CN108021949B - 人群拥挤度检测方法、装置、***及电子设备 - Google Patents
人群拥挤度检测方法、装置、***及电子设备 Download PDFInfo
- Publication number
- CN108021949B CN108021949B CN201711451839.7A CN201711451839A CN108021949B CN 108021949 B CN108021949 B CN 108021949B CN 201711451839 A CN201711451839 A CN 201711451839A CN 108021949 B CN108021949 B CN 108021949B
- Authority
- CN
- China
- Prior art keywords
- image
- crowd
- crowding
- degree detection
- classification result
- 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
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种人群拥挤度检测方法、装置、***及电子设备,涉及图像识别技术领域,方法包括:获取待检测的第一图像,即多种应用场景下所采集的图像中的一种;提取第一图像中的第一人群拥挤特征,即第一图像的背景区域特征;将第一人群拥挤特征输入到预先训练好的拥挤度检测分类器中,得到第一图像的人群拥挤度的分类结果;拥挤度检测分类器通过对数量达到一定阈值的多种应用场景下所采集的训练样本数据进行训练得到。该方法能够针对不同的应用场景,结合采集的图像的背景信息,检测该场景下的拥挤程度,降低对高配置硬件设备的依赖,实现快速、准确地拥挤度识别,满足多种应用场景下对人群拥挤度的快速判断需求。
Description
技术领域
本发明涉及图像识别技术领域,尤其是涉及一种人群拥挤度检测方法、装置、***及电子设备。
背景技术
目前,主流的人群拥挤度算法一般采用数人头的模式识别方法,先把人流的背景去掉,然后根据人体头部形状在剩下的图像中分辨人头的个数,因为视频中的图像存在动态的连续变化,所以通过一系列处理后能得出较为准确的人员个数。这种方法对视频设备的精度要求比较高,而且因为需要用较为复杂的算法来处理视频流导致算法要求的后台计算量比较大,所以一般需要专用硬件才能以较快速度获得较准确的人头处理结果。
对于多数应用场景而言,不需要知道公共场所中具体的人数有多少,而只需了解一个模糊的概念,比如此场所是否拥挤以及拥挤的程度有多高。比如一个公交车站或一个候车大厅,管理人员只需知道候车人的拥挤是否达到某个程度,然后便于启动不同的应对模式;又如对于公交车厢而言,乘客只关心是否有座位,没有座位时,赶时间时能否挤上去。
针对上述情况,现有的传统的人群拥挤度检测方法,通过对视频数据的处理分析,确定出人群中人头数量,进而得到相应场景下的拥挤度,此过程存在识别速度慢、所需硬件设备配置高的问题。
发明内容
有鉴于此,本发明的目的在于提供一种人群拥挤度检测方法、装置、***及电子设备,能够针对不同的应用场景,结合采集的图像的背景信息,检测该场景下的拥挤程度,降低对高配置硬件设备的依赖,实现快速、准确地拥挤度识别,满足多种应用场景下对人群拥挤度的快速判断需求。
第一方面,本发明实施例提供了一种人群拥挤度检测方法,包括:
获取待检测的第一图像;第一图像为多种应用场景下所采集的图像中的一种;
提取第一图像中的第一人群拥挤特征;第一人群拥挤特征包括:第一图像的背景区域特征;
将第一人群拥挤特征输入到预先训练好的拥挤度检测分类器中,得到第一图像的人群拥挤度的分类结果;
其中,拥挤度检测分类器通过对数量达到一定阈值的训练样本数据进行分类训练得到;训练样本数据包括多种应用场景下所采集的图像。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,在获取待检测的第一图像之前,还包括:
获取待训练的第二图像;第二图像包括数量达到一定阈值的多种应用场景下所采集的图像;
提取第二图像中的第二人群拥挤特征;第二人群拥挤特征包括:第二图像的背景区域特征;
将第二人群拥挤特征,整合为训练样本数据和验证样本数据;
通过机器学习算法对训练样本数据进行训练,得到拥挤度检测分类器。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,在得到拥挤度检测分类器之后,还包括:
获取第一分类结果和拥挤度检测分类器的模型参数,第一分类结果为将训练样本数据输入至拥挤度检测分类器之后得到的输出结果;
将验证样本数据输入拥挤度检测分类器中,得到第二分类结果;
