同一检测对象的检测框位置后，可确定出多帧图像中各个检测对象的检测框的位置。
步骤505，根据各帧图像中所述至少一检测对象的检测框的位置，确定至少一检测对象的运动轨迹。
步骤506，将至少一检测对象中运动轨迹分别与跨线区域中的第一线段和第二线段相交的检测对象，确定为经过跨线区域的目标对象。
步骤507，对目标对象的数量进行统计。
需要说明的是，步骤501、步骤505-507的执行过程可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。
综上，通过将待检测视频中的多帧图像分别输入至对象检测模型中，以得到各帧图像中检测框的位置以及检测框内检测对象所属的类别；根据检测框内检测对象所属的类别，确定多帧图像中属于同一检测对象的检测框；根据属于同一检测对象的检测框的位置，以得到多帧图像中各个检测对象的检测框的位置。由此，根据对象检测模型输出的各帧图像中检测框内检测对象所属的类别，可准确地确定出多帧图像中属于同一检测对象的检测框的位置，进而可准确地确定出多帧图像中各个检测对象的检测框的位置。
为了可以准确地确定出多帧图像中各个检测对象的检测框的位置，如图7所示，图7为根据本申请一个实施例的基于视频的对象统计方法的流程示意图，在本公开实施例中，在将待检测视频中的多帧图像分别输入至对象检测模型中之前，可对对象检测模型进行训练，以使对象检测模型输出各帧图像中检测框的位置以及检测框内检测对象所属的类别，图7所示实施例可包括如下步骤：
步骤701，获取待检测视频。
步骤702，获取样本图像。
在本公开实施例中，样本图像可从现有的样本训练集中获取，或者，样本图像可以为在线采集的，比如可以通过网络爬虫技术，在线采集包含对象的图像，作为样本图像，或者，样本图像也可以为线下采集的包含对象的图像，或者，样本图像也可以为人工合成的图像，等等，本公开实施例对此并不做限制。
需要说明的是，从现有的样本训练集中获取的样本图像中可包含标注框以及标注框内标注对象所属的标注类别，对于在线采集、线下采集和人工合成的样本图像，可采用人工或者机器模型对该样本图像进行标注框以及标注框内标注对象所属的标注类别进行标注。
步骤703，将样本图像输入至对象检测模型，以得到预测框的位置以及所述预测框内预测对象所属的预测类别。
进一步地，将样本图像输入至初始的对象检测模型中，该模型可输出样本图像中的预测框的位置以及预测框内预测对象所属的预测类别。
步骤704，根据预测框的位置和样本图像上的标注框的位置之间的第一差异，和/或，根据预测框内预测对象所属的预测类别和样本图像上的标注框内标注对象所属的标注类别之间的第二差异，对对象预测模型进行训练。
进而，将预测框的位置与样本图像上的标注框的位置进行比对，可确定预测框的位置和样本图像上的标注框的位置之间第一差异，并根据第一差异生成位置损失函数，将预测框内预测对象所属的预测类别和样本图像上的标注框内标注对象所属的标注类别进行比对，可确定预测框内预测对象所属的预测类别和样本图像上的标注框内标注对象所属的标注类别之间的第二差异，并根据第二差异生成类别损失函数，进而，根据位置损失函数，对对象检测模型进行训练，以使位置损失函数值最小化；或者，根据类别损失函数对对象模型进行训练，以使类别损失函数值最小化，或者，根据位置损失函数和类别损失函数对对象检测模型进行训练，使位置损失函数值和类别损失函数值最小化。
步骤705，将待检测视频中的多帧图像分别输入至对象检测模型中，以得到各帧图像中至少一检测对象的检测框的位置。
步骤706，根据各帧图像中所述至少一检测对象的检测框的位置，确定至少一检测对象的运动轨迹。
步骤707，将至少一检测对象中运动轨迹分别与跨线区域中的第一线段和第二线段相交的检测对象，确定为经过跨线区域的目标对象。
步骤708，对目标对象的数量进行统计。
需要说明的是，步骤701、步骤705-708的执行过程可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。
综上，通过获取样本图像；将样本图像输入至对象检测模型，以得到预测框的位置以及所述预测框内预测对象所属的预测类别；根据预测框的位置和样本图像上的标注框的位置之间的第一差异，和/或，根据预测框内预测对象所属的预测类别和样本图像上的标注框内标注对象所属的标注类别之间的第二差异，对对象预测模型进行训练，由此，通过预测框的位置和样本图像上的标注框的位置之间的位置差异以及预测框内预测对象所属的预测类别和/或样本图像上的标注框内标注对象所属的标注类别之间的类别差异，可对对象检测模型进行训练，可使训练过的对象检测模型更加准确地输出各帧图像中检测对象的检测框的位置。
为了可以更好地说明上述实施例，现举例进行说明。
举例而言，如图8所示，以待检测视频为监控视频，目标对象为人体为例，基于视频的对象统计方法的流程可如下：
(1)根据实际监控场景的需求，在监控区域绘制设定长度的线段①和②，这两条线段可以将监控的区域分为外部区域①、跨线区域②和内部区域③；
