CN116012949A - 一种复杂场景下的人流量统计识别方法及系统 - Google Patents
一种复杂场景下的人流量统计识别方法及系统 Download PDFInfo
- Publication number
- CN116012949A CN116012949A CN202310068695.6A CN202310068695A CN116012949A CN 116012949 A CN116012949 A CN 116012949A CN 202310068695 A CN202310068695 A CN 202310068695A CN 116012949 A CN116012949 A CN 116012949A
- Authority
- CN
- China
- Prior art keywords
- target
- target person
- model
- track
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 94
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 26
- 230000008034 disappearance Effects 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 16
- 238000007405 data analysis Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 239000011800 void material Substances 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出了一种复杂场景下的人流量统计识别方法及系统,属于人流量监测的技术领域。其中方法包括:步骤1、通过信息采集设备获取当前监测区域的视频信息;步骤2、根据按视频帧读取的方式获取视频信息中的每一帧图像数据;步骤3、构建目标检测模型;步骤4、利用目标检测模型对步骤2图像数据中的目标进行识别检测;步骤5、构建轨迹跟踪模型;步骤6、利用轨迹跟踪模型对步骤4中的识别检测结果进行信息关联,获得目标的轨迹信息;步骤7、根据轨迹信息获得目标在监测区域中消失时间点;步骤8、根据目标的出现和消失,完成计数。本发明针对实际人流量统计过程中实时性需求,通过对接收到画面中的人物检测以及跟踪,实现对人流量的统计。
Description
技术领域
本发明属于人流量监测的技术领域,特别是涉及一种复杂场景下的人流量统计识别方法及系统。
背景技术
随着经济社会的推进,对时间段内的人流量统计可以有效掌握当前路段内的客流量情况,满足统计研究的需求。人流量数据作为公共场合进行管理的重要依据,一直是实现行人目标准确定位的研究技术难点之一。
现有技术中,人流量统计的方法难以适应复杂多变的场景,且效率低下,难以满足实时性的需求,进而导致统计结果作为研究依据的可行性大幅度降低。
发明内容
发明目的:提出一种复杂场景下的人流量统计识别方法及系统,以解决现有技术存在的上述问题。在复杂统计背景下,针对实际人流量统计过程中实时性需求,构建目标检测模型和轨迹跟踪模型,通过对接收到画面中的人物检测以及跟踪,实现对人流量的统计。
技术方案:第一方面,提出了一种基于深度特征融合的模板匹配跟踪方法,包括以下步骤:步骤1、通过信息采集设备获取当前监测区域的视频信息;
步骤2、根据按视频帧读取的方式获取视频信息中的每一帧图像数据;
步骤3、构建目标检测模型;
步骤4、利用目标检测模型对步骤2图像数据中的目标进行识别检测,识别检测的过程包括以下步骤:
步骤4.1、所述目标检测模型接收读取到的每一帧图像数据;
步骤4.2、对接收到的图像数据执行特征提取;
步骤4.3、基于提取到的特征执行目标人物的检测识别,生成目标检测框;
步骤4.4、基于检测框的交并比结果,利用非极大值抑制重复检测目标物;
步骤4.5、输出步骤4.4的检测结果。
步骤5、构建轨迹跟踪模型;
步骤6、利用轨迹跟踪模型对步骤4中的识别检测结果进行信息关联,获得目标的轨迹信息;其中,获得目标的轨迹信息的过程包括以下步骤:
步骤6.1、读取目标检测模型的识别检测结果,
步骤6.2、基于识别检测结果,采用卡尔曼滤波算法获得目标人物的运动信息预测;