判断第二识别结果是否与第一识别结果相一致;
如果否,则对模型参数进行调整。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,在提取第二图像中的第二人群拥挤特征之前,还包括:
对第二图像进行归一化预处理;
判断归一化预处理后的第二图像是否存在预设缺陷;预设缺陷包括:图像遮蔽、数据错误、图像模糊中至少一项;
如果是,则重新获取图像,并将重新获取的图像作为第二图像。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,将第一人群拥挤特征输入到预先训练好的拥挤度检测分类器中,得到第一图像的人群拥挤度分类结果,具体包括:
确定拥挤度检测分类器所对应的数据格式;
如果数据格式包括二进制数据格式,将第一人群拥挤特征转换为二进制数据格式后输入拥挤度检测分类器,以生成对应第一图像的分类结果。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,在得到第一图像的人群拥挤度分类结果之后,还包括:
将第一图像及其对应的分类结果,作为新的训练样本数据保存在训练样本数据库中。
第二方面,本发明实施例提供一种人群拥挤度检测装置,装置包括:
图像获取模块,用于获取待检测的第一图像;第一图像为多种应用场景下所采集的图像中的一种;
特征提取模块,用于提取第一图像中的第一人群拥挤特征;第一人群拥挤特征包括:第一图像的背景区域特征;
图像分类模块,用于将第一人群拥挤特征输入到预先训练好的拥挤度检测分类器中,得到第一图像的人群拥挤度的分类结果;其中,拥挤度检测分类器通过对数量达到一定阈值的训练样本数据进行分类训练得到;训练样本数据包括多种应用场景下所采集的图像。
第三方面,本发明实施例提供一种人群拥挤度检测***,***包括:后台服务器、终端设备及如第二方面所述的人群拥挤度检测装置;
后台服务器、终端设备以及人群拥挤度检测装置两两通信连接;
后台服务器,接收人群拥挤度检测装置所发送的对图像的人群拥挤度分类结果,并将人群拥挤度分类结果发送至终端设备。
第四方面,本发明实施例提供一种电子设备,包括存储器、处理器,存储器上存储有可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述第一方面所述的方法的步骤。
第五方面,本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,程序代码使处理器执行第一方面所述的方法。
本发明实施例带来了以下有益效果:
在本发明实施例提供的人群拥挤度检测方法中,首先获取待检测的第一图像;第一图像为多种应用场景下所采集的图像中的一种;其中,多种应用场景包括但不限于:公交车厢,轨道列车车厢,轮船船舱,各种候车室,公交站、售票窗口、以及有明显标志物(如地面瓷砖线)的房间或地面。然后提取第一图像中的第一人群拥挤特征;第一人群拥挤特征包括:第一图像的背景区域特征;最后将第一人群拥挤特征输入到预先训练好的拥挤度检测分类器中,得到第一图像的人群拥挤度的分类结果;其中,拥挤度检测分类器通过对数量达到一定阈值的训练样本数据进行分类训练得到;训练样本数据包括多种应用场景下所采集的图像。
本实施例所提供的人群拥挤度检测方法,预先通过对很大数量的多种应用场景下的训练样本数据,进行多角度特征提取,进而训练得到拥挤度检测分类器,然后通过该分类器,并结合从新的图像中提取出的背景区域特征,对新的图像进行拥挤度识别,该方法不需要确定图像中的人头数量,即可得到当前场景图像的拥挤度,可以大大提高拥挤度检测速度,并且降低了对高配置硬件设备的依赖,实现快速、准确地拥挤度识别,满足多种应用场景下对人群拥挤度的判断需求。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
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具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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的附图。
图1为本发明实施例一提供的一种人群拥挤度检测方法的流程图;
图2为本发明实施例一提供的另一种人群拥挤度检测方法的流程图;
图3为本发明实施例一提供的另一种人群拥挤度检测方法的流程图;
图4为本发明实施例一提供的另一种人群拥挤度检测方法的流程图;
图5为本发明实施例一提供的另一种人群拥挤度检测方法的流程图;
图6为本发明实施例二提供的一种人群拥挤度检测装置的示意图;
图7为本发明实施例三提供的一种人群拥挤度检测***的示意图;
