CN109858389A - 基于深度学习的直梯人数统计方法及*** - Google Patents
基于深度学习的直梯人数统计方法及*** Download PDFInfo
- Publication number
- CN109858389A CN109858389A CN201910023341.3A CN201910023341A CN109858389A CN 109858389 A CN109858389 A CN 109858389A CN 201910023341 A CN201910023341 A CN 201910023341A CN 109858389 A CN109858389 A CN 109858389A
- Authority
- CN
- China
- Prior art keywords
- target
- vertical ladder
- detection
- dbl
- feature
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学***台。
Description
技术领域
本发明属于计算机视觉技术领域，具体涉及一种基于深度学习的直梯人数统计方法及***。
背景技术
直梯使用过程中，避免不了部分故障或者人为因素导致的困人现象，通过检测方法能检测出当前困人人数，并通知给物业或云梯平台，救援人员可以及时解救。直梯装有重力传感器，有一定的载荷范围，超过这个范围容易导致装置失效，从安全性考虑，通过检测直梯乘坐人数能合理控制直梯载荷范围。统计单部直梯一天乘坐的人流量，针对小区场景，统计小区人数用于大数据分析，在安全管理方面有一定的预警作用；对于学校、医院这种流量大的场景，统计分析流量数据，可以通过优化调度直梯运行，提高运行效率；对于商城、购物中心等场景，统计流量数据，有助广告位合理布局，增加经营资产的收益等。
现有技术的中国专利申请号为CN201710157587.0，申请名称为一种人数统计方法及装置和电梯调度方法及***，该发明通过获取立体视觉摄像机拍摄的图像，转换空间三维信息，根据三维信息的高度宽度信息得到二维投影图。针对二维投影图中的人头目标像素块，取联通域标记。需要以目标极大值为圆心，预设半径得到人头目标区域，以联通域面积与预设面积阈值比较得到人头数量。该发明中图像处理算法属于传统模式识别算法，需要人工设计一些特征。例如预设半径圆对候选区域进行覆盖，不同的电梯场景下环境有所差异，或者人为因素带来的摄像机位置偏差均可能带来预设值的偏差，因此并不具备普适性。
发明内容
本发明要解决的技术问题是提供一种基于深度学习的直梯人数统计方法及***。
为解决上述技术问题，本发明采用如下的技术方案：
本发明实施例的一方面提供了一种基于深度学习的直梯人数统计方法，包括以下步骤：
直梯监控摄像头通过相机有无人算法判断有人，开关门算法判断直梯门关闭，且轿厢在运行状态时开始分析请求，触发一张图像并调用直梯行人检测算法做目标检测；
在接收到分析请求后，根据触发图像的时间节点从主码流取一张图像，并开始调用YOLOv3算法进行分析得到最后的检测框；
通过检测框得到具体的直梯人数，并将数量写入数据库中，同时上报到云梯平台。
优选地，所述开始调用YOLOv3算法进行分析得到最后的检测框具体为：
首先将直梯行人图像做归一化处理，尺寸变换到416*416，再将图像网格化，若检测的目标中心落在某一个网格中，则该网格就负责预测该目标；YOLOv3使用K-means得到9个先验框，采取三个尺度的特征图预测，当输入为416*416时，特征图分别为13*13，26*26，52*52；每个yolo层使用三个先验框，根据先验框的大小，划分到3个尺度的特征图上，尺度大的特征图使用小的先验框；每个网格会预测多个bounding box，在训练时如果该网络预测的bounding box与标记的ground truth重叠部分最大，即可判断目标在网格内，网格专职负责目标的预测；部分时候，一个目标可能会被多次检测，造成目标框重复检测，非极大值抑制可以检测高度重叠的边界框，去除置信度最高以外的所有预测框，保证同一目标只输出一个检测框；所有预测框经过回归得到具体的坐标信息，以及分类类别；通过设置一个目标置信度阈值，其中置信度为目标类别的概率乘以预测目标与标定真值的重叠部分，高于阈值的预测框即是最后的检测框。
