TW202121247A - 人數分析方法及其系統 - Google Patents
人數分析方法及其系統 Download PDFInfo
- Publication number
- TW202121247A TW202121247A TW108143255A TW108143255A TW202121247A TW 202121247 A TW202121247 A TW 202121247A TW 108143255 A TW108143255 A TW 108143255A TW 108143255 A TW108143255 A TW 108143255A TW 202121247 A TW202121247 A TW 202121247A
- Authority
- TW
- Taiwan
- Prior art keywords
- people
- image
- human body
- foreground
- analysis
- Prior art date
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本發明提供一種人數分析方法,其包含影像拍攝步驟及前台分析步驟。影像拍攝步驟包含:由上而下俯拍以取得第一影像,由側向拍攝以取得第二影像。前台分析步驟包含:前景物體分析,其分析出第一影像中位於感興趣範圍的複數前景物體;人體偵測,其分析第二影像中的人體及人體位置;交集分析,其將人體位置對應至第一影像上,以找出對應人體的前景物體;人數預估,其計算第一影像中,所述前景物體相對感興趣範圍的第一覆蓋率,並以第一覆蓋率、人體數量、所有前景物體相對感興趣範圍的第二覆蓋率,推估人數。藉此可推估待拍攝區的人數。
Description
本發明是有關於一種分析方法及其系統,且尤其是有關一種用於定點之人數分析方法及其系統。
在運輸系統中,人數統計一直是關鍵的一環,透過統計自駕接駁車之艙外出入口或公共候車亭等場所的人數,可以提升對營運策略分析的效率,如可協助客運業者依照候車人數多寡來決定發車的動態調配依據。
為了統計人數,有業者發展出以無線傳輸的連線數量來確認人數,其利用行人身上之手機或其他手持裝置的無線訊號,藉由其範圍內的流量大小,以反向推估人數。然而,此類無線訊號沒有方向性,即,四周圍所有發送端都會被接受,而有無法鎖定特定區域的缺點。
故有業者採用GPS來計算人數,其利用行人身上之手機或其他手持裝置的GPS訊號,藉由其地理上的定位資訊,以反向推估人數。然而,一般商用GPS的精度誤差為10米等級,需要藉由移動以及歷史資訊,才可建構出精確的流量狀態,而有計算複雜及資料量龐大之缺點。
還有業者採用阻斷式光閘來計算人數,其利用紅外線、超音波或其他阻斷式訊號,當有物體經過系統發射端和接收端之間,即可計算人數。然而,此種阻斷式光閘設定於定點,若有相連物件一起穿越,則無法區分相連物件之數量,而具有計算不精確之缺點。
是以,更有業者採用影像式的計數方式,其利用影像感測器,並以影像處理方法辨識出目標對象,進而統計數量或流量,其具有不需要限制對象物體即可針對需要的範圍進行統計之優點,且不會接收到不需要的雜訊。然而,物件之遮蔽影響與干擾較為嚴重。
有鑑於此,如何有效地提升人數量測的精確度,遂成相關業者努力的目標。
本發明提供一種人數分析方法及其系統,透過分析不同角度之第一影像及第二影像,而能估算人數。
依據本發明之一態樣之一實施方式提供一種人數分析方法,其用於分析一待拍攝區的一人數且包含一影像拍攝步驟及一前台分析步驟。影像拍攝步驟包含:由上而下俯拍待拍攝區以取得一第一影像,及由側向拍攝待拍攝區以取得一第二影像。前台分析步驟包含:進行一前景物體分析、進行一人體偵測、進行一交集分析及進行一人數預估。於前景物體分析中,分析出第一影像中位於一感興趣範圍的複數前景物體;於人體偵測中,分析第二影像中的至少一人
體,前述至少一人體具有一人體位置;於交集分析中,將前述至少一人體的人體位置對應至第一影像上,以找出對應前述至少一人體的一前景物體。於人數預估中,計算第一影像中,前述至少一前景物體相對感興趣範圍的一第一覆蓋率,並以第一覆蓋率、前述至少一人體的數量,及前述複數前景物體相對感興趣範圍的一第二覆蓋率,推估待拍攝區的人數。
藉此,透過取得不同角度之第一影像及第二影像,並利用二者進行交集分析,可推估待拍攝區的一人數。
