CN115294512A - 一种区域人群的监测方法及装置 - Google Patents
一种区域人群的监测方法及装置 Download PDFInfo
- Publication number
- CN115294512A CN115294512A CN202210772724.2A CN202210772724A CN115294512A CN 115294512 A CN115294512 A CN 115294512A CN 202210772724 A CN202210772724 A CN 202210772724A CN 115294512 A CN115294512 A CN 115294512A
- Authority
- CN
- China
- Prior art keywords
- image
- density
- monitoring
- people
- processing
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种区域人群的监测方法及装置。方法包括:获取监测区域的图像数据;采用多尺度卷积神经网络对所述图像数据进行密度估计处理得到密度图像;通过预选训练好的特征提取模型对所述密度图像进行特征提取处理,得到特征图像;基于所述密度图像和特征图像进行损失处理得到监测区域的人数。本发明能够提高图像中人群计数的准确度,进而更加客观和准确的估算出监测区域内的人数。
Description
技术领域
本发明涉及深度学习技术领域,具体而言,涉及一种区域人群的监测方法及装置。
背景技术
人群密度计数是指估计图像或视频中人群的数量、密度或分布,它是智能视频监控分析领域的关键问题和研究热点,也是后续行为分析、拥塞分析、异常检测和事件检测等高级视频处理任务的基础。随着城市化进程的快速推进,城市人口数量急剧增长,导致各种人员高度聚集的社会活动频繁发生,如果管控不当,极易发生拥挤踩踏事故。如果有精度良好的人群计数系统实时统计相关场所的人群数量、分布或密度等信息,及时发现人群拥挤和异常行为并进行预警,以便采取措施进行疏导,就可以避免悲剧的发生。性能良好的人群计数算法也可以迁移到其他目标计数领域,如显微图片中的细菌与细胞计数、拥挤道路上的汽车计数等,拓展人群计数算法的应用范围。因此,人群计数方法的研究有着重要的现实意义和应用价值。
目前,传统的人群计数方法是采用视频图像解析的方式,需要先从摄像头所拍摄到的多帧数据中提取出关键帧图像,再从关键帧图像中选取比较清晰的一张图像并从中提取人群的总人数。这种人群计数方法具有一定局限性,无法从图像中提取更抽象的有助于完成人群计数任务的语义特征,使得面对背景复杂、人群密集、遮挡严重的场景时,计数的准确性较低,无法满足实际需求。
发明内容
有鉴于此,本发明的目的在于提供一种区域人群的监测方法及装置,能够提高图像中人群计数的准确度。
第一方面,本发明提供了一种区域人群的监测方法,该方法包括:
获取监测区域的图像数据;
采用多尺度卷积神经网络对所述图像数据进行密度估计处理得到密度图像;
通过预选训练好的特征提取模型对所述密度图像进行特征提取处理,得到特征图像;
基于所述密度图像和特征图像进行损失处理得到监测区域的人数。
在一实施例中,在获取监测区域的图像数据之前,还包括:
采集监测区域的视频数据,截取所述视频数据得到监测区域的图像数据。
在一实施例中,所述基于所述密度图像和特征图像进行损失计算处理得到监测区域的人数之后,还包括:
根据监测区域的人数确定是否对监测区域进行消毒杀菌处理。
在一实施例中,所述根据监测区域的人数确定是否对监测区域进行消毒杀菌处理,包括:
将监测区域的人数与监测区域对应的预设人数阈值进行比较;
在监测区域的人数大于所述预设人数阈值,对监测区域进行喷淋式的消毒杀菌。
在一实施例中,还包括:
设置消毒杀菌处理的消杀周期;
确定上一次消毒杀菌处理对应的时刻与当前时刻之间的时间段大于消杀周期后,进行消毒杀菌处理。
在一实施例中,所述采用多尺度卷积神经网络对所述图像数据进行密度估计处理得到密度图像之后,还包括:
采用高斯函数对所述密度图像进行卷积处理得到卷积图像;
相对应的,所述通过预选训练好的特征提取模型对所述密度图像进行特征提取处理得到特征图像,包括:
通过所述特征提取模型对所述卷积图像进行特征提取处理得到特征图像。
其中,所述基于所述密度图像和特征图像进行损失处理得到监测区域的人数,包括:
采用损失函数对所述密度图像和所述特征图像进行损失计算;