优选地，采取三个尺度的特征图预测，当输入为416*416时，特征图分别为13*13，26*26，52*52采用YOLOv3检测网络得到，具体为：YOLOv3检测网络在第一组DBL后使用了23个残差单元，6组DBL，并增加了卷积层得到13*13的特征输出用于大目标的检测；其中在23个残差单元，5组DBL后做了分支DBL与上采样得到26*26的特征与经过19个残差单元得到的26*26特征做了张量拼接，其中concat用于拼接相同尺度的张量，拼接后的张量经过5组DBL并增加了卷积层得到26*26的特征输出；其中该5组DBL后做分支继续做DBL与上采样得到52*52的特征，同时与经过11个残差单元得到的52*52特征做张量拼接，该拼接后的张量再经过6组DBL并增加了卷积层得到了52*52的特征输出用于小目标的检测；最终三层特征输出共同用于直梯行人的检测。
本发明实施例的另一方面在于提供一种基于深度学习的直梯人数统计***，包括：
分析请求模块，用于直梯监控摄像头通过相机有无人算法判断有人，开关门算法判断直梯门关闭，且轿厢在运行状态时开始分析请求，触发一张图像并调用直梯行人检测算法做目标检测；
直梯人数统计模块，用于在接收到分析请求后，根据触发图像的时间节点从主码流取一张图像，并开始调用YOLOv3算法进行分析得到最后的检测框；
写入上传模块，用于通过检测框得到具体的直梯人数，并将数量写入数据库中，同时上报到云梯平台。
优选地，所述开始调用YOLOv3算法进行分析得到最后的检测框具体为：
首先将直梯行人图像做归一化处理，尺寸变换到416*416，再将图像网格化，若检测的目标中心落在某一个网格中，则该网格就负责预测该目标；YOLOv3使用K-means得到9个先验框，采取三个尺度的特征图预测，当输入为416*416时，特征图分别为13*13，26*26，52*52；每个yolo层使用三个先验框，根据先验框的大小，划分到3个尺度的特征图上，尺度大的特征图使用小的先验框；每个网格会预测多个bounding box，在训练时如果该网络预测的bounding box与标记的ground truth重叠部分最大，即可判断目标在网格内，网格专职负责目标的预测；部分时候，一个目标可能会被多次检测，造成目标框重复检测，非极大值抑制可以检测高度重叠的边界框，去除置信度最高以外的所有预测框，保证同一目标只输出一个检测框；所有预测框经过回归得到具体的坐标信息，以及分类类别；通过设置一个目标置信度阈值，其中置信度为目标类别的概率乘以预测目标与标定真值的重叠部分，高于阈值的预测框即是最后的检测框。
优选地，采取三个尺度的特征图预测，当输入为416*416时，特征图分别为13*13，26*26，52*52采用YOLOv3检测网络得到，具体为：YOLOv3检测网络在第一组DBL后使用了23个残差单元，6组DBL，并增加了卷积层得到13*13的特征输出用于大目标的检测；其中在23个残差单元，5组DBL后做了分支DBL与上采样得到26*26的特征与经过19个残差单元得到的26*26特征做了张量拼接，其中concat用于拼接相同尺度的张量，拼接后的张量经过5组DBL并增加了卷积层得到26*26的特征输出；其中该5组DBL后做分支继续做DBL与上采样得到52*52的特征，同时与经过11个残差单元得到的52*52特征做张量拼接，该拼接后的张量再经过6组DBL并增加了卷积层得到了52*52的特征输出用于小目标的检测；最终三层特征输出共同用于直梯行人的检测。
采用本发明具有如下的有益效果：本发明应用于云梯平台，通过标记大量直梯行人数据，用改进的YOLOv3网络训练数据集，提高直梯行人目标的检出性；且基于大数据样本训练得到的模型具有很好的普适性，能适应于各种场景，如小区、学校、医院、酒店、商场等。
附图说明
图1为本发明实施例的基于深度学习的直梯人数统计方法的步骤流程图；
图2为本发明实施例的YOLOv3检测网络框架结构示意图；
图3为本发明实施例的基于深度学习的直梯人数统计***的原理框图。
具体实施方式
下面将结合本发明实施例中的附图，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。
参照图1，所示为本发明实施例公开的一种基于深度学习的直梯人数统计方法的步骤流程图，包括以下步骤：