(2)将监控视频中的多帧图像分别输入至对象检测模型中，对象检测模型可根据跟踪算法得到的人体运动轨迹，判断每个人体是否跨区域移动；若人体运动跨区域移动，则判断该跨线方式属于图8中的哪一种。其中，跨线方式①表示人体在视频中的前后帧位置直接从外部区域①移动到内部区域③，但运动轨迹不与线段①和②相交；跨线方式②表示人体从外部区域①移动到跨线区域②之后又返回外部区域①；跨线方式③表示人体在视频中的前后帧位置直接从外部区域①移动到内部区域③，且运动轨迹与线段①或②相交；跨线方式④表示人体先后从外部区域①移动到跨线区域②，再从跨线区域②移动到内部区域③，两次跨线分别与线段①和②相交；
(3)若人体运动跨线区域移动且跨线方式为③或④，则统计进入人数加一，若跨线方式为①或②，则不统计；同理，将内外方向相反，便可以统计出去的人数。
本公开实施例的基于视频的对象统计方法，通过获取待检测视频；将待检测视频中的多帧图像分别输入至对象检测模型中，以得到各帧图像中至少一检测对象的检测框的位置；根据各帧图像中所述至少一检测对象的检测框的位置，确定至少一检测对象的运动轨迹；将至少一检测对象中运动轨迹分别与跨线区域中的第一线段和第二线段相交的检测对象，确定为经过跨线区域的目标对象；对目标对象的数量进行统计。由此，跨线区域采用双重线段，并将运动轨迹经过双重线段的检测对象进行统计，提高了统计精度，扩大了应用场景范围，同时，降低了统计成本，并减少了噪声和遮挡的影响，且降低了部署难度。
为了实现上述实施例，本公开还提出一种基于视频的对象统计装置。
图9是根据本公开实施例的一种基于视频的对象统计装置，如图9所示，基于视频的对象统计装置900包括：获取模块910、输入模块920、第一确定模块930、第二确定模块940和统计模块950。
其中，获取模块910，用于获取待检测视频；输入模块920，用于将待检测视频中的多帧图像分别输入至对象检测模型中，以得到各帧图像中至少一检测对象的检测框的位置；第一确定模块930，用于根据各帧图像中至少一检测对象的检测框的位置，确定至少一检测对象的运动轨迹；第二确定模块940，用于将至少一检测对象中运动轨迹分别与跨线区域中的第一线段和第二线段相交的检测对象，确定为经过跨线区域的目标对象；统计模块950，用于对目标对象的数量进行统计。
作为本公开实施例的一种可能实现方式，第一确定模块，具体用于：对所述多帧图像中任意的相邻两帧图像，对所述相邻两帧图像中同一检测对象的检测框的位置进行运动轨迹拟合，以得到所述相邻两帧图像中至少一检测对象的运动轨迹中的第一轨迹片段；相应的，所述第二确定模块，具体用于：将至少一检测对象中第一轨迹片段分别与跨线区域中的第一线段和第二线段相交的检测对象，确定为目标对象。
作为本公开实施例的一种可能实现方式，基于视频的对象统计装置，还包括：第四确定模块和第五确定模块。
其中，第四确定模块，用于将所述至少一检测对象中所述第一轨迹片段与第一线段相交，所述第一轨迹片段与第二线段不相交的至少一候选对象，根据相邻两帧图像以及下一相邻帧图像中同一候选对象的检测框的位置进行运动轨迹拟合，以得到相邻两帧图像以及下一相邻帧图像中至少一候选对象的第二轨迹片段；第五确定模块，用于将至少一候选对象中的第二轨迹片段与第二线段相交的候选对象，确定为目标对象；统计模块，还用于对目标对象的数量进行统计。
作为本公开实施例的一种可能实现方式，输入模块，具体用于：将待检测视频中的多帧图像分别输入至对象检测模型中，以得到各帧图像中检测框的位置以及检测框内检测对象所属的类别；根据检测框内检测对象所属的类别，确定多帧图像中属于同一检测对象的检测框；根据属于同一检测对象的检测框的位置，以得到多帧图像中各个检测对象的检测框的位置。
作为本公开实施例的一种可能实现方式，基于视频的对象统计装置，还包括：样本获取模块、样本输入模块和训练模块。
其中，样本获取模块，用于获取样本图像；样本输入模块，用于将所述样本图像输入至所述对象检测模型，以得到预测框的位置以及所述预测框内预测对象所属的预测类别；训练模块，用于根据预测框的位置和样本图像上的标注框的位置之间的第一差异，和/或，根据预测框内预测对象所属的预测类别和样本图像上的标注框内标注对象所属的标注类别之间的第二差异，对对象预测模型进行训练。
本公开实施例的基于视频的对象统计装置，通过获取待检测视频；将待检测视频中的多帧图像分别输入至对象检测模型中，以得到各帧图像中至少一检测对象的检测框的位置；根据各帧图像中至少一检测对象的检测框的位置，确定至少一检测对象的运动轨迹；将至少一检测对象中运动轨迹分别与跨线区域中的第一线段和第二线段相交的检测对象，确定为经过跨线区域的目标对象；对目标对象的数量进行统计。由此，跨线区域采用双重线段，并将运动轨迹经过双重线段的检测对象进行统计，提高了统计精度，扩大了应用场景范围，同时，降低了统计成本，并减少了噪声和遮挡的影响，且降低了部署难度。
为了实现上述实施例，本申请还提出一种电子设备，如图10所示，图10是根据一示例性实施例示出的一种用于基于视频的对象统计的电子设备的框图。
如图10所示，上述电子设备1000包括：
存储器1010及处理器1020，连接不同组件(包括存储器1010和处理器1020)的总线1030，存储器1010存储有计算机程序，当处理器1020执行所述程序时实现本公开实施例所述的基于视频的对象统计方法。