图8为本发明实施例四提供的一种电子设备的示意图。
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,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
现有的人群拥挤度检测方法,通过对视频数据的处理分析,确定出人群中人头数量,进而得到相应场景下的拥挤度,此过程存在识别速度慢、所需硬件设备配置高的问题。
基于此,本发明实施例提供一种人群拥挤度检测方法、装置、***及电子设备,能够针对不同的应用场景,结合采集的图像的背景信息,检测该场景下的拥挤程度,降低对高配置硬件设备的依赖,实现快速、准确地拥挤度识别,满足多种应用场景下对人群拥挤度的快速判断需求。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种人群拥挤度检测方法进行详细介绍。
实施例一:
本发明实施例提供了一种人群拥挤度检测方法,该方法可以应用于多种特定人群场景中。参见图1所示,该方法包括以下步骤:
S101:获取待检测的第一图像;第一图像为多种应用场景下所采集的图像中的一种。
本发明实施例中,应用场景包括但不限于:公交车厢、轨道列车车厢、轮船船舱、各种候车室、公交场站、售票窗口、以及有明显标志物(如地面瓷砖线)的房间或地面。进行拥挤度识别之前,首先获取待检测的某种应用场景下的图像,具体的,可以通过安装于该应用场景中的摄像头进行拍摄,得到待检测的图像,或者也可以通过其它拍摄装置如相机,拍摄得到上述待检测的图像,为了与下文中的待训练的图像进行区别,这里用第一图像表示。
S102:提取第一图像中的第一人群拥挤特征;第一人群拥挤特征包括:第一图像的背景区域特征。
在获取到待检测的图像后,对该图像中的背景区域进行特征提取,具体的,可以结合分数阶理论与方法,以及图像增强、重构、分割、目标跟踪等技术,对上述图像进行背景区域的特征提取,比如:对于公交车应用场景,其背景区域的特征包括但不限于:座位上有无人坐的对比特征、过道或门口有无人站的对比特征、扶手上有无人扶的对比特征。针对不同的应用场景,其相应的图像中所提取出的背景区域特征也不同,结合其背景区域特征,利用预先训练好的分类器进行识别,可以快速得到相应应用场景下的人群拥挤度。具体的识别过程如下:
S103:将第一人群拥挤特征输入到预先训练好的拥挤度检测分类器中,得到第一图像的人群拥挤度的分类结果。
其中,拥挤度检测分类器通过对数量达到一定阈值的训练样本数据进行分类训练得到;训练样本数据包括多种应用场景下所采集的图像。
本实施例中,拥挤度检测分类器是通过对大量的多种应用场景下采集的图像进行特征提取和训练得到的。因此,可以提高图像识别的准确度,也就是可以得到待检测图像的准确的拥挤度。
将上述提取的人群拥挤特征,也就是背景区域特征,输入到上述训练好的拥挤度检测分类器中,就可以得到该第一图像的人群拥挤度分类结果,也就是拥挤度值,拥挤度值可以采用百分比进行表示,也可以以等级的方式表示。具体的,确定拥挤度检测分类器所对应的数据格式;如果数据格式包括二进制数据格式,将第一人群拥挤特征转换为二进制数据格式后输入拥挤度检测分类器,以生成对应第一图像的分类结果。
需要说明的是,本发明实施例中的训练的分类器可以采用多种方式进行,比如,常见的有基于深度学习的多种神经网络,或者也可以是其它能够实现特征提取和识别的模型,作为一种优选实施方式,本发明实施例采用卷积神经网络对图像进行多角度多方位的背景特征提取,以实现快速的人群拥挤度识别。
参见图2所示,上述分类器的训练过程如下,也就是在步骤S101获取待检测的第一图像之前,还包括以下步骤:
S201:获取待训练的第二图像;第二图像包括数量达到一定阈值的多种应用场景下所采集的图像。
本发明实施例中,应用场景包括但不限于:公交车厢、轨道列车车厢、轮船船舱、各种候车室、公交场站、售票窗口、以及有明显标志物(如地面瓷砖线)的房间或地面。进行拥挤度检测分类器训练之前,首先获取待训练的上述多种应用场景下的图像,具体的,可以通过安装于各个应用场景中的摄像头进行拍摄,得到待训练的图像,为了与上文中的待检测的图像进行区别,这里用第二图像表示。
S202:提取第二图像中的第二人群拥挤特征;第二人群拥挤特征包括:第二图像的背景区域特征。
在获取到待训练的图像后,对该图像中的背景区域进行特征提取,具体的,可以结合分数阶理论与方法,以及图像增强、重构、分割、目标跟踪等技术,对上述图像进行背景区域的特征提取,比如:对于公交车应用场景,其背景区域的特征包括但不限于:座位上有无人坐的对比特征、过道或门口有无人站的对比特征、扶手上有无人扶的对比特征。针对不同的应用场景,其相应的图像中所提取出的背景区域特征也不同,结合多种应用场景下不同的背景区域特征,可以训练出多种针对不同应用场景的拥挤度检测分类器,用于各种应用场景下的拥挤度快速识别。