S1，直梯监控摄像头通过相机有无人算法判断有人，开关门算法判断直梯门关闭，且轿厢在运行状态时开始分析请求，触发一张图像并调用直梯行人检测算法做目标检测；
S2，在接收到分析请求后，根据触发图像的时间节点从主码流取一张图像，并开始调用YOLOv3算法进行分析得到最后的检测框；
其中开始调用YOLOv3算法进行分析得到最后的检测框具体为：
首先将直梯行人图像做归一化处理，尺寸变换到416*416，再将图像网格化，若检测的目标中心落在某一个网格中，则该网格就负责预测该目标；YOLOv3使用K-means得到9个先验框，采取三个尺度的特征图预测，当输入为416*416时，特征图分别为13*13，26*26，52*52；每个yolo层使用三个先验框，根据先验框的大小，划分到3个尺度的特征图上，尺度大的特征图使用小的先验框；每个网格会预测多个bounding box，在训练时如果该网络预测的bounding box与标记的ground truth重叠部分最大，即可判断目标在网格内，网格专职负责目标的预测；部分时候，一个目标可能会被多次检测，造成目标框重复检测，非极大值抑制可以检测高度重叠的边界框，去除置信度最高以外的所有预测框，保证同一目标只输出一个检测框；所有预测框经过回归得到具体的坐标信息，以及分类类别；通过设置一个目标置信度阈值，其中置信度为目标类别的概率乘以预测目标与标定真值的重叠部分，高于阈值的预测框即是最后的检测框。
本发明通过检测直梯行人头部区域进行统计，考虑到在人流量大比较拥挤的情况，直梯行人遮挡严重，因此并未考虑检测头肩、或者整体躯干。图2给出YOLOv3检测网络框架示意图，该网络模型大小246M。输入层为需要检测的图像，DBL为卷积层+BatchNormalization层+leaky激励层。通过三个层融合加速计算。其中卷积层用于提取特征，卷积是对两个实变函数的一种数学运算。通常卷积输入图像数据和一个核函数，输出则称作特征映射，深度学习中通过卷积运算提取图像特征信息，如果一幅二维的图像I作为输入，使用一个二维的核K，公式如下：
其中Mr,Mc为I的行和列，Kr,Kc为K的行和列，m,n为步长，且i，j需满足条件：0≤i≤Mr+Kr-1,0≤j≤Mc+Kc-1。
Batch Normalization层为了解决深度网络训练时梯度消失问题，对隐层神经元非线性函数映射取值做标准化处理：
其中x(k)为神经元经过激励变换得到的映射，k为常数，E(x)为均值，Var(x)为方差。
leaky激励层对输入神经元做非线性映射：
其中xi为神经元权重，yi为映射，ai为系数，i为常数。
另外引入残差单元加深网络深度。ResN为残差单元，其中x为上一层输出到该神经元的值；w为x传到该神经元经过的权重；y为x在某神经元内由激活函数求得的输出值：
y＝F(x,ω)+x
YOLOv3网络在第一组DBL后使用了23个残差单元，6组DBL，并增加了卷积层得到13*13的特征输出用于大目标的检测。其中在23个残差单元，5组DBL后做了分支DBL与上采样得到26*26的特征与经过19个残差单元得到的26*26特征做了张量拼接，其中concat用于拼接相同尺度的张量，拼接后的张量经过5组DBL并增加了卷积层得到26*26的特征输出。其中该5组DBL后做分支继续做DBL与上采样得到52*52的特征，同时与经过11个残差单元得到的52*52特征做张量拼接，该拼接后的张量再经过6组DBL并增加了卷积层得到了52*52的特征输出用于小目标的检测。最终三层特征输出共同用于直梯行人的检测。整体上采用13*13，26*26，52*52三个尺度对不同的目标大小进行检测，由于YOLOv3网络对于部分小目标区域的检测效果并不是很好，通过在直梯行人数据集上重新聚类获得小的anchor，改善YOLOv3的检出性能。
S3，通过检测框得到具体的直梯人数，并将数量写入数据库中，同时上报到云梯平台。
以上本发明实施例提供的一种基于深度学习的直梯人数统计方法，通过标注不同场景下的直梯行人样本共计39万幅，利用YOLOv3网络训练模型，针对该数据集训练得到的模型在应用方面有很好的普适性，能适应各种光照强度、不同直梯类型、直梯场景下的行人识别，具有很高的准确率。
与本发明实施例方法对应的，本发明实施例还提供了一种基于深度学习的直梯人数统计***，原理框图参见图2，包括：