依據前述之人數分析方法的複數實施例,其中,可於前台分析步驟中,提供一前台控制單元進行n(w1)/N=t(w2)/T的計算,其中n表示前述至少一人體的數量,N表示人數,t表示第一覆蓋率,T表示第二覆蓋率,w1表示第一影像之一第一權重值,w2表示第二影像之一第二權重值,w1及w2均大於0且小於1,且w1+w2=1。
依據前述之人數分析方法的複數實施例,其中,於前台分析步驟中,提供一前台控制單元進行n/N=t/T的計算,其中n表示至少一人體的數量,N表示人數,t表示第一覆蓋率,T表示第二覆蓋率。
依據前述之人數分析方法的複數實施例,可更包含一後台分析步驟,當人數大於或等於一閾值時,提供一後台控制單元以一深度學習方式對第二影像進行分析,以計算出一實際人數。
依據前述之人數分析方法的複數實施例,其中,深度學習方式可採用語義分割法。
依據前述之人數分析方法的複數實施例,其中,於後台分析步驟中,可判定第二影像中前述至少一人體的姿態。
依據前述之人數分析方法的複數實施例,其中,於前台分析步驟中,第一影像中感興趣範圍內任一點的一座標為已知,將前述至少一人體的人體位置以二維轉三維方式轉換為一人體對應座標,以對應至感興趣範圍內之一座標。
依據前述之人數分析方法的複數實施例,其中,於前景物體分析中,每隔一固定時間進行一次拍攝,以取得複數之第一影像,比較複數第一影像,以複數第一影像中之不動者做為一背景,以便自第一影像中分析出前景物體。
依據前述之人數分析方法的複數實施例,其中,於前台分析步驟中,進行一人數分級,當人數落在一第一範圍內,為一低等級;當人數超出第一範圍但落在一第二範圍內,為一中等級;若人數超出第二範圍,為一高等級。
依據本發明之另一態樣之一實施方式提供一種人數分析系統,其應用如前述之人數分析方法且包含一第一攝影機、一第二攝影機及一前台控制單元。第一攝影機設置於待拍攝區的一上方,以取得第一影像,第二攝影機設置於待拍攝區的一側方,以取得第二影像;前台控制單元訊號連
接第一攝影機及第二攝影機,以取得第一影像及第二影像,且前台控制單元包含一前景背景分離模組、一人體分析模組、一交集分析模組及一人數預估模組。前景背景分離模組用以取得第一影像中的前景物體;人體分析模組用以分析第二影像之前述至少一人體及前述至少一人體的人體位置,並計算前述至少一人體的數量;交集分析模組用以將前述至少一人體的人體位置對應至第一影像上,以找出對應前述至少一人體的一前景物體,人數預估模組用以計算待拍攝區的人數。
依據前述之人數分析系統的複數實施例,可更包含一後台控制單元,其訊號連接前台控制單元且包含一精算模組,精算模組以一深度學習方式對第二影像進行分析,以計算出一實際人數。其中,當人數大於或等於一閾值時,前台控制單元發出一啟動訊號予後台控制單元。
依據前述之人數分析系統,其中,深度學習方式採用語義分割法。
依據前述之人數分析系統的複數實施例,其中,後台控制單元更包含一姿態分析模組,其分析第二影像中之前述至少一人體,以判定前述至少一人體的姿態。
100‧‧‧人數分析方法
110‧‧‧影像拍攝步驟
120‧‧‧前台分析步驟
130‧‧‧後台分析步驟
S01、S02、S03、S04‧‧‧步驟
S05、S06、S07、S08‧‧‧步驟
S09、S10‧‧‧步驟
210‧‧‧第一攝影機
220‧‧‧第二攝影機
330‧‧‧前台控制單元
331‧‧‧前景背景分離模組
332‧‧‧人體分析模組
333‧‧‧交集分析模組
334‧‧‧人數預估模組
340‧‧‧後台控制單元
341‧‧‧精算模組
342‧‧‧姿態分析模組
A1、A2、A3‧‧‧前景物體
P1、P2‧‧‧人體
W1‧‧‧待拍攝區
300‧‧‧人數分析系統
310‧‧‧第一攝影機
320‧‧‧第二攝影機
Wroi‧‧‧感興趣範圍
第1圖繪示依照本發明一實施例之一種人數分析方法的方塊示意圖;
第2圖繪示第1圖之人數分析方法的步驟流程圖;
第3圖繪示第1圖之人數分析方法的配置示意圖;
第4圖繪示第1圖之人數分析方法的一第一影像;
第5圖繪示第4圖之第一影像的前景分離圖;
第6圖繪示第1圖之人數分析方法的一第二影像;
第7圖繪示第6圖之第二影像分析結果;
第8圖繪示第5圖之第一影像與第7圖之第二影像的對應結果;以及
第9圖繪示依照本發明另一實施例之一種人數分析系統的架構示意圖。
以下將參照圖式說明本發明之實施例。為明確說明起見,許多實務上的細節將在以下敘述中一併說明。然而,閱讀者應瞭解到,這些實務上的細節不應用以限制本發明。也就是說,在本發明部分實施例中,這些實務上的細節是非必要的。此外,為簡化圖式起見,一些習知慣用的結構與元件在圖式中將以簡單示意的方式繪示;並且重複之元件將可能使用相同的編號或類似的編號表示。