统计所述密度图像中与所述特征图像上的像素点相重合的密度点的个数;其中,密度点的个数即为监测区域的人数。
第二方面,本发明提供了一种区域人群的监测装置,该装置包括:
获取单元,用于获取监测区域的图像数据;
密度单元,用于采用多尺度卷积神经网络对所述图像数据进行密度估计处理得到密度图像;
处理单元,用于通过预选训练好的特征提取模型对所述密度图像进行特征提取处理,得到特征图像;
统计单元,用于基于所述密度图像和特征图像进行损失处理得到监测区域的人数。
第三方面,本发明提供了一种摄像头,包括:数据处理器;
所述数据所述处理器用于执行上述区域人群的监测方法的步骤。
第四方面,本发明提供了一种电子设备,包括:处理器、存储器、通信接口和通信总线;其中,
处理器、通信接口和存储器通过通信总线完成相互间的通信;
处理器用于调用存储器中的计算机指令,以执行上述的区域人群的监测方法的步骤。
第五方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令被执行时使所述计算机执行上述的区域人群的监测方法的步骤。
本发明提出的区域人群的监测方法及装置,通过获取监测区域的图像数据;采用多尺度卷积神经网络对所述图像数据进行密度估计处理得到密度图像;通过预选训练好的特征提取模型对所述密度图像进行特征提取处理,得到特征图像;基于所述密度图像和特征图像进行损失处理得到监测区域的人数。能够提高图像中人群计数的准确度,进而更加客观和准确的估算出监测区域内的人数。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明提供的一种区域人群的监测方法的第一流程示意图。
图2为本发明提供的一种区域人群的监测方法的第二流程示意图。
图3为本发明提供的一种区域人群的监测方法的第三流程示意图。
图4为本发明提供的一种区域人群的监测方法的第四流程示意图。
图5为本发明提供的一种区域人群的监测装置的结构示意图。
图6为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种区域人群的监测方法,参见图1所示,具体包含有如下内容:
S101:获取监测区域的图像数据;
在本步骤中,步骤S101执行之前,需要在监测区域内设置摄像头,通过摄像头能够拍摄到监测区域的照片,进而用户可以通过所设置的摄像头来获取到监测区域内的视频图像。当然,摄像头的数量和安置位置可以根据监控区域的实际情况来调整,如当监控区过大时,则应当均匀的设置多个摄像头,以使这多个摄像头能够分别拍摄到监控区域内的不同位置。
进一步的,可以通过所设置的摄像头来采集到监测区域内的视频数据,截取视频数据得到监测区域的图像数据。
S102:采用多尺度卷积神经网络对所述图像数据进行密度估计处理得到密度图像;
在本步骤中,多尺度卷积神经网络(MSCNN)是一个多尺度卷积神经网络,拥有多个不同尺度的卷积核对数据的空间域特征进行处理,提取出不同大小的特征图。
本实施例中的多尺度卷积神经网络是通过预设进行训练得到的。在训练过程中,通过对图片中的人头进行标记,确定每个人头对应的标签,进而得到训练集数据集。具体可以通过labelme软件在每一个人头上标一个点,产生对应图像的json文件,然后再用github里面提供的tools.py的create_crowLabel()函数转换成对应的.mat文件,得到所需的训练集数据集。本实施例中在训练的时候采用自动生成训练/验证数据的方式,使用多尺度卷积神经网络中去掉全连接层的vgg16网络作为特征提取网络,后面接3个的全连接层最后分类输出。vgg16网络固定不参与训练,只训练的三层全连接网络。
其中,H(x)为形成密度图的公式,δ(x-xi)为冲击函数,xi为第i个标注点的位置。
S103:通过预选训练好的特征提取模型对所述密度图像进行特征提取处理,得到特征图像;
本步骤中,通过预先训练的卷积神经网络模型对密度图像进行特征提取处理,得到一幅同密度具有相同大小的特征图像。
可以理解的是,对于密度图像,卷积神经网络模型将密度图像看作为由多个像素块组成的,将像素块一块块来进行比对。通过使用卷积神经网络模型能够更好的得到两幅图的相似性。
S104:基于所述密度图像和特征图像进行损失处理得到监测区域的人数。
在本步骤中,将特征图像和步骤S103中得到的密度图像进行损失计算,对于计算完成后的结果直接求和,即可得到图片中包含的人数。
可以理解的是,对特征图像与密度图像进行损失度计算,就是看两者的重合度。具体损失计算方法可直接使用损失函数mse进行损失计算。