分析请求模块，用于直梯监控摄像头通过相机有无人算法判断有人，开关门算法判断直梯门关闭，且轿厢在运行状态时开始分析请求，触发一张图像并调用直梯行人检测算法做目标检测；
直梯人数统计模块，用于在接收到分析请求后，根据触发图像的时间节点从主码流取一张图像，并开始调用YOLOv3算法进行分析得到最后的检测框；
其中其中开始调用YOLOv3算法进行分析得到最后的检测框具体为：
首先将直梯行人图像做归一化处理，尺寸变换到416*416，再将图像网格化，若检测的目标中心落在某一个网格中，则该网格就负责预测该目标；YOLOv3使用K-means得到9个先验框，采取三个尺度的特征图预测，当输入为416*416时，特征图分别为13*13，26*26，52*52；每个yolo层使用三个先验框，根据先验框的大小，划分到3个尺度的特征图上，尺度大的特征图使用小的先验框；每个网格会预测多个bounding box，在训练时如果该网络预测的bounding box与标记的ground truth重叠部分最大，即可判断目标在网格内，网格专职负责目标的预测；部分时候，一个目标可能会被多次检测，造成目标框重复检测，非极大值抑制可以检测高度重叠的边界框，去除置信度最高以外的所有预测框，保证同一目标只输出一个检测框；所有预测框经过回归得到具体的坐标信息，以及分类类别；通过设置一个目标置信度阈值，其中置信度为目标类别的概率乘以预测目标与标定真值的重叠部分，高于阈值的预测框即是最后的检测框。
本发明通过检测直梯行人头部区域进行统计，考虑到在人流量大比较拥挤的情况，直梯行人遮挡严重，因此并未考虑检测头肩、或者整体躯干。图2给出YOLOv3检测网络框架示意图，该网络模型大小246M。输入层为需要检测的图像，DBL为卷积层+BatchNormalization层+leaky激励层。通过三个层融合加速计算。其中卷积层用于提取特征，卷积是对两个实变函数的一种数学运算。通常卷积输入图像数据和一个核函数，输出则称作特征映射，深度学习中通过卷积运算提取图像特征信息，如果一幅二维的图像I作为输入，使用一个二维的核K，公式如下：
其中Mr,Mc为I的行和列，Kr,Kc为K的行和列，m,n为步长，且i，j需满足条件：0≤i≤Mr+Kr-1,0≤j≤Mc+Kc-1。
Batch Normalization层为了解决深度网络训练时梯度消失问题，对隐层神经元非线性函数映射取值做标准化处理：
其中x(k)为神经元经过激励变换得到的映射，k为常数，E(x)为均值，Var(x)为方差。
leaky激励层对输入神经元做非线性映射：
其中xi为神经元权重，yi为映射，ai为系数，i为常数。
另外引入残差单元加深网络深度。ResN为残差单元，其中x为上一层输出到该神经元的值；w为x传到该神经元经过的权重；y为x在某神经元内由激活函数求得的输出值：
y＝F(x,ω)+x
YOLOv3网络在第一组DBL后使用了23个残差单元，6组DBL，并增加了卷积层得到13*13的特征输出用于大目标的检测。其中在23个残差单元，5组DBL后做了分支DBL与上采样得到26*26的特征与经过19个残差单元得到的26*26特征做了张量拼接，其中concat用于拼接相同尺度的张量，拼接后的张量经过5组DBL并增加了卷积层得到26*26的特征输出。其中该5组DBL后做分支继续做DBL与上采样得到52*52的特征，同时与经过11个残差单元得到的52*52特征做张量拼接，该拼接后的张量再经过6组DBL并增加了卷积层得到了52*52的特征输出用于小目标的检测。最终三层特征输出共同用于直梯行人的检测。整体上采用13*13，26*26，52*52三个尺度对不同的目标大小进行检测，由于YOLOv3网络对于部分小目标区域的检测效果并不是很好，通过在直梯行人数据集上重新聚类获得小的anchor，改善YOLOv3的检出性能。
写入上传模块，用于通过检测框得到具体的直梯人数，并将数量写入数据库中，同时上报到云梯平台。以上本发明实施例提供的一种基于深度学习的直梯人数统计***，通过标注不同场景下的直梯行人样本共计39万幅，利用YOLOv3网络训练模型，针对该数据集训练得到的模型在应用方面有很好的普适性，能适应各种光照强度、不同直梯类型、直梯场景下的行人识别，具有很高的准确率。
应当理解，本文所述的示例性实施例是说明性的而非限制性的。尽管结合附图描述了本发明的一个或多个实施例，本领域普通技术人员应当理解，在不脱离通过所附权利要求所限定的本发明的精神和范围的情况下，可以做出各种形式和细节的改变。