S203:将第二人群拥挤特征,整合为训练样本数据和验证样本数据。
在提取出上述人群拥挤特征,也就是各种应用场景下的背景区域特征后,将其整合为两种数据,一种是训练样本数据,另一种是验证样本数据,通常情况下,训练样本数据和验证样本数据的比例为7:3。
上述样本数据根据识别精度的需要,可能需要人工参与图像的标注,以监督学习方式达到识别进度需求。
S204:通过机器学习算法对训练样本数据进行训练,得到拥挤度检测分类器。
在得到上述训练样本数据后,基于深度学习算法(如卷积神经网络CNN技术),从大量的上述训练样本数据中学习建立模型,得到上述拥挤度检测分类器。
参见图3所示,在得到拥挤度检测分类器之后,还包括以下步骤:
S301:获取第一分类结果和拥挤度检测分类器的模型参数,第一分类结果为将训练样本数据输入至拥挤度检测分类器之后得到的输出结果。
S302:将验证样本数据输入拥挤度检测分类器中,得到第二分类结果。
S303:判断第二识别结果是否与第一识别结果相一致;如果否,则对模型参数进行调整。
在训练出上述拥挤度检测分类器后,对该分类器的模型参数进行真实场景测试与验证,具体的,将上述验证样本数据输入到上述拥挤度检测分类器中,判断输出结果是否与输入训练样本数据的情况一致,上述验证样本数据包括:从不同车型、不同拥挤程度、不同光照条件、不同摄像头角度场景下的图像中提取出的背景区域特征,针对上述多种验证样本数据,判断其输出结果是否与训练样本数据的输出结果一致,如果不同,则进一步根据测试结果进行模型参数的调整,对分类器的模型进行修正与完善。
参见图4所示,在提取第二图像中的第二人群拥挤特征之前,还包括以下步骤:
S401:对第二图像进行归一化预处理。
S402:判断归一化预处理后的第二图像是否存在预设缺陷;预设缺陷包括:图像遮蔽、数据错误、图像模糊中至少一项。
S403:如果是,则重新获取图像,并将重新获取的图像作为第二图像。
通过安装于各个应用场景中的摄像头进行拍摄,得到待训练的图像后,对上述待训练的图像进行归一化预处理,确保图像格式标准,对多源视频进行初步分类。如果在对图像预处理后,图像仍存在遮蔽、数据错误、模糊等缺陷,则重新获取其它图像数据,如果多次预处理后仍出现问题则控制报警装置进行报警。
作为一种优选实施方式,在得到第一图像的人群拥挤度分类结果之后,还包括以下步骤,参见图5所示:
S501:将第一图像及其对应的分类结果,作为新的训练样本数据保存在训练样本数据库中。
随着拥挤度检测分类器在实际场合中应用,不断将新识别的图像和其识别结果增加到训练样本数据库中,从而不断地对分类器或者算法进行更新和优化,使其适应不同的新应用场景,提高在不同应用场景下的拥挤度识别准确率。
本实施例中所述的拥挤度为面向应用场景的量化指标,可采用多种方式定义。如拥挤度可根据人员乘坐舒适程度进行定义。以公交车拥挤度为例,极度拥挤定义为5(车内再也无法上人),拥挤定义为4(过道内可站乘客数超过一半,但未到极度拥挤程度),适度拥挤定义为3(过道上站着少量乘客),舒适定义为2(有空着的座位,但乘坐人数超过一半),空闲定义为1(空着的座位超过一半)。拥挤度也可用单位面积承载人数来定义,如单位面积(平方米)内人数超过X人为拥挤;或者按照场所及车辆核定的载客量作为标准定义。
下面列举一种具体的应用场景,以公交车厢为例,首先从多个车厢视频摄像头取得不同光照情况下的图像数据,然后根据上述定义的几个拥挤程度指数,先用人工方式标注不同车型、光照条件下的拥挤程度;然后选择分类器(如深度学习神经网络),进行训练,训练完成后,确保识别度达到要求,如未达到要求,则增加样本数据或更换分类器或调整分类器参数等;将达标的分类器用于实时视频数据的拥挤度分析,在实践中不断通过扩充样本等方式在后台演进训练此分类器并更新部署到应用场景中,达到更好地识别效果。
在本实施例中,应用场景包括但不限于:本拥挤度算法除用于人群拥挤度识别外,还可用于物品的拥挤程度分析,比如集装箱拥挤程度,仓库物品拥挤程度。这些应用场合的特征为:识别目标物体的形状大小可大致固定,场所背景具备明显标志物(如座位、扶手、地面瓷砖线、标志线等)。
在本发明实施例提供的人群拥挤度检测方法中,首先获取待检测的第一图像;第一图像为多种应用场景下所采集的图像中的一种;其中,多种应用场景包括但不限于:公交车厢,轨道列车车厢,轮船船舱,各种候车室,公交站、售票窗口、以及有明显标志物(如地面瓷砖线)的房间或地面。然后提取第一图像中的第一人群拥挤特征;第一人群拥挤特征包括:第一图像的背景区域特征;最后将第一人群拥挤特征输入到预先训练好的拥挤度检测分类器中,得到第一图像的人群拥挤度的分类结果;其中,拥挤度检测分类器通过对数量达到一定阈值的训练样本数据进行分类训练得到;训练样本数据包括多种应用场景下所采集的图像。