具体的,采用损失函数mse对密度图像和特征图像进行损失计算;统计密度图像中与特征图像上的像素点相重合的密度点的个数;其中,密度点的个数即为监测区域的人数。
从上述描述可知,本发明实施例提供的区域人群的监测方法,通过获取监测区域的图像数据;采用多尺度卷积神经网络对所述图像数据进行密度估计处理得到密度图像;通过预选训练好的特征提取模型对所述密度图像进行特征提取处理,得到特征图像;基于所述密度图像和特征图像进行损失处理得到监测区域的人数。能够提高图像中人群计数的准确度,进而更加客观和准确的估算出监测区域内的人数。
在本发明的一实施例中,参见图2,所述区域人群的监测方法的实施例中步骤S104之后,具体包含有如下内容:
S105:根据监测区域的人数确定是否对监测区域进行消毒杀菌处理。
本实施例中,根据步骤S104确定图像中的人数之后,将该区域人群的监测与监测区域对应的预设人数阈值进行比较,从而确定是否需要对监测区域进行消毒杀菌处理。
具体的,将监测区域的人数与监测区域对应的预设人数阈值进行比较;在监测区域的人数大于所述预设人数阈值,对监测区域进行喷淋式的消毒杀菌。
从上述描述可知,通过图像进行人员估算,可以更快捷、有效的对部分区域进行实时消毒操作,减少安全隐患的同时也节约了人工成本。
在本发明的一实施例中,参见图3,所述区域人群的监测方法的实施例中,具体包含有如下内容:
S106:设置消毒杀菌处理的消杀周期;
S107:确定上一次消毒杀菌处理对应的时刻与当前时刻之间的时间段大于消杀周期后,进行消毒杀菌处理。
在本实施例中,通过设置消杀周期避免只能是清洁工每天的早晚时期定时进行消毒作业。而且在白天人员聚集较多时,不能做到及时的杀菌消毒,这将会增加安全隐患。因此通过消杀周期进行消毒将变得尤为重要。
具体的是,确定上一次消毒杀菌处理对应的时刻与当前时刻之间的时间段。当该时间段大于消杀周期对应的时间段后,对区域进行消毒杀菌处理。
从上述描述可知,通过图像进行人员估算,可以更快捷、有效的对部分区域进行实时消毒操作,在原有消毒频率的基础上增加了基于消杀周期的监控消毒,减少安全隐患的同时也节约了人工成本。
在本发明的一实施例中,参见图4,所述区域人群的监测方法的实施例中步骤S102之后,具体包含有如下内容:
S108:采用高斯函数对所述密度图像进行卷积处理得到卷积图像;
相对应的,步骤S103中通过预选训练好的特征提取模型对所述密度图像进行特征提取处理得到特征图像,包括:
S1031:通过所述特征提取模型对所述卷积图像进行特征提取处理得到特征图像。
在本实施例中,通过使用高斯函数对密度图像(H(x))进行卷积,将标记为人头的位置变成该区域的密度函数,在一定程度上解决了图片的稀疏问题,又不改变图片中人数的计数方式,依然只对密度图求和即可。
本实施例中,高斯核卷积核选择,在真实场景下特别是人群密度很高的时候,每个xi的位置并不是独立的,由于图片存在着透视失真,导致像素与周边样本在不同场景区域尺度不一致。为了精确估计群体密度函数需要考虑透视变换,确定每个头部周围的人群是均匀分布的,那么头部与最近m个邻居之间的图像中的平均距离可以给出几何失真的合理估计,即根据图像中m个头部间的距离来确定高斯核σ。本实施例中高斯核σ=0.75。
其中,每个人头xi在图片上所在的位置为一个对应的区域,该区域内的人群密度与di成比例,所以使用自适应高斯核进行卷积,高斯核的δi可变且与di成比例:
其中,δi(x)=βdi就是先计算N个头部之间的距离,然后计算出每个头部对应的平均距离。di为所求的平均距离,xi为图片中某一单位所在位置所对应的区域,共有m个单位,进行运算即可得到平均距离;β=0.3,F(x)就代表计算n各单位之间的距离后计算出每个单位对应的平均距离;最终计算高斯核δ的取值;得到自适应高斯核的值后即可计算得到密度函数F(x)。
本发明实施例提供一种能够实现所述区域人群的监测方法中全部内容的区域人群的监测装置的具体实施方式,参见图5,所述区域人群的监测装置具体包括如下内容:
获取单元10,用于获取监测区域的图像数据;
密度单元20,用于采用多尺度卷积神经网络对所述图像数据进行密度估计处理得到密度图像;
处理单元30,用于通过预选训练好的特征提取模型对所述密度图像进行特征提取处理,得到特征图像;
统计单元40,用于基于所述密度图像和特征图像进行损失处理得到监测区域的人数。
在本发明的一实施例中,上述区域人群的监测装置,还包括:
视频单元,用于采集监测区域的视频数据,截取所述视频数据得到监测区域的图像数据。