总线1030表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备1000典型地包括多种电子设备可读介质。这些介质可以是任何能够被电子设备1000访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器1010还可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)1040和/或高速缓存存储器1050。电子设备1000可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统1060可以用于读写不可移动的、非易失性磁介质(图10未显示，通常称为“硬盘驱动器”)。尽管图10中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线1030相连。存储器1010可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块1070的程序/实用工具1080，可以存储在例如存储器1010中，这样的程序模块1070包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块1070通常执行本公开所描述的实施例中的功能和/或方法。
电子设备1000也可以与一个或多个外部设备1090(例如键盘、指向设备、显示器等)通信，还可与一个或者多个使得用户能与该电子设备1000交互的设备通信，和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1092进行。并且，电子设备1000还可以通过网络适配器1093与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图10所示，网络适配器1093通过总线1030与电子设备1000的其它模块通信。应当明白，尽管图10中未示出，可以结合电子设备1000使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器1020通过运行存储在存储器1010中的程序，从而执行各种功能应用以及数据处理。
需要说明的是，本实施例的电子设备的实施过程和技术原理参见前述对本公开实施例的基于视频的对象统计方法的解释说明，此处不再赘述。
为了实现上述实施例，本申请还提出一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行上述实施例所述的基于视频的对象统计方法。
为了实现上述实施例，本公开还提供一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行上述实施例所述的基于视频的对象统计方法。
在本说明书的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种基于视频的对象统计方法，其特征在于，包括：
获取待检测视频，在所述待检测视频对应的监控区域内绘制第一线段和第二线段；
将所述待检测视频中的多帧图像分别输入至对象检测模型中，以得到所述各帧图像中至少一检测对象的检测框的位置；
对所述多帧图像中任意的相邻两帧图像，对所述相邻两帧图像中同一检测对象的检测框的位置进行运动轨迹拟合，以得到所述相邻两帧图像中至少一检测对象的运动轨迹中的第一轨迹片段；
将所述至少一检测对象中所述第一轨迹片段与所述第一线段相交，所述第一轨迹片段与所述第二线段不相交的至少一候选对象，根据所述相邻两帧图像以及下一相邻帧图像中同一候选对象的检测框的位置进行运动轨迹拟合，以得到所述相邻两帧图像以及下一相邻帧图像中所述至少一候选对象的第二轨迹片段；
将所述至少一候选对象中的第二轨迹片段与所述第二线段相交的候选对象，确定为目标对象；
对所述目标对象的数量进行统计。
2.根据权利要求1所述的方法，其特征在于，所述将所述待检测视频中的多帧图像分别输入至对象检测模型中，以得到所述多帧图像中各个检测对象的检测框的位置，包括：
将所述待检测视频中的多帧图像分别输入至对象检测模型中，以得到各帧图像中检测框的位置以及检测框内检测对象所属的类别；
根据所述检测框内检测对象所属的类别，确定所述多帧图像中属于同一检测对象的检测框；
根据所述属于同一检测对象的检测框的位置，以得到所述多帧图像中各个检测对象的检测框的位置。
3.根据权利要求1-2任一项所述的方法，其特征在于，所述将所述待检测视频中的多帧图像分别输入至对象检测模型中之前，还包括：
获取样本图像；
将所述样本图像输入至所述对象检测模型，以得到预测框的位置以及所述预测框内预测对象所属的预测类别；
根据所述预测框的位置和所述样本图像上的标注框的位置之间的第一差异，和/或，根据所述预测框内预测对象所属的预测类别和所述样本图像上的所述标注框内标注对象所属的标注类别之间的第二差异，对所述对象检测模型进行训练。
4.一种基于视频的对象统计装置，其特征在于，包括：