此外,本文中當某一元件(或機構或模組等)「連接」、「設置」或「耦合」於另一元件,可指所述元件是直接連接、直接設置或直接耦合於另一元件,亦可指某一元件是間接連接、間接設置或間接耦合於另一元件,意即,有其他元件介於所述元件及另一元件之間。而當有明示某一元件
是「直接連接」、「直接設置」或「直接耦合」於另一元件時,才表示沒有其他元件介於所述元件及另一元件之間。而第一、第二、第三等用語只是用來描述不同元件或成分,而對元件/成分本身並無限制,因此,第一元件/成分亦可改稱為第二元件/成分。且本文中之元件/成分/機構/模組之組合非此領域中之一般周知、常規或習知之組合,不能以元件/成分/機構/模組本身是否為習知,來判定其組合關係是否容易被技術領域中之通常知識者輕易完成。
請參閱第1圖,其中第1圖繪示依照本發明一實施例之一種人數分析方法100的方塊示意圖。人數分析方法100用於分析一待拍攝區的一人數且包含一影像拍攝步驟110及一前台分析步驟120。
影像拍攝步驟110包含:由上而下俯拍待拍攝區以取得一第一影像,及由側向拍攝待拍攝區以取得一第二影像。
前台分析步驟120包含:進行一前景物體分析、進行一人體偵測、進行一交集分析及進行一人數預估。於前景物體分析中,分析出第一影像中位於一感興趣範圍的複數前景物體;於人體偵測中,分析第二影像中的至少一人體,前述至少一人體具有一人體位置;於交集分析中,將前述至少一人體的人體位置對應至第一影像上,以找出對應前述至少一人體的一前景物體。於人數預估中,計算第一影像中,前述至少一前景物體相對感興趣範圍的一第一覆蓋率,並以第一覆蓋率、前述至少一人體的數量,及前述複數前景
物體相對感興趣範圍的一第二覆蓋率,推估待拍攝區的一人數。
藉此,透過取得不同角度之第一影像及第二影像,並利用二者進行交集分析,可推估待拍攝區的一人數。後面將更仔細地說明人數分析方法100的細節。
請參閱第2圖至第8圖,並配合第1圖,其中第2圖繪示第1圖之人數分析方法100的步驟流程圖,第3圖繪示第1圖之人數分析方法100的配置示意圖,第4圖繪示第1圖之人數分析方法100的一第一影像,第5圖繪示第4圖之第一影像的前景分離圖,第6圖繪示第1圖之人數分析方法100的一第二影像,第7圖繪示第6圖之第二影像分析結果,第8圖繪示第5圖之第一影像與第7圖之第二影像的對應結果。
如第3圖所示,可提供一第一攝影機210,其可設置於一待拍攝區W1的正上方,而能由上而下俯拍待拍攝區W1。另外,可再提供一第二攝影機220,其可設置於待拍攝區W1的側方,而能由側向拍攝待拍攝區W1。在本實施例中,待拍攝區W1示例為一公車候車亭,但其他實施例中,待拍攝區亦可以是任一需要分析人數的地點,例如客運站等,而第二攝影機可設置於待拍攝區的任一側。此外,亦可使用單一攝影機,使其位移以取得所需角度之第一影像或第二影像,本發明不以此為限。
第一攝影機210所拍攝的第一影像如第4圖所示,可於第一影像中設定一感興趣範圍Wroi,再利用影像處理中的前景背景分離技術,而可如第5圖所示,分析出前
景物體A1、A2、A3。在本實施例中,第一攝影機210可以是每隔一固定時間進行一次拍攝,而取得複數之第一影像,比較此些第一影像,再以此些第一影像中之不動者做為一背景,以便自第一影像中分析出前景物體。
第二攝影機220所拍攝的第二影像如第6圖所示,其可以利用影像分類器進行判斷,而可如第7圖所示,透過特徵擷取,框選出人體P1、P2。在框選出人體P1、P2後,可分析各人體P1、P2的人體位置,例如以圖中某點為原點,定出人體P1、P2的相對於原點之座標,之後,可再將人體位置對應至第一影像。
較佳地,第一影像中感興趣範圍Wroi內任一點的一座標為已知,並將人體位置以二維轉三維方式轉換為一人體對應座標,以對應至感興趣範圍Wroi內之一座標。更詳細地說,第一攝影機210事先經過配置,故其所拍攝之第一影像中的任一點的座標與待拍攝區W1的座標對應關係為已知,再透過第二攝影機220的安裝高度,將第二影像的人體位置進行轉換,轉成對應至待拍攝區W1的座標,即可再對應至第一影像。而可如第8圖所示,找到第一影像中與第二影像之人體P1、P2對應的前景物體A2、A3。
在本文中,覆蓋率的計算為:前景物體的像素(pixel)數量/訂定範圍內的所有像素數量,故第一覆蓋率為:前景物體A2、A3所佔之像素數量/感興趣範圍Wroi內所有像素數量,第二覆蓋率為:前景物體A1、A2、A3所佔之像素數量/感興趣範圍Wroi內所有像素數量,即第二覆蓋