在本发明的一实施例中,上述区域人群的监测装置,还包括:
第一消杀单元,用于根据监测区域的人数确定是否对监测区域进行消毒杀菌处理。
在本发明的一实施例中,上述第一消杀单元包括:
比较模块,用于将监测区域的人数与监测区域对应的预设人数阈值进行比较;
消杀模块,用于在监测区域的人数大于所述预设人数阈值,对监测区域进行喷淋式的消毒杀菌。
在本发明的一实施例中,上述区域人群的监测装置,还包括:
输入单元,用于设置消毒杀菌处理的消杀周期;
第二消杀单元,用于确定上一次消毒杀菌处理对应的时刻与当前时刻之间的时间段大于消杀周期后,进行消毒杀菌处理。
在本发明的一实施例中,上述区域人群的监测装置,还包括:
卷积单元,用于采用高斯函数对所述密度图像进行卷积处理得到卷积图像。
相对应的,所述处理单元30包括:
处理模块,用于通过所述特征提取模型对所述卷积图像进行特征提取处理得到特征图像。
在本发明的一实施例中,上述区域人群的监测装置中,所述统计单元40包括:
损失模块,用于采用损失函数对所述密度图像和所述特征图像进行损失计算;
统计模块,用于统计所述密度图像中与所述特征图像上的像素点相重合的密度点的个数;其中,密度点的个数即为监测区域的人数。
本发明提供的区域人群的监测装置的实施例具体可以用于执行上述实施例中的区域人群的监测方法的实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
从上述描述可知,本发明实施例提供的区域人群的监测装置,通过获取监测区域的图像数据;采用多尺度卷积神经网络对所述图像数据进行密度估计处理得到密度图像;通过预选训练好的特征提取模型对所述密度图像进行特征提取处理,得到特征图像;基于所述密度图像和特征图像进行损失处理得到监测区域的人数。能够提高图像中人群计数的准确度,进而更加客观和准确的估算出监测区域内的人数。
本发明实施例提供一种摄像头,包括:数据处理器;该数据所述处理器能够执行上述实施例中的区域人群的监测方法的全部步骤。
本发明实施例提供一种用于实现所述区域人群的监测方法实施例中的全部或部分内容的电子设备的实施例,参见图6,所述电子设备具体包含有如下内容:
处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的计算机指令,以执行如下方法:
获取监测区域的图像数据;
采用多尺度卷积神经网络对所述图像数据进行密度估计处理得到密度图像;
通过预选训练好的特征提取模型对所述密度图像进行特征提取处理,得到特征图像;
基于所述密度图像和特征图像进行损失处理得到监测区域的人数。
本发明实施例提供一种用于实现所述区域人群的监测方法实施例中的全部或部分内容的计算机可读存储介质,所述计算机可读存储介质上存储有计算机指令,所述计算机指令被执行时使所述计算机执行上述实施例中的区域人群的监测方法的全部步骤,例如,所述处理器执行所述计算机指令时实现下述步骤:
获取监测区域的图像数据;
采用多尺度卷积神经网络对所述图像数据进行密度估计处理得到密度图像;
通过预选训练好的特征提取模型对所述密度图像进行特征提取处理,得到特征图像;
基于所述密度图像和特征图像进行损失处理得到监测区域的人数。
虽然本发明提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
在本发明所提供的实施例中,应该理解到,所揭露方法和装置,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的。例如,所述单元的划分,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,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
另外,在本发明提供的实施例中的各功能单元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。
所述功能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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置(系统)实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面,也不局限于任何单一的实施例,也不局限于这些方面和/或实施例的任意组合和/或置换。而且,可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种区域人群的监测方法,其特征在于,包括:
获取监测区域的图像数据;
采用多尺度卷积神经网络对所述图像数据进行密度估计处理得到密度图像;
通过预选训练好的特征提取模型对所述密度图像进行特征提取处理,得到特征图像;
基于所述密度图像和特征图像进行损失处理得到监测区域的人数。
2.根据权利要求1所述的区域人群的监测方法,其特征在于,在获取监测区域的图像数据之前,还包括:
采集监测区域的视频数据,截取所述视频数据得到监测区域的图像数据。
3.根据权利要求1所述的区域人群的监测方法,其特征在于,所述基于所述密度图像和特征图像进行损失计算处理得到监测区域的人数之后,还包括:
根据监测区域的人数确定是否对监测区域进行消毒杀菌处理。
4.根据权利要求3所述的区域人群的监测方法,其特征在于,还包括:
设置消毒杀菌处理的消杀周期;
确定上一次消毒杀菌处理对应的时刻与当前时刻之间的时间段大于消杀周期后,进行消毒杀菌处理。
5.根据权利要求1所述的区域人群的监测方法,其特征在于,所述采用多尺度卷积神经网络对所述图像数据进行密度估计处理得到密度图像之后,还包括:
采用高斯函数对所述密度图像进行卷积处理得到卷积图像;
相对应的,所述通过预选训练好的特征提取模型对所述密度图像进行特征提取处理得到特征图像,包括:
通过所述特征提取模型对所述卷积图像进行特征提取处理得到特征图像。
6.根据权利要求1所述的区域人群的监测方法,其特征在于,所述基于所述密度图像和特征图像进行损失处理得到监测区域的人数,包括:
采用损失函数对所述密度图像和所述特征图像进行损失计算;
统计所述密度图像中与所述特征图像上的像素点相重合的密度点的个数;其中,密度点的个数即为监测区域的人数。
7.一种区域人群的监测装置,其特征在于,包括:
获取单元,用于获取监测区域的图像数据;
密度单元,用于采用多尺度卷积神经网络对所述图像数据进行密度估计处理得到密度图像;
处理单元,用于通过预选训练好的特征提取模型对所述密度图像进行特征提取处理,得到特征图像;
统计单元,用于基于所述密度图像和特征图像进行损失处理得到监测区域的人数。
8.一种摄像头,其特征在于,包括:数据处理器;
所述数据所述处理器用于执行权利要求1-6任一项所述的区域人群的监测方法的步骤。
9.一种电子设备,其特征在于,包括:处理器、存储器、通信接口和通信总线;其中,
处理器、通信接口和存储器通过通信总线完成相互间的通信;
处理器用于调用存储器中的计算机指令,以执行权利要求1-6任一项所述的区域人群的监测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机指令,所述计算机指令被执行时使所述计算机执行权利要求1-6任一项所述的区域人群的监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210772724.2A CN115294512A (zh) | 2022-06-30 | 2022-06-30 | 一种区域人群的监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210772724.2A CN115294512A (zh) | 2022-06-30 | 2022-06-30 | 一种区域人群的监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115294512A true CN115294512A (zh) | 2022-11-04 |
Family
ID=83823233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210772724.2A Pending CN115294512A (zh) | 2022-06-30 | 2022-06-30 | 一种区域人群的监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294512A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797873A (zh) * | 2023-02-06 | 2023-03-14 | 泰山学院 | 一种人群密度检测方法、系统、设备、存储介质及机器人 |
-
2022