获取模块，用于获取待检测视频，在所述待检测视频对应的监控区域内绘制第一线段和第二线段；
输入模块，用于将所述待检测视频中的多帧图像分别输入至对象检测模型中，以得到所述各帧图像中至少一检测对象的检测框的位置；
第一确定模块，用于对所述多帧图像中任意的相邻两帧图像，对所述相邻两帧图像中同一检测对象的检测框的位置进行运动轨迹拟合，以得到所述相邻两帧图像中至少一检测对象的运动轨迹中的第一轨迹片段；
第二确定模块，用于将所述至少一检测对象中所述第一轨迹片段与所述第一线段相交，所述第一轨迹片段与所述第二线段不相交的至少一候选对象，根据所述相邻两帧图像以及下一相邻帧图像中同一候选对象的检测框的位置进行运动轨迹拟合，以得到所述相邻两帧图像以及下一相邻帧图像中所述至少一候选对象的第二轨迹片段；将所述至少一候选对象中的第二轨迹片段与所述第二线段相交的候选对象，确定为目标对象；
统计模块，用于对所述目标对象的数量进行统计。
5.根据权利要求4所述的装置，其特征在于，所述输入模块，具体用于：
将所述待检测视频中的多帧图像分别输入至对象检测模型中，以得到各帧图像中检测框的位置以及检测框内检测对象所属的类别；
根据所述检测框内检测对象所属的类别，确定所述多帧图像中属于同一检测对象的检测框；
根据所述属于同一检测对象的检测框的位置，以得到所述多帧图像中各个检测对象的检测框的位置。
6.根据权利要求4-5任一项所述的装置，所述装置，还包括：
样本获取模块，用于获取样本图像；
样本输入模块，用于将所述样本图像输入至所述对象检测模型，以得到预测框的位置以及所述预测框内预测对象所属的预测类别；
训练模块，用于根据所述预测框的位置和所述样本图像上的标注框的位置之间的第一差异，和/或，根据所述预测框内预测对象所属的预测类别和所述样本图像上的所述标注框内标注对象所属的标注类别之间的第二差异，对所述对象检测模型进行训练。
7.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-3中任一项所述的基于视频的对象统计方法。
8.一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，该程序被处理器执行时实现如权利要求1-3中任一项所述的基于视频的对象统计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210254259.3A CN114640807B (zh) | 2022-03-15 | 2022-03-15 | 基于视频的对象统计方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210254259.3A CN114640807B (zh) | 2022-03-15 | 2022-03-15 | 基于视频的对象统计方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114640807A CN114640807A (zh) | 2022-06-17 |
| CN114640807B true CN114640807B (zh) | 2024-01-16 |
Family
ID=81946992
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210254259.3A Active CN114640807B (zh) | 2022-03-15 | 2022-03-15 | 基于视频的对象统计方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114640807B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115063378B (zh) * | 2022-06-27 | 2023-12-05 | 中国平安财产保险股份有限公司 | 智能点数方法、装置、设备及存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013021878A1 (ja) * | 2011-08-11 | 2013-02-14 | シャープ株式会社 | 情報処理装置、操作画面表示方法、制御プログラムおよび記録媒体 |
| CN103049787A (zh) * | 2011-10-11 | 2013-04-17 | 汉王科技股份有限公司 | 一种基于头肩特征的人数统计方法和系统 |
| CN108596129A (zh) * | 2018-04-28 | 2018-09-28 | 武汉盛信鸿通科技有限公司 | 一种基于智能视频分析技术的车辆越线检测方法 |
| CN110807385A (zh) * | 2019-10-24 | 2020-02-18 | 腾讯科技（深圳）有限公司 | 目标检测方法、装置、电子设备及存储介质 |
| WO2020211438A1 (zh) * | 2019-04-15 | 2020-10-22 | 广州视源电子科技股份有限公司 | 基于书写轨迹的图形处理方法、装置、设备及存储介质 |