步骤6.3、采用马氏距离获得目标人物预测框与目标人物检测框之间的误差;
步骤6.4、基于步骤6.3的误差结果,获得当前视频帧中最佳位置数据的目标;
步骤6.5、设定阈值,当目标人物的检测位置与最佳位置之间的距离小于阈值时,默认两者表示同一个目标人物,获得目标人物的轨迹运行趋势;
步骤6.6、基于步骤6.5的轨迹运行趋势,绘制出目标人物的运动轨迹。
步骤7、根据轨迹信息获得目标在监测区域中消失时间点;
步骤8、根据目标的出现和消失,完成计数。
在第一方面的一些可实现方式中,目标检测模型基于YOLOv4模型的基本结构,在执行特征提取的过程中,通过融合不同空洞率的卷积操作,获得特征图。另外,目标检测模型基于YOLOv4模型的基本结构,在YOLOv4模型主干网络执行下采样后,添加注意力机制,令目标检测模型自适应调整对同一空间下不同区域的权重。
在第一方面的一些可实现方式中,步骤6.5中匹配是否同一个目标人物的过程中,还包括匹配目标人物的外观信息;通过构建外观特征提取网络对视频帧中的目标人物外形特征信息进行提取,获得代表目标人物信息的特征向量,在执行匹配的过程中,将提取到的特征向量与历史帧中的目标人物特征向量执行预先相似度的计算,获得两者之间的相似程度,当马氏距离的匹配结果与外观匹配结果都表示是同一个人时,结束匹配过程。
在第一方面的一些可实现方式中,步骤8执行计数的过程中,还包括:预设时间段,判断目标人物消失的轨迹点是否在监测区域边缘。
当目标人物消失的轨迹点在监测区域边缘时,直接执行计数加一操作;
当目标人物消失的轨迹点不在监测区域边缘时,执行时间标记,并判断目标任务是否再次出现。若在时间段内目标人物再次出现,则继续跟踪运行轨迹点,直至在监测边缘处消失后,执行计数加一;若在时间段内目标人物未再出现,则直接执行计数加一操作。
第二方面,提出一种复杂场景下的人流量统计识别系统,用于实现一种复杂场景下的人流量统计识别方法,该系统包括以下模块:
用于视频数据采集的数据采集模块;
用于读取视频数据的数据读取模块;
用于根据分析需求构建分析模型的模型构建模块;
用于利用分析模型执行需求分析的数据分析模块;
用于输出数据分析结果的数据输出模块;
用根据输出结果执行流量统计的计数模块。
在第二方面的一些可实现方式中,执行人流量统计识别时,数据采集模块中的信息采集设备在待分析的区域执行视频数据的采集,并将采集到的数据通过网络通信链路传输给数据分析中心。随后,数据分析中心利用数据读取模块对接收到的视频数据进行按帧读取,获得每一帧的图像数据。针对读取到的图像数据,利用模型构建模块构建目标检测模型和轨迹分析模型,并将图像数据输入目标检测模型中进行目标人物的识别分析,根据模型的识别分析结果,数据分析模块利用轨迹跟踪模型对目标人物的检测结果进行信息关联,获得目标的轨迹信息;数据输出模块将轨迹信息输出至技术模块,最后技术模块根据预设的计数条件,完成计数统计操作。
第三方面,提出一种复杂场景下的人流量统计识别设备,该设备包括:处理器以及存储有计算机程序指令的存储器。
其中,处理器读取并执行计算机程序指令,以实现复杂场景下的人流量统计识别方法。
第四方面,提出一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令。计算机程序指令被处理器执行时,以实现复杂场景下的人流量统计识别方法。
有益效果:本发明提出了一种复杂场景下的人流量统计识别方法及系统,通对检测区域中的图像识别,完成对目标人物的检测分析,通过对目标人物的轨迹跟踪,完成计数,从而有效的计算待分析区域内的人流量。
附图说明
图1为本发明的数据处理流程图。
实施方式
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。在其他的例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
实施例
在一个实施例中,针对实际监控环境的复杂,提出一种复杂场景下的人流量统计识别方法,通过构建一种人流量统计模型,对接收到画面中的人物检测以及跟踪,实现对人流量的统计,有效克服相互交错轨迹以及互相遮挡的问题,减少漏检和误检的现象,提高检测的精准度。如图1所示,该方法包括以下步骤:
步骤1、通过信息采集设备获取当前监测区域的视频信息;
步骤2、根据按视频帧读取的方式获取视频信息中的每一帧图像数据;
步骤3、构建目标检测模型;
步骤4、利用目标检测模型对步骤2图像数据中的目标进行识别检测;