Claims (6)
1.一种基于深度学习的直梯人数统计方法，其特征在于，包括以下步骤：
直梯监控摄像头通过相机有无人算法判断有人，开关门算法判断直梯门关闭，且轿厢在运行状态时开始分析请求，触发一张图像并调用直梯行人检测算法做目标检测；
在接收到分析请求后，根据触发图像的时间节点从主码流取一张图像，并开始调用YOLOv3算法进行分析得到最后的检测框；
通过检测框得到具体的直梯人数，并将数量写入数据库中，同时上报到云梯平台。
2.如权利要求1所述的基于深度学习的直梯人数统计方法，其特征在于，所述开始调用YOLOv3算法进行分析得到最后的检测框具体为：
首先将直梯行人图像做归一化处理，尺寸变换到416*416，再将图像网格化，若检测的目标中心落在某一个网格中，则该网格就负责预测该目标；YOLOv3使用K-means得到9个先验框，采取三个尺度的特征图预测，当输入为416*416时，特征图分别为13*13，26*26，52*52；每个yolo层使用三个先验框，根据先验框的大小，划分到3个尺度的特征图上，尺度大的特征图使用小的先验框；每个网格会预测多个bounding box，在训练时如果该网络预测的bounding box与标记的ground truth重叠部分最大，即可判断目标在网格内，网格专职负责目标的预测；部分时候，一个目标可能会被多次检测，造成目标框重复检测，非极大值抑制可以检测高度重叠的边界框，去除置信度最高以外的所有预测框，保证同一目标只输出一个检测框；所有预测框经过回归得到具体的坐标信息，以及分类类别；通过设置一个目标置信度阈值，其中置信度为目标类别的概率乘以预测目标与标定真值的重叠部分，高于阈值的预测框即是最后的检测框。
3.如权利要求2所述的基于深度学习的直梯人数统计方法，其特征在于，采取三个尺度的特征图预测，当输入为416*416时，特征图分别为13*13，26*26，52*52采用YOLOv3检测网络得到，具体为：YOLOv3检测网络在第一组DBL后使用了23个残差单元，6组DBL，并增加了卷积层得到13*13的特征输出用于大目标的检测；其中在23个残差单元，5组DBL后做了分支DBL与上采样得到26*26的特征与经过19个残差单元得到的26*26特征做了张量拼接，其中concat用于拼接相同尺度的张量，拼接后的张量经过5组DBL并增加了卷积层得到26*26的特征输出；其中该5组DBL后做分支继续做DBL与上采样得到52*52的特征，同时与经过11个残差单元得到的52*52特征做张量拼接，该拼接后的张量再经过6组DBL并增加了卷积层得到了52*52的特征输出用于小目标的检测；最终三层特征输出共同用于直梯行人的检测。
4.一种基于深度学习的直梯人数统计***，其特征在于，包括：
分析请求模块，用于直梯监控摄像头通过相机有无人算法判断有人，开关门算法判断直梯门关闭，且轿厢在运行状态时开始分析请求，触发一张图像并调用直梯行人检测算法做目标检测；
直梯人数统计模块，用于在接收到分析请求后，根据触发图像的时间节点从主码流取一张图像，并开始调用YOLOv3算法进行分析得到最后的检测框；
写入上传模块，用于通过检测框得到具体的直梯人数，并将数量写入数据库中，同时上报到云梯平台。
5.如权利要求4所述的基于深度学习的直梯人数统计***，其特征在于，所述开始调用YOLOv3算法进行分析得到最后的检测框具体为：
首先将直梯行人图像做归一化处理，尺寸变换到416*416，再将图像网格化，若检测的目标中心落在某一个网格中，则该网格就负责预测该目标；YOLOv3使用K-means得到9个先验框，采取三个尺度的特征图预测，当输入为416*416时，特征图分别为13*13，26*26，52*52；每个yolo层使用三个先验框，根据先验框的大小，划分到3个尺度的特征图上，尺度大的特征图使用小的先验框；每个网格会预测多个bounding box，在训练时如果该网络预测的bounding box与标记的ground truth重叠部分最大，即可判断目标在网格内，网格专职负责目标的预测；部分时候，一个目标可能会被多次检测，造成目标框重复检测，非极大值抑制可以检测高度重叠的边界框，去除置信度最高以外的所有预测框，保证同一目标只输出一个检测框；所有预测框经过回归得到具体的坐标信息，以及分类类别；通过设置一个目标置信度阈值，其中置信度为目标类别的概率乘以预测目标与标定真值的重叠部分，高于阈值的预测框即是最后的检测框。