| 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 |
| CN112802066A (zh) * | 2021-01-26 | 2021-05-14 | 深圳市普汇智联科技有限公司 | 一种基于多轨迹融合的多目标跟踪方法及系统 |
| CN112861819A (zh) * | 2021-04-01 | 2021-05-28 | 潘振波 | 一种变电站作业跨越围栏检测方法、装置及电子设备 |
| WO2021208735A1 (zh) * | 2020-11-17 | 2021-10-21 | 平安科技（深圳）有限公司 | 行为检测方法、装置及计算机可读存储介质 |
| CN113591527A (zh) * | 2021-01-14 | 2021-11-02 | 腾讯科技（深圳）有限公司 | 一种对象轨迹识别方法、装置、电子设备和存储介质 |
| CN113902084A (zh) * | 2020-07-06 | 2022-01-07 | 阿里体育有限公司 | 运动计数方法、装置、电子设备及计算机存储介质 |
| CN114037730A (zh) * | 2021-09-18 | 2022-02-11 | 深圳市联洲国际技术有限公司 | 车流量统计方法、装置、设备及存储介质 |
| CN114120441A (zh) * | 2021-11-10 | 2022-03-01 | 四川新希望动物营养科技有限公司 | 猪只转群盘点方法、装置、电子设备及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102560684B1 (ko) * | 2015-10-21 | 2023-07-27 | 한화비전 주식회사 | 이미지 기반 객체 카운팅 방법 및 이를 위한 장치 |
| CN111699512B (zh) * | 2018-04-13 | 2023-11-03 | 上海趋视信息科技有限公司 | 异常场景检测系统和方法 |
| CN110516620B (zh) * | 2019-08-29 | 2023-07-28 | 腾讯科技（深圳）有限公司 | 目标跟踪方法、装置、存储介质及电子设备 |
-
2022
- 2022-03-15 CN CN202210254259.3A patent/CN114640807B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013021878A1 (ja) * | 2011-08-11 | 2013-02-14 | シャープ株式会社 | 情報処理装置、操作画面表示方法、制御プログラムおよび記録媒体 |
| CN103049787A (zh) * | 2011-10-11 | 2013-04-17 | 汉王科技股份有限公司 | 一种基于头肩特征的人数统计方法和系统 |
| CN108596129A (zh) * | 2018-04-28 | 2018-09-28 | 武汉盛信鸿通科技有限公司 | 一种基于智能视频分析技术的车辆越线检测方法 |
| WO2020211438A1 (zh) * | 2019-04-15 | 2020-10-22 | 广州视源电子科技股份有限公司 | 基于书写轨迹的图形处理方法、装置、设备及存储介质 |
| CN110807385A (zh) * | 2019-10-24 | 2020-02-18 | 腾讯科技（深圳）有限公司 | 目标检测方法、装置、电子设备及存储介质 |
| CN113902084A (zh) * | 2020-07-06 | 2022-01-07 | 阿里体育有限公司 | 运动计数方法、装置、电子设备及计算机存储介质 |
| WO2021208735A1 (zh) * | 2020-11-17 | 2021-10-21 | 平安科技（深圳）有限公司 | 行为检测方法、装置及计算机可读存储介质 |
| 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 |
| CN113591527A (zh) * | 2021-01-14 | 2021-11-02 | 腾讯科技（深圳）有限公司 | 一种对象轨迹识别方法、装置、电子设备和存储介质 |
| CN112802066A (zh) * | 2021-01-26 | 2021-05-14 | 深圳市普汇智联科技有限公司 | 一种基于多轨迹融合的多目标跟踪方法及系统 |
| CN112861819A (zh) * | 2021-04-01 | 2021-05-28 | 潘振波 | 一种变电站作业跨越围栏检测方法、装置及电子设备 |
| CN114037730A (zh) * | 2021-09-18 | 2022-02-11 | 深圳市联洲国际技术有限公司 | 车流量统计方法、装置、设备及存储介质 |