步骤5、构建轨迹跟踪模型;
步骤6、利用轨迹跟踪模型对步骤4中的识别检测结果进行信息关联,获得目标的轨迹信息;
步骤7、根据轨迹信息获得目标在监测区域中消失时间点;
步骤8、根据目标的出现和消失,完成计数。
为了减少因监测区域出现待分析人物停留导致的计数不准确现象,本实施例在计数的过程中,以人物出现和消失作为计算节点,当目标人物出现时执行轨迹跟踪分析,当目标任务的轨迹消失在监测区域时,针对人流量的计数才执行加一操作。
本实施例通过对检测区域中的图像识别,完成对目标人物的检测分析,通过对目标人物的轨迹跟踪,完成计数,从而有效的计算待分析区域内的人流量。
实施例
在实施例一基础上的进一步实施例中,由于遮挡现象的存在,因此在执行目标轨迹跟踪的过程中,可能会出现目标不在监测区域边缘就消失的情况,从而导致目标人物跟踪持续执行跟踪分析的情况,进而加重运算资源的占用以及浪费。
针对上述目标人物已经离开监测区域,但是并没有被捕捉到离开踪迹的情况,预设分析时间段,从目标人物在监测区域中消失的时间点开始计时,当经历过预设的时间段后,默认表明目标人物已经离开监测区域,同时人流量的计数执行加一操作。
优选实施例中,将分析时间段设定为10分钟,当目标人物从监测区域消失超过10分钟后,则默认当前的目标人物在出现遮挡的情况下已经离开了监测区域,此时人流量的计数执行加一操作。
在进一步的实施例中,由于短时间内会出现同一人反复横跳出现在监测区域中的情况,为了减少短时间内对同一个人的重复计数,因此在执行目标人物跟踪的过程中,从第一次检测到时,则开始记录帧数,若目标人物在视频中出现的帧数没有连续超过预设帧数,则表明当前检测到的目标人物可能是误判,或者短暂入境的情况,此时则放弃对该目标人物的跟踪,同时不执行计数操作。优选实施例中,将连续出现判断帧数的数值预设为3帧,超过3帧时,执行跟踪和后续的计数操作,不超过连续3帧时,则忽略当前检测到的目标人物。
实施例
在实施例一基础上的进一步实施例中,执行人流量统计的过程中,采用先识别后计数的方式,其中在执行目标检测的过程中,通过构建的目标检测模型实现目标人物的检测。
具体的,执行行人目标检测的过程包括以下步骤:首先,目标检测模型接收读取到的每一帧图像数据;其次,对接收到的图像数据执行特征提取;再次,基于提取到的特征执行目标人物的检测识别,生成目标检测框;从次,基于检测框的交并比结果,利用非极大值抑制重复检测目标物;最后,输出最终的检测结果。
优选实施例中,目标检测模型基于YOLOv4模型的基本结构,在执行特征提取的过程中,通过融合不同空洞率的卷积操作,获得特征图。其中,空洞卷积池中共构建4种不同大小的卷积核,规格大小为11大小的卷积核用于保留原始特征图的信息,同时用于降维操作,调整通道数量。
在进一步的实施例中,为了提高目标检测模型对目标区域的关注度,自适应地调节对同一空间下不同区域的权重,在目标检测模型中引入注意力机制。优选实施例中,基于YOLOv4模型,本实施例在主干网络的第二、三、四次下采样的后面引入注意力机制,并在主干网络第五次下采样以及经过第四次注意力机制处理的后面,添加空洞卷积池。随后,将处理后的特征图进行特征融合,生成用于目标检测的特征图;最后,将检测结果输出。本实施例构建的目标检测模型通过引入的注意力机制和空洞卷积池,可以有效覆盖多种尺度大小的目标,进而实现有效结合低层特征信息与高层特征信息,提高检测精度。
在进一步的实施例中,由于检测区域可能会出现穿玩偶服的人出现,因此为了减少此类目标人物被检测模型忽视掉的情况,本实施例在训练目标检测模型的过程中,在训练数据集中进一步对此类的目标进行标注。由于训练数据集中存在玩偶的形象,因此当开始对此类玩偶服进行标注后,则会导致目标检测模型会将任何的玩具都认定为目标行人,进而导致人流量统计出现偏差的情况出现。针对该问题,本实施例进一步提出还原模型,基于小孔成像的原理,对识别结果为可能是穿着玩偶服的人执行再次分类。优选实施例中,当目标检测模型识别到玩偶服时,将检测结果继续基于相机成像原理,利用还原模型执行当前玩偶的实际大小,从而实现当前检测到的对象是实际小玩偶还是穿着玩偶服行人的细分类。
其中,根据成像原理当信息采集设备与目标平行时,目标玩偶的高度与实际高度在图像数据中是成正比的,且比值固定,即:
式中,表示穿着玩偶服的实际身高;表示图像数据中的目标高度。在预设的浮动范围内,则表明当前检测出的玩偶是行人,执行计数加一操作,反之,表明检测到的对象则为实际意义上的玩偶,不执行计数加一操作。