本实施例所提供的人群拥挤度检测方法,预先通过对很大数量的多种应用场景下的训练样本数据,进行多角度特征提取,进而训练得到拥挤度检测分类器,然后通过该分类器,并结合从新的图像中提取出的背景区域特征,对新的图像进行拥挤度识别,该方法不需要确定图像中的人头数量,即可得到当前场景图像的拥挤度,可以大大提高拥挤度检测速度,并且降低了对高配置硬件设备的依赖,实现快速、准确地拥挤度识别,满足多种应用场景下对人群拥挤度的判断需求。
需要说明的是,本实施例采用的深度学习算法中列出了一些预处理方法、算法名称及控制参数,在实际应用中不仅限于以上方法、算法及参数,凡能达到结合场景特征因素对人群拥挤度进行快速判断的方法、算法及参数均在本专利的保护范围内。
实施例二:
本发明实施例提供一种人群拥挤度检测装置,参见图6所示,该装置包括:图像获取模块61、特征提取模块62、图像分类模块63。
其中,图像获取模块61,用于获取待检测的第一图像;第一图像为多种应用场景下所采集的图像中的一种;特征提取模块62,用于提取第一图像中的第一人群拥挤特征;第一人群拥挤特征包括:第一图像的背景区域特征;图像分类模块63,用于将第一人群拥挤特征输入到预先训练好的拥挤度检测分类器中,得到第一图像的人群拥挤度的分类结果;其中,拥挤度检测分类器通过对数量达到一定阈值的训练样本数据进行分类训练得到;训练样本数据包括多种应用场景下所采集的图像。
本发明实施例所提供的人群拥挤度检测装置中,各个模块与前述人群拥挤度检测方法具有相同的技术特征,因此,同样可以实现上述功能。本装置中各个模块的具体工作过程参见上述方法实施例,在此不再赘述。
实施例三:
本发明实施例提供一种人群拥挤度检测***,参见图7所示,该***包括:后台服务器71、终端设备72及如实施例二所述的人群拥挤度检测装置73。
其中,后台服务器71、终端设备72以及人群拥挤度检测装置73两两通信连接;后台服务器71,接收人群拥挤度检测装置73所发送的对图像的人群拥挤度分类结果,并将人群拥挤度分类结果发送至终端设备72。
上述后台服务器71可以为不同应用行业中的监控中心,上述终端设备72可以为各个行业的信息发布平台、显示器、相关工作人员的手持终端等,具体的,将上述人群拥挤度检测装置73应用于不同的相关应用行业,可以进一步实现多种功能,比如,公交站工作人员根据手持终端接收到的当前公交车拥挤程度进行车辆调度作业,再比如,火车站候车大厅中通过信息发布平台,向公众公布当前各个候车厅的人群拥挤度,以使公众根据上述信息选择候车的地点。
实施例四:
本发明实施例提供一种电子设备,参见图8所示,该电子设备包括:处理器80,存储器81,总线82和通信接口83,所述处理器80、通信接口83和存储器81通过总线82连接;处理器80用于执行存储器81中存储的可执行模块,例如计算机程序。处理器执行计算机程序时实现如方法实施例所述的方法的步骤。
其中,存储器81可能包含高速随机存取存储器(RAM,RandomAccessMemory),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口83(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线82可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器81用于存储程序,所述处理器80在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流程定义的装置所执行的方法可以应用于处理器80中,或者由处理器80实现。
处理器80可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器80中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器80可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器81,处理器80读取存储器81中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的人群拥挤度检测方法的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置及电子设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