率是指所有前景物體所佔之像素數量與感興趣範圍Wroi內所有像素數量的比值。
上述的計算可由一前台控制單元(將於第9圖論述)進行。換句話說,在計算出第一覆蓋率及第二覆蓋率後,前台控制單元可進行n/N=t/T的計算,以取得人數。其中,n表示人體P1、P2的數量,N表示人數,t表示第一覆蓋率,T表示第二覆蓋率。藉此,可由人體P1、P2的數量、第一覆蓋率以及第二覆蓋率來推估感興趣範圍Wroi的人數。
在其他實施例中,前台控制單元可進行n(w1)/N=t(w2)/T的計算,其中w1表示第一影像之一第一權重值,w2表示第二影像之一第二權重值,w1及w2均大於0且小於1,且w1+w2=1。在此情況下,前台控制單元可先判斷第一影像與第二影像的可信度高低,若第一影像的可信度較高,則使w2>w1;反之,若第二影像的可信度較高,則使w1>w2,本發明不以此為限。
在進行影像拍攝步驟110及前台分析步驟120後,即可概略得到待拍攝區W1的人數,使用者即可決定是否參考此人數的多寡來進行車輛之調度。在一實施例中,亦可將人數分成低、中、高等三等級,依不同等級進行車輛的配置。
然而,當人數過多時,容易有人體相互遮擋的情況,進而導致第二影像中人體判斷的失準。此時,為了更精準的計算人數,人數分析方法100可更包含一後台分析步驟130,當人數大於或等於一閾值時,提供一後台控制單元
以一深度學習方式對第二影像進行分析,以計算出一實際人數,若人數有進行分級時,可在人數達到高等級時進行後台分析步驟130。
較佳地,深度學習方式可採用語義分割法,利用強化深度學習的訓練方法,對破碎或遮蔽的人體進行訓練以辨識出非完整的人,藉此可精準的計算出實際人數。
更佳地,於後台分析步驟130中,更可判定第二影像中至少一人體的姿態。在此情況下,後台控制單元可結合其他種類之深度學習進行特殊事件之判斷,例如人體的姿態為趴或倒,表示異常,而可發出異常通報,然本發明不限於此。
在進行人數分析方法100時,可如第2圖所示,進行步驟S01,透過第一攝影機210取得第一影像,再進行步驟S02,對第一影像進分析以判定前景物體A1~A3,而同時可以進行步驟S03,透過第二攝影機220取得第二影像,並進行步驟S04的人體特徵擷取,以進入步驟S05,判定人體P1、P2,並取得人體P1、P2的數量及人體位置。
之後,可進行步驟S06的交集分析,將第二影像中的人體位置對應至第一影像中,以找到對應之前景物體A2、A3,並進入步驟S07,使前台控制單元進行人數的計算。
在取得人數後,可先進入步驟S08進行一人數分級,例如人數落在一第一範圍內,為一低等級,人數超出第一範圍但落在一第二範圍內,為一中等級,若人數超出第
二範圍,則為一高等級。本實施例中,閾值可為第二範圍的最大值,因此當步驟S09確認人數達到閾值時,代表為高等級,進入步驟S10,進行高密度人數精算,以取得實際人數。
請參閱第9圖,其中第9圖繪示依照本發明另一實施例之一種人數分析系統300的架構示意圖。人數分析系統300應用如第1圖之人數分析方法100且包含第一攝影機310、第二攝影機320及一前台控制單元330。
第一攝影機310設置於待拍攝區的一上方,以取得第一影像,第二攝影機320設置於待拍攝區的一側方,以取得第二影像;前台控制單元330訊號連接第一攝影機310及第二攝影機320,以取得第一影像及第二影像,且前台控制單元330包含一前景背景分離模組331、一人體分析模組332、一交集分析模組333及一人數預估模組334。前景背景分離模組331用以取得第一影像中前景物體;人體分析模組332用以分析第二影像之至少一人體及前述至少一人體的人體位置,並計算至少一人體的數量;交集分析模組333用以將至少一人體的人體位置對應至第一影像上,以找出對應至少一人體的一前景物體,人數預估模組334用以計算待拍攝區的人數。
第一攝影機310及第二攝影機320的配置方式可相當於第3圖中的第一攝影機210及第二攝影機220,不再贅述。
前景背景分離模組331可先判定背景物體,再使用前景背景分離技術將前景物體分離出來。人體分析模組
332中包含基於支持向量機(support vector machine;SVM)的影像分類器。在支持向量機的訓練過程中,可先輸入複數訓練樣本影像,並使用共生梯度直方圖(GO-Histogram of Gradient;GO-HOG)方法,進行HOG梯度運算及共伴矩陣運算,供支持向量機訓練,找出超平面以判斷人體與非人體。故在前景背景分離模組331中,可先針對取得之第二影像進行共生梯度直方圖方法擷取人體的特徵,而讓支持向量機進行判斷。