本实施例执行目标检测的过程中,构建的目标检测模型通过采用空洞卷积替换现有技术中下采样的方式,有效实现了不降低图像数据分辨率的情况下,依旧可以扩大卷积操作的感受野,减少图像数据中特征信息丢失的现象出现。
实施例
在实施例一基础上的进一步实施例中,根据目标检测模型的识别检测结果,执行目标人物的运动信息预测,实现轨迹跟踪。首先采用卡尔曼滤波算法获得目标人物的运动信息预测;随后,提取目标人物的外观特征,提高目标人物的识别精准度;最后,结合设定的阈值匹配不同视频帧中的目标人物,得到运动轨迹点,进而绘制出目标人物的运动轨迹。
具体的,首先采用8维的空间状态向量表示目标人物在某一时间点的轨迹状态,其中cx表示检测框中心点的横坐标,cy表示检测框中心点的纵坐标,r表示检测框的长宽比,h表示预测的目标框的高度,表示相对x的变化量,表示相对cy的变化量,表示相对r的变化量,表示相对h的变化量。利用卡尔曼算法预测目标人物状态的表达式为:
式中,表示目标人物在当前帧中的状态预测值;表示目标人物在k-1视频帧中的状态;A表示状态转移矩阵。
在完成目标人物轨迹状态的预测之后,采用马氏距离表示目标人物预测框与目标人物检测框之间的误差,并将计算获得的那是距离作为卡尔曼滤波的损失函数,从而实现由目标人物在上一帧中的状态信息,获得当前视频帧中最佳位置数据的目标。
随后,设定阈值,当目标人物的检测位置与最佳位置之间的距离小于阈值时,默认两者表示同一个目标人物,从而获得目标人物的轨迹运行趋势。
其中,计算检测框与预测框之间的马氏距离表达式为:
式中,表示第j个检测框的位置;表示第j个预测框的位置;表示检测位置与预测位置之间的协方差矩阵;表示预测框的平均位置。
在进一步的实施例中,执行不同视频帧中的目标人物匹配过程中,当目标人物的体型相同时,常常会导致被识别为同一人的现象产生,因此本实施例在执行跟踪的基础上进一步引入目标人物的外观信息,通过构建外观特征提取网络对视频帧中的目标人物外形特征信息进行提取,获得代表目标人物信息的特征向量。在执行匹配的过程中,除了匹配检测框之间的马氏距离,同时还包括将提取到的特征向量与历史帧中的目标人物特征向量执行预先相似度的计算,从而获得两者之间的相似程度。通过双重匹配,可以有效的提高匹配的精准度,减少遗漏的现象。
本实施例执行目标人物跟踪的过程中,首先采用卡尔曼滤波执行运动位置信息的预测,随后设定阈值执行不同帧之间的目标匹配,从而实现对目标轨迹的获取。针对现有技术中仅结合运动信息导致重复计数的弊端,本实施例进一步提出结合目标人物的外观信息,有效避免了目标人物被遮挡后重新出现时,会出现的重复计数弊端。
实施例
在一个实施例中,提出一种复杂场景下的人流量统计识别系统,用于实现一种复杂场景下的人流量统计识别方法,该系统包括以下模块:数据采集模块,数据读取模块、模型构建模块、数据分析模块、数据输出模块、计数模块。
其中,数据采集模块包括信息采集设备,用于根据分析需求,采集待分析区域内的视频数据;数据读取模块用于按照视频帧划分的方式,读取数据采集模块从采集到的视频数据;模型构建模块用于根据数据分析需求构建目标检测模型和轨迹跟踪模型;数据分析模块用于利用模型构建的模型对数据读取模块读取到的图像数据进行目标分析和运动轨迹跟踪;数据输出模块用于数据数据分析模块的分析结果;计数模块用于根据数据输出模块输出的分析结果完成人流量统计。
在进一步的实施例中,执行人流量统计识别的过程中,数据采集模块中的信息采集设备在待分析的区域执行视频数据的采集,并将采集到的数据通过网络通信链路传输给数据分析中心。随后,数据分析中心利用数据读取模块对接收到的视频数据进行按帧读取,获得每一帧的图像数据。针对读取到的图像数据,利用模型构建模块构建目标检测模型和轨迹分析模型,并将图像数据输入目标检测模型中进行目标人物的识别分析,根据模型的识别分析结果,数据分析模块利用轨迹跟踪模型对目标人物的检测结果进行信息关联,获得目标的轨迹信息;数据输出模块将轨迹信息输出至技术模块,最后技术模块根据预设的计数条件,完成计数统计操作。
其中,计数条件是目标人物的运动轨迹,以及目标人物在监测区域出现和消失的时间点。当目标人物出现在检测区域中时,执行轨迹分析,当目前任务离开监测区域后,完成计数。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上做出各种变化。
Claims (10)