6.如权利要求5所述的基于深度学习的直梯人数统计***，其特征在于，采取三个尺度的特征图预测，当输入为416*416时，特征图分别为13*13，26*26，52*52采用YOLOv3检测网络得到，具体为：YOLOv3检测网络在第一组DBL后使用了23个残差单元，6组DBL，并增加了卷积层得到13*13的特征输出用于大目标的检测；其中在23个残差单元，5组DBL后做了分支DBL与上采样得到26*26的特征与经过19个残差单元得到的26*26特征做了张量拼接，其中concat用于拼接相同尺度的张量，拼接后的张量经过5组DBL并增加了卷积层得到26*26的特征输出；其中该5组DBL后做分支继续做DBL与上采样得到52*52的特征，同时与经过11个残差单元得到的52*52特征做张量拼接，该拼接后的张量再经过6组DBL并增加了卷积层得到了52*52的特征输出用于小目标的检测；最终三层特征输出共同用于直梯行人的检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910023341.3A CN109858389B (zh) | 2019-01-10 | 2019-01-10 | 基于深度学习的直梯人数统计方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910023341.3A CN109858389B (zh) | 2019-01-10 | 2019-01-10 | 基于深度学习的直梯人数统计方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109858389A true CN109858389A (zh) | 2019-06-07 |
| CN109858389B CN109858389B (zh) | 2021-06-04 |
Family
ID=66894403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910023341.3A Active CN109858389B (zh) | 2019-01-10 | 2019-01-10 | 基于深度学习的直梯人数统计方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109858389B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110222673A (zh) * | 2019-06-21 | 2019-09-10 | 杭州宇泛智能科技有限公司 | 一种基于头部检测的客流统计方法 |
| CN110414391A (zh) * | 2019-07-15 | 2019-11-05 | 河北工业大学 | 基于深度学习算法的主动移动式车底危险品检测装置 |
| CN110738148A (zh) * | 2019-09-29 | 2020-01-31 | 浙江新再灵科技股份有限公司 | 基于异构平台的云端目标检测算法 |
| CN110765904A (zh) * | 2019-10-11 | 2020-02-07 | 浙江新再灵科技股份有限公司 | 基于电梯场景人群消费指数预测的装置及方法 |
| CN111353377A (zh) * | 2019-12-24 | 2020-06-30 | 浙江工业大学 | 一种基于深度学习的电梯乘客数检测方法 |
| CN111476600A (zh) * | 2020-03-23 | 2020-07-31 | 浙江新再灵科技股份有限公司 | 直梯广告受众人数统计分析方法 |
| CN111986253A (zh) * | 2020-08-21 | 2020-11-24 | 日立楼宇技术（广州）有限公司 | 电梯拥挤程度的检测方法、装置、设备及存储介质 |
| CN112926500A (zh) * | 2021-03-22 | 2021-06-08 | 重庆邮电大学 | 一种结合头部和整体信息的行人检测方法 |