| CN114120441A (zh) * | 2021-11-10 | 2022-03-01 | 四川新希望动物营养科技有限公司 | 猪只转群盘点方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114640807A (zh) | 2022-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11643076B2 (en) | Forward collision control method and apparatus, electronic device, program, and medium | |
| Chen et al. | AI-empowered speed extraction via port-like videos for vehicular trajectory analysis | |
| CN108256431B (zh) | 一种手部位置标识方法及装置 | |
| Rout | A survey on object detection and tracking algorithms | |
| CN111598030A (zh) | 一种航拍图像中车辆检测和分割的方法及系统 | |
| He et al. | Rail transit obstacle detection based on improved CNN | |
| CN107730889B (zh) | 一种基于交通视频的目标车辆检索方法 | |
| Xu et al. | D-STC: Deep learning with spatio-temporal constraints for train drivers detection from videos | |
| CN114640807B (zh) | 基于视频的对象统计方法、装置、电子设备和存储介质 | |
| Mishra et al. | A survey on human motion detection and surveillance | |
| CN110176022B (zh) | 一种基于视频检测的隧道全景监控系统及方法 | |
| Kim et al. | Video anomaly detection using Cross U-Net and cascade sliding window | |
| CN113643330B (zh) | 一种基于动态语义特征的目标跟踪方法及系统 | |
| Jiang et al. | A deep learning framework for detecting and localizing abnormal pedestrian behaviors at grade crossings | |
| KR20210060938A (ko) | 딥러닝 기반 보행자 영상 데이터 증강방법 | |
| Guerrieri et al. | Real-time social distance measurement and face mask detection in public transportation systems during the COVID-19 pandemic and post-pandemic Era: Theoretical approach and case study in Italy | |
| Wang et al. | EBSE-YOLO: high precision recognition algorithm for small target foreign object detection | |
| CN113177432A (zh) | 基于多尺度轻量化网络的头部姿态估计方法、系统、设备及介质 | |
| Behera et al. | Estimation of linear motion in dense crowd videos using Langevin model | |
| JP2010020808A (ja) | 移動物体認識方法及び装置 | |
| CN111382705A (zh) | 逆行行为检测方法、装置、电子设备及可读存储介质 | |
| Chen et al. | An improved pedestrian detection algorithm based on YOLOv3 | |
| CN110889347A (zh) | 基于时空计数特征的密度交通流计数方法及系统 | |
| CN113762027B (zh) | 一种异常行为的识别方法、装置、设备及存储介质 | |
| Li et al. | Recent advances in intelligent processing of satellite video: Challenges, methods, and applications |
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 | ||
| GR01 | Patent grant |