1.一种复杂场景下的人流量统计识别方法,其特征在于,包括以下步骤:
步骤1、通过信息采集设备获取当前监测区域的视频信息;
步骤2、根据按视频帧读取的方式获取视频信息中的每一帧图像数据;
步骤3、构建目标检测模型;
步骤4、利用目标检测模型对步骤2图像数据中的目标进行识别检测;
步骤5、构建轨迹跟踪模型;
步骤6、利用轨迹跟踪模型对步骤4中的识别检测结果进行信息关联,获得目标的轨迹信息;
步骤7、根据轨迹信息获得目标在监测区域中消失时间点;
步骤8、根据目标的出现和消失,完成计数。
2.根据权利要求1所述的一种复杂场景下的人流量统计识别方法,其特征在于,利用所述目标检测模型执行目标识别检测的过程包括以下步骤:
步骤4.1、所述目标检测模型接收读取到的每一帧图像数据;
步骤4.2、对接收到的图像数据执行特征提取;
步骤4.3、基于提取到的特征执行目标人物的检测识别,生成目标检测框;
步骤4.4、基于检测框的交并比结果,利用非极大值抑制重复检测目标物;
步骤4.5、输出步骤4.4的检测结果。
3.根据权利要求2所述的一种复杂场景下的人流量统计识别方法,其特征在于,所述目标检测模型基于YOLOv4模型的基本结构,在执行特征提取的过程中,通过融合不同空洞率的卷积操作,获得特征图。
4.根据权利要求2所述的一种复杂场景下的人流量统计识别方法,其特征在于,所述目标检测模型基于YOLOv4模型的基本结构,在YOLOv4模型主干网络执行下采样后,添加注意力机制,令目标检测模型自适应调整对同一空间下不同区域的权重。
5.根据权利要求1所述的一种复杂场景下的人流量统计识别方法,其特征在于,利用所述轨迹跟踪模型获得目标的轨迹信息的过程包括以下步骤:
步骤6.1、读取目标检测模型的识别检测结果,
步骤6.2、基于识别检测结果,采用卡尔曼滤波算法获得目标人物的运动信息预测;
步骤6.3、采用马氏距离获得目标人物预测框与目标人物检测框之间的误差;
步骤6.4、基于步骤6.3的误差结果,获得当前视频帧中最佳位置数据的目标;
步骤6.5、设定阈值,当目标人物的检测位置与最佳位置之间的距离小于阈值时,默认两者表示同一个目标人物,获得目标人物的轨迹运行趋势;
步骤6.6、基于步骤6.5的轨迹运行趋势,绘制出目标人物的运动轨迹。
6.根据权利要求5所述的一种复杂场景下的人流量统计识别方法,其特征在于,所述步骤6.5中匹配是否同一个目标人物的过程中,还包括匹配目标人物的外观信息;
通过构建外观特征提取网络对视频帧中的目标人物外形特征信息进行提取,获得代表目标人物信息的特征向量,在执行匹配的过程中,将提取到的特征向量与历史帧中的目标人物特征向量执行预先相似度的计算,获得两者之间的相似程度,当马氏距离的匹配结果与外观匹配结果都表示是同一个人时,结束匹配过程。
7.根据权利要求1所述的一种复杂场景下的人流量统计识别方法,其特征在于,所述步骤8执行计数的过程中,还包括:预设时间段,判断目标人物消失的轨迹点是否在监测区域边缘;
当目标人物消失的轨迹点在监测区域边缘时,直接执行计数加一操作;
当目标人物消失的轨迹点不在监测区域边缘时,执行时间标记,并判断目标任务是否再次出现;若在时间段内目标人物再次出现,则继续跟踪运行轨迹点,直至在监测边缘处消失后,执行计数加一;若在时间段内目标人物未再出现,则直接执行计数加一操作。
8.一种复杂场景下的人流量统计识别系统,用于实现如权利要求1-7任意一项所述的人流量统计识别方法,其特征在于,包括以下模块:
数据采集模块,数据读取模块、模型构建模块、数据分析模块、数据输出模块、计数模块;
所述数据采集模块包含信息采集设备,用于执行待分析区域内的视频数据采集;
所述数据读取模块用于按帧读取数据采集模块采集到的视频数据,获得每一帧图像数据;
所述模型构建模块用于根据分析需求构建目标检测模型和轨迹跟踪模型;
所述数据分析模块用于利用模型构建模块构建的模型对执行图像数据进行目标分析和运动轨迹跟踪;
所述数据输出模块用于输出数据分析模块的分析结果;
所述计数模块用于根据数据输出模块输出的分析结果,执行人流量统计。
9.一种复杂场景下的人流量统计识别设备,其特征在于,所述设备包括:
处理器以及存储有计算机程序指令的存储器;
所述处理器读取并执行所述计算机程序指令,以实现如权利要求1-7任意一项所述的人流量统计识别方法。