交集分析模組333中,將人體位置以二維轉三維的方式進行轉換,而能找出第一影像中對應第二影像人體的前景物體。人數預估模組334則可進行n/N=t/T或n(w1)/N=t(w2)/T的計算,以取得待拍攝區的人數,並可進一步地將人數進行分級。
人數分析系統300可更包含一後台控制單元340,其訊號連接前台控制單元330且包含一精算模組341,精算模組341以一深度學習方式對第二影像進行分析,以計算出一實際人數。其中,當人數大於或等於一閾值時,前台控制單元330發出一啟動訊號予後台控制單元340。
換而言之,當前台控制單元330的人數預估模組334計算出人數後,若人數達到高等級,即,高於閾值時,前台控制單元330會發出啟動訊號,後台控制單元340在收到啟動訊號後,精算模組341才會開始進行分析。
精算模組341中,深度學習方式採用語義分割法。精算模組341以卷積神經網路(Convolutional Neural
Networks;CNN)對第二影像進行分析,其透過建構多個卷積層來擷取第二影像的特徵,再使用全卷積網路層(Fully Convolutional Networks;FCN)進行處理,以進行語義分割,由於其對於被遮擋或破碎之不完整的人體的影像仍具有一定的辨識能力,而能精確計算出實際人數。
此外,後台控制單元340可更包含一姿態分析模組342,其分析第二影像中之至少一人體,以判定至少一人體的姿態。姿態分析模組342可採用其他種類之深度學習方式,進而可以判定人體的姿態。在其他實施例中,亦可不包含姿態分析模組,不以此為限。
透過上面的實施例可知,本發明具有以下述之優點。
一、透過前台控制單元與後台控制單元的配置方式,可使人數分析系統具有分散式系統的擴充能力。
二、本發明採用前後二階段分工的方法,當第一階段在達到特定條件後,再觸發第二階段進行精密運算,可避免全場域搭載深度學習設備造成之效能負擔問題,同時可使人數分析方法具有邊緣運計算的功能,使資源能達到更有效率的運用。
三、以多個角度進行拍攝,並配合感興趣範圍之限定,能比較交集範圍,再由人體位置、數量、第一覆蓋率及第二覆蓋率等,可以依統計分析的方式評估人數,進而推估人數之分級。
四、後台分析步驟中所採之語意分割可對不完整的人體具有一定的辨識能力,而有助於對開放空間的團體進行計數,且具有較高自由度與精度之人體偵測效能。
五、後台分析步驟可使用其他種類之深度學習進行特殊事件之判斷,例如姿態識別等,而能有助於提升人數分析系統及人數分析方法的應用性。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何熟習此技藝者,在不脫離本發明之精神和範圍內,當可作各種之更動與潤飾,因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100‧‧‧人數分析方法
110‧‧‧影像拍攝步驟
120‧‧‧前台分析步驟
130‧‧‧後台分析步驟
Claims (13)
- 一種人數分析方法,用於分析一待拍攝區的一人數,該人數分析方法包含:一影像拍攝步驟,包含:由上而下俯拍該待拍攝區以取得一第一影像;及由側向拍攝該待拍攝區以取得一第二影像;以及一前台分析步驟,包含:進行一前景物體分析,分析出該第一影像中位於一感興趣範圍的複數前景物體;進行一人體偵測,分析該第二影像中的至少一人體,該至少一人體具有一人體位置;進行一交集分析,將該至少一人體的該人體位置對應至該第一影像上,以找出對應該至少一人體的一該前景物體;及進行一人數預估,計算該第一影像中,該一至少一前景物體相對該感興趣範圍的一第一覆蓋率,並以該第一覆蓋率、該至少一人體的數量,及該些前景物體相對該感興趣範圍的一第二覆蓋率,推估該待拍攝區的該人數。
- 如申請專利範圍第1項所述之人數分析方法,其中,於該前台分析步驟中,提供一前台控制單元進 行n(w1)/N=t(w2)/T的計算,其中n表示該至少一人體的數量,N表示該人數,t表示該第一覆蓋率,T表示該第二覆蓋率,w1表示該第一影像之一第一權重值,w2表示該第二影像之一第二權重值,w1及w2均大於0且小於1,且w1+w2=1。
- 如申請專利範圍第1項所述之人數分析方法,其中,於該前台分析步驟中,提供一前台控制單元進行n/N=t/T的計算,其中n表示該至少一人體的數量,N表示該人數,t表示該第一覆蓋率,T表示該第二覆蓋率。