| CN113012335A (zh) * | 2021-03-22 | 2021-06-22 | 上海工程技术大学 | 一种基于YOLOv3人脸检测的地铁站台引导排队*** |
| CN114333120A (zh) * | 2022-03-14 | 2022-04-12 | 南京理工大学 | 一种公交客流检测方法及*** |
| CN114495003A (zh) * | 2022-01-24 | 2022-05-13 | 上海申视信科技有限公司 | 一种基于改进的YOLOv3网络的人数识别统计方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108069307A (zh) * | 2016-11-14 | 2018-05-25 | 杭州海康威视数字技术股份有限公司 | 一种对电梯中的人数进行统计的方法及装置 |
| CN108792853A (zh) * | 2018-06-26 | 2018-11-13 | 潍坊学院 | 电梯调度***及方法 |
-
2019
- 2019-01-10 CN CN201910023341.3A patent/CN109858389B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108069307A (zh) * | 2016-11-14 | 2018-05-25 | 杭州海康威视数字技术股份有限公司 | 一种对电梯中的人数进行统计的方法及装置 |
| CN108792853A (zh) * | 2018-06-26 | 2018-11-13 | 潍坊学院 | 电梯调度***及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 木盏: "yolo系列之yolo v3", 《HTTPS://BLOG.CSDN.NET/LCCZZU/ARTICLE/DETAILS/85881672》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110222673B (zh) * | 2019-06-21 | 2021-04-06 | 杭州宇泛智能科技有限公司 | 一种基于头部检测的客流统计方法 |
| CN110222673A (zh) * | 2019-06-21 | 2019-09-10 | 杭州宇泛智能科技有限公司 | 一种基于头部检测的客流统计方法 |
| CN110414391A (zh) * | 2019-07-15 | 2019-11-05 | 河北工业大学 | 基于深度学习算法的主动移动式车底危险品检测装置 |
| CN110738148A (zh) * | 2019-09-29 | 2020-01-31 | 浙江新再灵科技股份有限公司 | 基于异构平台的云端目标检测算法 |
| CN110765904A (zh) * | 2019-10-11 | 2020-02-07 | 浙江新再灵科技股份有限公司 | 基于电梯场景人群消费指数预测的装置及方法 |
| CN111353377A (zh) * | 2019-12-24 | 2020-06-30 | 浙江工业大学 | 一种基于深度学习的电梯乘客数检测方法 |
| CN111476600A (zh) * | 2020-03-23 | 2020-07-31 | 浙江新再灵科技股份有限公司 | 直梯广告受众人数统计分析方法 |
| CN111476600B (zh) * | 2020-03-23 | 2023-09-19 | 浙江新再灵科技股份有限公司 | 直梯广告受众人数统计分析方法 |
| CN111986253B (zh) * | 2020-08-21 | 2023-09-15 | 日立楼宇技术（广州）有限公司 | 电梯拥挤程度的检测方法、装置、设备及存储介质 |
| CN111986253A (zh) * | 2020-08-21 | 2020-11-24 | 日立楼宇技术（广州）有限公司 | 电梯拥挤程度的检测方法、装置、设备及存储介质 |
| CN112926500A (zh) * | 2021-03-22 | 2021-06-08 | 重庆邮电大学 | 一种结合头部和整体信息的行人检测方法 |