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上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的人流量统计识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310068695.6A CN116012949B (zh) | 2023-02-06 | 2023-02-06 | 一种复杂场景下的人流量统计识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310068695.6A CN116012949B (zh) | 2023-02-06 | 2023-02-06 | 一种复杂场景下的人流量统计识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116012949A true CN116012949A (zh) | 2023-04-25 |
CN116012949B CN116012949B (zh) | 2023-11-17 |
Family
ID=86024792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310068695.6A Active CN116012949B (zh) | 2023-02-06 | 2023-02-06 | 一种复杂场景下的人流量统计识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116012949B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486438A (zh) * | 2023-06-20 | 2023-07-25 | 苏州浪潮智能科技有限公司 | 一种人员轨迹的检测方法、装置、系统、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384345A (zh) * | 2016-08-31 | 2017-02-08 | 上海交通大学 | 一种基于rcnn的图像检测以及流量统计方法 |
WO2018177153A1 (zh) * | 2017-03-31 | 2018-10-04 | 华为技术有限公司 | 一种行人跟踪方法以及电子设备 |
CN109284694A (zh) * | 2018-08-31 | 2019-01-29 | Oppo广东移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
US20190244389A1 (en) * | 2018-02-05 | 2019-08-08 | Canon Kabushiki Kaisha | Information processing apparatus, system, method for controlling information processing apparatus, and non-transitory computer readable storage medium |
CN112669349A (zh) * | 2020-12-25 | 2021-04-16 | 北京竞业达数码科技股份有限公司 | 一种客流统计方法、电子设备及存储介质 |
WO2021072696A1 (zh) * | 2019-10-17 | 2021-04-22 | 深圳市大疆创新科技有限公司 | 目标检测与跟踪方法、系统、可移动平台、相机及介质 |
CN113449606A (zh) * | 2021-06-04 | 2021-09-28 | 南京苏宁软件技术有限公司 | 一种目标对象识别方法、装置、计算机设备及存储介质 |
CN113469144A (zh) * | 2021-08-31 | 2021-10-01 | 北京文安智能技术股份有限公司 | 基于视频的行人性别及年龄识别方法和模型 |
CN114049382A (zh) * | 2022-01-12 | 2022-02-15 | 华砺智行(武汉)科技有限公司 | 一种智能网联环境下目标融合跟踪方法、系统和介质 |
WO2022126669A1 (zh) * | 2020-12-16 | 2022-06-23 | 中电海康集团有限公司 | 一种基于视频行人识别的地铁人流网络融合方法及人流预测方法 |