- 如申請專利範圍第1項所述之人數分析方法,更包含:一後台分析步驟,當該人數大於或等於一閾值時,提供一後台控制單元以一深度學習方式對該第二影像進行分析,以計算出一實際人數。
- 如申請專利範圍第4項所述之人數分析方法,其中,該深度學習方式採用語義分割法。
- 如申請專利範圍第4項所述之人數分析方法,其中,於該後台分析步驟中,判定該第二影像中該至少一人體的姿態。
- 如申請專利範圍第4項所述之人數分析方法,其中,於該前台分析步驟中,該第一影像中該感興趣範圍內任一點的一座標為已知,將該至少一人體的該人體位置以二維轉三維方式轉換為一人體對應座標,以對應至該感興趣範圍內之一該座標。
- 如申請專利範圍第1項所述之人數分析方法,其中,於該前景物體分析中,每隔一固定時間進行一次拍攝,以取得複數之該第一影像,比較該些第一影像,以該些第一影像中之不動者做為一背景,以便自一該第一影像中分析出該些前景物體。
- 如申請專利範圍第1項所述之人數分析方法,其中,於該前台分析步驟中,進行一人數分級,當該人數落在一第一範圍內,為一低等級;當該人數超出該第一範圍但落在一第二範圍內,為一中等級;若該人數超出該第二範圍,為一高等級。
- 一種人數分析系統,應用如申請專利範圍第1項之人數分析方法,該人數分析系統包含:一第一攝影機,設置於該待拍攝區的一上方,以取得該第一影像;一第二攝影機,設置於該待拍攝區的一側方,以取得該第二影像;以及一前台控制單元,訊號連接該第一攝影機及該第二攝影機,以取得該第一影像及該第二影像,且該前台控制單元包含:一前景背景分離模組,用以取得該第一影像中的該些前景物體;一人體分析模組,用以分析該第二影像之該至少一人體及該至少一人體的該人體位置,並計算該至少一人體的數量;一交集分析模組,用以將該至少一人體的該人體位置對應至該第一影像上,以找出對應該至少一人體的一該前景物體;及一人數預估模組,用以計算該待拍攝區的該人數。
- 如申請專利範圍第10項所述之人數分析系統,更包含:一後台控制單元,訊號連接該前台控制單元且包含一精算模組,該精算模組以一深度學習方式對該第二影像進行分析,以計算出一實際人數;其中,當該人數大於或等於一閾值時,該前台控制單元發出一啟動訊號予該後台控制單元。
- 如申請專利範圍第11項所述之人數分析系統,其中,該深度學習方式採用語義分割法。
- 如申請專利範圍第11項所述之人數分析系統,其中,該後台控制單元更包含:一姿態分析模組,分析該第二影像中之該至少一人體,以判定該至少一人體的姿態。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108143255A TWI721673B (zh) | 2019-11-27 | 2019-11-27 | 人數分析方法及其系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108143255A TWI721673B (zh) | 2019-11-27 | 2019-11-27 | 人數分析方法及其系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI721673B TWI721673B (zh) | 2021-03-11 |
TW202121247A true TW202121247A (zh) | 2021-06-01 |
Family
ID=76035933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108143255A TWI721673B (zh) | 2019-11-27 | 2019-11-27 | 人數分析方法及其系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI721673B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473554B (zh) * | 2013-08-19 | 2016-12-28 | 上海汇纳信息科技股份有限公司 | 人流统计系统及方法 |
CN107679502B (zh) * | 2017-10-12 | 2019-10-08 | 南京行者易智能交通科技有限公司 | 一种基于深度学习图像语义分割的人数估计方法 |
CN110390266A (zh) * | 2019-06-24 | 2019-10-29 | 黄燕 | 一种基于面积算法的测量景区人流量的系统及其测量方法 |
-
2019