附图中的流程图和框图显示了根据本发明的多个实施例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,所述模块、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,两个连续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动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,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***,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,在本发明各个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,可以存储在一个处理器可执行的非易失的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。
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)
1.一种人群拥挤度检测方法,其特征在于,包括:
获取待检测的第一图像;所述第一图像为多种应用场景下所采集的图像中的一种;
提取所述第一图像中的第一人群拥挤特征;所述第一人群拥挤特征为所述第一图像的背景区域特征;
将所述第一人群拥挤特征输入到预先训练好的拥挤度检测分类器中,得到所述第一图像的人群拥挤度的分类结果;
其中,所述拥挤度检测分类器通过对数量达到一定阈值的训练样本数据进行分类训练得到;所述训练样本数据包括多种应用场景下所采集的图像。
2.根据权利要求1所述的方法,其特征在于,在所述获取待检测的第一图像之前,还包括:
获取待训练的第二图像;所述第二图像包括数量达到一定阈值的多种应用场景下所采集的图像;
提取所述第二图像中的第二人群拥挤特征;所述第二人群拥挤特征为所述第二图像的背景区域特征;
将所述第二人群拥挤特征,整合为训练样本数据和验证样本数据;
通过机器学习算法对所述训练样本数据进行训练,得到所述拥挤度检测分类器。
3.根据权利要求2所述的方法,其特征在于,在得到所述拥挤度检测分类器之后,还包括:
获取第一分类结果和所述拥挤度检测分类器的模型参数,所述第一分类结果为将所述训练样本数据输入至所述拥挤度检测分类器之后得到的输出结果;
将所述验证样本数据输入所述拥挤度检测分类器中,得到第二分类结果;
判断所述第二分类结果是否与所述第一分类结果相一致;
如果否,则对所述模型参数进行调整。
4.根据权利要求2所述的方法,其特征在于,在所述提取所述第二图像中的第二人群拥挤特征之前,还包括:
对所述第二图像进行归一化预处理;
判断所述归一化预处理后的第二图像是否存在预设缺陷;所述预设缺陷包括:图像遮蔽、数据错误、图像模糊中至少一项;
如果是,则重新获取图像,并将所述重新获取的图像作为所述第二图像。
5.根据权利要求1所述的方法,其特征在于,所述将所述第一人群拥挤特征输入到预先训练好的拥挤度检测分类器中,得到所述第一图像的人群拥挤度分类结果,具体包括:
确定所述拥挤度检测分类器所对应的数据格式;
如果所述数据格式包括二进制数据格式,将所述第一人群拥挤特征转换为二进制数据格式后输入所述拥挤度检测分类器,以生成对应所述第一图像的分类结果。
6.根据权利要求1-5任一项所述的方法,其特征在于,在所述得到所述第一图像的人群拥挤度分类结果之后,还包括:
将所述第一图像及其对应的分类结果,作为新的训练样本数据保存在训练样本数据库中。
7.一种人群拥挤度检测装置,其特征在于,所述装置包括:
图像获取模块,用于获取待检测的第一图像;所述第一图像为多种应用场景下所采集的图像中的一种;
特征提取模块,用于提取所述第一图像中的第一人群拥挤特征;所述第一人群拥挤特征为所述第一图像的背景区域特征;
图像分类模块,用于将所述第一人群拥挤特征输入到预先训练好的拥挤度检测分类器中,得到所述第一图像的人群拥挤度的分类结果;其中,所述拥挤度检测分类器通过对数量达到一定阈值的训练样本数据进行分类训练得到;所述训练样本数据包括多种应用场景下所采集的图像。
8.一种人群拥挤度检测***,其特征在于,所述***包括:后台服务器、终端设备及如上述权利要求7所述的人群拥挤度检测装置;
所述后台服务器、所述终端设备以及所述人群拥挤度检测装置两两通信连接;
所述后台服务器,接收所述人群拥挤度检测装置所发送的对图像的人群拥挤度分类结果,并将所述人群拥挤度分类结果发送至所述终端设备。