| CN112926500B (zh) * | 2021-03-22 | 2022-09-20 | 重庆邮电大学 | 一种结合头部和整体信息的行人检测方法 |
| CN113012335A (zh) * | 2021-03-22 | 2021-06-22 | 上海工程技术大学 | 一种基于YOLOv3人脸检测的地铁站台引导排队*** |
| CN114495003A (zh) * | 2022-01-24 | 2022-05-13 | 上海申视信科技有限公司 | 一种基于改进的YOLOv3网络的人数识别统计方法及*** |
| CN114333120A (zh) * | 2022-03-14 | 2022-04-12 | 南京理工大学 | 一种公交客流检测方法及*** |
| WO2023174240A1 (zh) * | 2022-03-14 | 2023-09-21 | 南京理工大学 | 一种公交客流检测方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109858389B (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858389A (zh) | 基于深度学习的直梯人数统计方法及*** | |
| CN107808139B (zh) | 一种基于深度学习的实时监控威胁分析方法及*** | |
| CN111241959B (zh) | 一种通过工地视频流检测未佩戴安全帽人员的方法 | |
| CN108537215A (zh) | 一种基于图像目标检测的火焰检测方法 | |
| CN104992223B (zh) | 基于深度学习的密集人数估计方法 | |
| CN109819208A (zh) | 一种基于人工智能动态监控的密集人群安防监控管理方法 | |
| CN112183471A (zh) | 一种现场人员防疫口罩规范佩戴的自动检测方法及*** | |
| CN112949572A (zh) | 基于Slim-YOLOv3的口罩佩戴情况检测方法 | |
| CN108470138A (zh) | 用于目标检测的方法和装置 | |
| JP2004523840A (ja) | モデル集合によるオブジェクトの分類 | |
| CN112966589A (zh) | 一种在危险区域的行为识别方法 | |
| CN112287827A (zh) | 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及*** | |
| CN104134364B (zh) | 具有自我学习能力的实时交通标记识别方法及*** | |
| CN114220143B (zh) | 一种佩戴口罩的人脸识别方法 | |
| CN113869162A (zh) | 一种基于人工智能的违章识别方法及*** | |
| CN116229560B (zh) | 一种基于人体姿态的异常行为识别方法及*** | |
| CN109919246A (zh) | 基于自适应特征聚类和多重损失融合的行人重识别方法 | |
| CN109902613A (zh) | 一种基于迁移学习和图像增强的人体特征提取方法 | |
| CN107766823A (zh) | 基于关键区域特征学习的视频中异常行为检测方法 | |
| CN116824335A (zh) | 一种基于YOLOv5改进算法的火灾预警方法及*** | |
| CN116503399B (zh) | 基于yolo-afps的绝缘子污闪检测方法 | |
| Su et al. | Semantic segmentation of high resolution remote sensing image based on batch-attention mechanism | |
| CN113378668A (zh) | 积水类别的确定方法、装置、设备及存储介质 | |
| CN115578693A (zh) | 一种基于显著性神经网络模型的施工安全预警方法和装置 | |
| CN113095127A (zh) | 一种基于卫星图像的建筑震后定位与破坏状态评估方法 |
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 |