- 2022-06-30 CN CN202210772724.2A patent/CN115294512A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797873A (zh) * | 2023-02-06 | 2023-03-14 | 泰山学院 | 一种人群密度检测方法、系统、设备、存储介质及机器人 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105938564B (zh) | 基于主成分分析和神经网络的水稻病害识别方法及系统 | |
CN108830145B (zh) | 一种基于深度神经网络的人数统计方法及存储介质 | |
Tubbs | A note on parametric image enhancement | |
Yousif et al. | Fast human-animal detection from highly cluttered camera-trap images using joint background modeling and deep learning classification | |
Kang et al. | Identification of butterfly based on their shapes when viewed from different angles using an artificial neural network | |
CN109800682B (zh) | 驾驶员属性识别方法及相关产品 | |
CN105631418A (zh) | 一种人数统计的方法和装置 | |
WO2014081687A1 (en) | Method and system for counting people using depth sensor | |
CN111524608A (zh) | 智能检测与防疫系统和方法 | |
CN113111767A (zh) | 一种基于深度学习3d姿态评估的跌倒检测方法 | |
CN114581491B (zh) | 一种行人轨迹跟踪方法、系统及相关装置 | |
US20200143202A1 (en) | Leveraging smart-phone cameras and image processing techniques to classify mosquito genus and species | |
TW202115622A (zh) | 人臉屬性識別方法、電子設備和電腦可讀儲存介質 | |
CN111091093A (zh) | 一种高密度人群的数量估测方法、系统及相关装置 | |
CN107085902A (zh) | 一种智能视频多点监控方法和系统 | |
CN115294512A (zh) | 一种区域人群的监测方法及装置 | |
Duan et al. | Visual saliency detection using information contents weighting | |
ALDHAMARI et al. | Abnormal behavior detection using sparse representations through sequentialgeneralization of k-means | |
Zaidan et al. | A new hybrid module for skin detector using fuzzy inference system structure and explicit rules | |
CN111444555A (zh) | 一种测温信息显示方法、装置及终端设备 | |
CN113177564B (zh) | 一种计算机视觉猪只关键点识别方法 | |
JP2009169518A (ja) | 領域識別装置およびコンテンツ識別装置 | |
CN110321808B (zh) | 遗留物与盗移物检测方法、设备和存储介质 | |
CN111563492B (zh) | 一种跌倒检测方法、跌倒检测装置及存储装置 | |
KR102182660B1 (ko) | 시공간 특징을 이용한 폭력 감지 시스템, 방법 및 상기 방법을 수행하도록 하는 프로그램이 저장된 컴퓨터 판독 가능한 기록매체 |
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 |