9.一种电子设备,包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至6任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711451839.7A CN108021949B (zh) | 2017-12-27 | 2017-12-27 | 人群拥挤度检测方法、装置、***及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711451839.7A CN108021949B (zh) | 2017-12-27 | 2017-12-27 | 人群拥挤度检测方法、装置、***及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108021949A CN108021949A (zh) | 2018-05-11 |
CN108021949B true CN108021949B (zh) | 2021-03-05 |
Family
ID=62071924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711451839.7A Active CN108021949B (zh) | 2017-12-27 | 2017-12-27 | 人群拥挤度检测方法、装置、***及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108021949B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705391B (zh) * | 2019-09-17 | 2023-09-19 | 四川大学锦城学院 | 一种基于人体图像识别方法的座位分配*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739569A (zh) * | 2009-12-17 | 2010-06-16 | 北京中星微电子有限公司 | 一种人群密度估计方法、装置及监控*** |
CN102044073A (zh) * | 2009-10-09 | 2011-05-04 | 汉王科技股份有限公司 | 判断图像中人群密度的方法及*** |
US8812344B1 (en) * | 2009-06-29 | 2014-08-19 | Videomining Corporation | Method and system for determining the impact of crowding on retail performance |
CN104268898A (zh) * | 2014-09-15 | 2015-01-07 | 郑州天迈科技股份有限公司 | 基于图像分析的公交车内乘客密集程度检测方法 |
CN104951804A (zh) * | 2015-06-25 | 2015-09-30 | 西北工业大学 | 基于无监督特征学习与密度估计的拥挤场景分类方法 |
CN106203331A (zh) * | 2016-07-08 | 2016-12-07 | 苏州平江历史街区保护整治有限责任公司 | 一种基于卷积神经网络的人群密度估算方法 |
CN107229894A (zh) * | 2016-03-24 | 2017-10-03 | 上海宝信软件股份有限公司 | 基于计算机视觉分析技术的智能视频监控方法及*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8195598B2 (en) * | 2007-11-16 | 2012-06-05 | Agilence, Inc. | Method of and system for hierarchical human/crowd behavior detection |
CN104123569B (zh) * | 2014-07-21 | 2017-02-15 | 中国人民解放军63908部队 | 一种基于有监督学习的视频人数信息统计方法 |
CN107145821A (zh) * | 2017-03-23 | 2017-09-08 | 华南农业大学 | 一种基于深度学习的人群密度检测方法和*** |
CN107341480A (zh) * | 2017-07-12 | 2017-11-10 | 中国电子科技集团公司第二十八研究所 | 一种改进型pccnn神经网络模型的人群聚集检测方法 |
CN107483887B (zh) * | 2017-08-11 | 2020-05-22 | 中国地质大学(武汉) | 一种智慧城市视频监控中突发情况的预警检测方法 |
-
2017