- 2019-11-27 TW TW108143255A patent/TWI721673B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI721673B (zh) | 2021-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9646212B2 (en) | Methods, devices and systems for detecting objects in a video | |
KR101647370B1 (ko) | 카메라 및 레이더를 이용한 교통정보 관리시스템 | |
Grassi et al. | Parkmaster: An in-vehicle, edge-based video analytics service for detecting open parking spaces in urban environments | |
LU102028B1 (en) | Multiple view multiple target tracking method and system based on distributed camera network | |
JP5980148B2 (ja) | デジタルカメラ画像から駐車場占有状態を測定する方法 | |
JP4852765B2 (ja) | 広域分散カメラ間の連結関係推定法および連結関係推定プログラム | |
CN103279791B (zh) | 基于多特征的行人计算方法 | |
CN103824070A (zh) | 一种基于计算机视觉的快速行人检测方法 | |
JP6221390B2 (ja) | 画像処理装置、プログラム、および画像処理方法 | |
US8599261B1 (en) | Vision-based car counting for multi-story carparks | |
Stahlschmidt et al. | Applications for a people detection and tracking algorithm using a time-of-flight camera | |
US11030465B1 (en) | Method for analyzing number of people and system thereof | |
KR102550673B1 (ko) | 방문객 출입 통계 분석 방법 및 장치 | |
TWI721673B (zh) | 人數分析方法及其系統 | |
US11157728B1 (en) | Person detection and identification using overhead depth images | |
CN116883981A (zh) | 一种车牌定位识别方法、系统、计算机设备及存储介质 | |
CN112861581B (zh) | 人数分析方法及其系统 | |
WO2022126668A1 (zh) | 一种公共场所行人识别方法及人流统计系统 | |
JP4675368B2 (ja) | 物体位置推定装置、物体位置推定方法、物体位置推定プログラムおよびそのプログラムを記録した記録媒体 | |
Vasu | An effective step to real-time implementation of accident detection system using image processing | |
Murayama et al. | Deep pedestrian density estimation for smart city monitoring | |
Acharjee et al. | YOLOv3 based real time social distance violation detection in public places | |
JP7363717B2 (ja) | 物体検出システム、物体検出方法及びプログラム | |
Liao et al. | Incorporation of GPS and IP camera for people tracking | |
Kurdziel | A monocular color vision system for road intersection detection |