CN115482256A (zh) * | 2022-09-15 | 2022-12-16 | 电子科技大学 | 一种轻量化的目标检测与基于语义分割的自动跟踪方法 |
CN115661720A (zh) * | 2022-11-10 | 2023-01-31 | 南京智蓝芯联信息科技有限公司 | 一种被遮挡车辆的目标跟踪识别方法及系统 |
-
2023
- 2023-02-06 CN CN202310068695.6A patent/CN116012949B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384345A (zh) * | 2016-08-31 | 2017-02-08 | 上海交通大学 | 一种基于rcnn的图像检测以及流量统计方法 |
WO2018177153A1 (zh) * | 2017-03-31 | 2018-10-04 | 华为技术有限公司 | 一种行人跟踪方法以及电子设备 |
US20190244389A1 (en) * | 2018-02-05 | 2019-08-08 | Canon Kabushiki Kaisha | Information processing apparatus, system, method for controlling information processing apparatus, and non-transitory computer readable storage medium |
CN109284694A (zh) * | 2018-08-31 | 2019-01-29 | Oppo广东移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
WO2021072696A1 (zh) * | 2019-10-17 | 2021-04-22 | 深圳市大疆创新科技有限公司 | 目标检测与跟踪方法、系统、可移动平台、相机及介质 |
WO2022126669A1 (zh) * | 2020-12-16 | 2022-06-23 | 中电海康集团有限公司 | 一种基于视频行人识别的地铁人流网络融合方法及人流预测方法 |
CN112669349A (zh) * | 2020-12-25 | 2021-04-16 | 北京竞业达数码科技股份有限公司 | 一种客流统计方法、电子设备及存储介质 |
CN113449606A (zh) * | 2021-06-04 | 2021-09-28 | 南京苏宁软件技术有限公司 | 一种目标对象识别方法、装置、计算机设备及存储介质 |
CN113469144A (zh) * | 2021-08-31 | 2021-10-01 | 北京文安智能技术股份有限公司 | 基于视频的行人性别及年龄识别方法和模型 |
CN114049382A (zh) * | 2022-01-12 | 2022-02-15 | 华砺智行(武汉)科技有限公司 | 一种智能网联环境下目标融合跟踪方法、系统和介质 |
CN115482256A (zh) * | 2022-09-15 | 2022-12-16 | 电子科技大学 | 一种轻量化的目标检测与基于语义分割的自动跟踪方法 |
CN115661720A (zh) * | 2022-11-10 | 2023-01-31 | 南京智蓝芯联信息科技有限公司 | 一种被遮挡车辆的目标跟踪识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
FANXIN YU等: "Pedestrian Multi-Objective Tracking Based on Work-Yolo", 《2022 IEEE 8TH INTERNATIONAL CONFERENCE ON CLOUD COMPUTING AND INTELLIGENT SYSTEMS (CCIS)》, pages 66 - 72 * |
徐天宇等: "基于YOLOv3 的人流量检测方法的研究", 《科技创新与应用》, no. 19, pages 32 - 38 * |
李雅雯等: "基于注意力机制与多尺度特征融合的电极缺陷YOLO 检测算法", 《控制与决策》, pages 1 - 9 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486438A (zh) * | 2023-06-20 | 2023-07-25 | 苏州浪潮智能科技有限公司 | 一种人员轨迹的检测方法、装置、系统、设备及存储介质 |