- 2017-12-27 CN CN201711451839.7A patent/CN108021949B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8812344B1 (en) * | 2009-06-29 | 2014-08-19 | Videomining Corporation | Method and system for determining the impact of crowding on retail performance |
CN102044073A (zh) * | 2009-10-09 | 2011-05-04 | 汉王科技股份有限公司 | 判断图像中人群密度的方法及*** |
CN101739569A (zh) * | 2009-12-17 | 2010-06-16 | 北京中星微电子有限公司 | 一种人群密度估计方法、装置及监控*** |
CN104268898A (zh) * | 2014-09-15 | 2015-01-07 | 郑州天迈科技股份有限公司 | 基于图像分析的公交车内乘客密集程度检测方法 |
CN104951804A (zh) * | 2015-06-25 | 2015-09-30 | 西北工业大学 | 基于无监督特征学习与密度估计的拥挤场景分类方法 |
CN107229894A (zh) * | 2016-03-24 | 2017-10-03 | 上海宝信软件股份有限公司 | 基于计算机视觉分析技术的智能视频监控方法及*** |
CN106203331A (zh) * | 2016-07-08 | 2016-12-07 | 苏州平江历史街区保护整治有限责任公司 | 一种基于卷积神经网络的人群密度估算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108021949A (zh) | 2018-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171162B (zh) | 人群拥挤度检测方法、装置及*** | |
CN108090458B (zh) | 人体跌倒检测方法和装置 | |
CN110188807B (zh) | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 | |
CN109801260B (zh) | 牲畜个数的识别方法、装置、控制装置及可读存储介质 | |
CN109460754B (zh) | 一种水面异物检测方法、装置、设备及存储介质 | |
CN110781836A (zh) | 人体识别方法、装置、计算机设备及存储介质 | |
EP3806064A1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN106203498B (zh) | 一种城市场景垃圾检测方法及*** | |
CN110059635B (zh) | 一种皮肤瑕疵检测方法及装置 | |
CN111210399B (zh) | 一种成像质量评价方法、装置及设备 | |
CN112200081A (zh) | 异常行为识别方法、装置、电子设备及存储介质 | |
CN111898581A (zh) | 动物检测方法、装置、电子设备及可读存储介质 | |
EP2662827A1 (en) | Video analysis | |
KR20150107599A (ko) | 사상(事象) 검출 장치 및 사상 검출 방법 | |
CN107133629B (zh) | 图片分类方法、装置和移动终端 | |
CN107341508B (zh) | 一种快速美食图片识别方法及*** | |
CN112464797B (zh) | 一种吸烟行为检测方法、装置、存储介质及电子设备 | |
CN111753642B (zh) | 一种确定关键帧的方法及装置 | |
US11455500B2 (en) | Automatic classifier profiles from training set metadata | |
CN113255444A (zh) | 图像识别模型的训练方法、图像识别方法和装置 | |
CN113554008A (zh) | 静态物体区域内检测方法、装置、电子设备及存储介质 | |
CN108021949B (zh) | 人群拥挤度检测方法、装置、***及电子设备 | |
JP7119774B2 (ja) | 学習プログラム、画像分類プログラム、学習方法、画像分類方法、学習装置および画像分類装置 | |
CN111046747A (zh) | 人群计数模型的训练方法、人群计数方法、装置和服务器 | |
CN111178445A (zh) | 图像处理方法及装置 |
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 |