CN116486438B (zh) * | 2023-06-20 | 2023-11-03 | 苏州浪潮智能科技有限公司 | 一种人员轨迹的检测方法、装置、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116012949B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107622258B (zh) | 一种结合静态底层特征和运动信息的快速行人检测方法 | |
CN109948582B (zh) | 一种基于跟踪轨迹分析的车辆逆行智能检测方法 | |
Sen-Ching et al. | Robust techniques for background subtraction in urban traffic video | |
CN111832457B (zh) | 基于云边协同的陌生人入侵检测方法 | |
CN108304808A (zh) | 一种基于时空信息与深度网络的监控视频对象检测方法 | |
CN101847265A (zh) | 一种在公交客流统计系统中使用的运动目标提取及多目标分割方法 | |
CN113191180B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
Chang et al. | Video analytics in smart transportation for the AIC'18 challenge | |
CN111723773B (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
Yang et al. | Single shot multibox detector with kalman filter for online pedestrian detection in video | |
CN113763427B (zh) | 一种基于从粗到精遮挡处理的多目标跟踪方法 | |
CN116012949B (zh) | 一种复杂场景下的人流量统计识别方法及系统 | |
CN111784744A (zh) | 一种基于视频监控的目标自动检测与跟踪方法 | |
CN114898326A (zh) | 基于深度学习的单行道车辆逆行检测方法、系统及设备 | |
CN113537107A (zh) | 一种基于深度学习的人脸识别及追踪方法、装置及设备 | |
CN114724131A (zh) | 一种车辆追踪方法、装置、电子设备及存储介质 | |
Chen et al. | Object tracking over a multiple-camera network | |
Xu et al. | Feature extraction algorithm of basketball trajectory based on the background difference method | |
Ilao et al. | Crowd estimation using region-specific HOG With SVM | |
CN116311166A (zh) | 交通障碍物识别方法、装置及电子设备 | |
Hsieh et al. | Grid-based template matching for people counting | |
Yu et al. | Length-based vehicle classification in multi-lane traffic flow | |
Chiu et al. | A Two-stage Learning Approach for Traffic Sign Detection and Recognition. | |
CN113627383A (zh) | 一种用于全景智能安防的行人徘徊重识别方法 | |
CN114639117A (zh) | 一种跨境特定行人追踪的方法和装置 |
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 |