CN110852208A - 一种人群密度估计方法及可读存储介质 - Google Patents

一种人群密度估计方法及可读存储介质 Download PDF

Info

Publication number
CN110852208A
CN110852208A CN201911037521.3A CN201911037521A CN110852208A CN 110852208 A CN110852208 A CN 110852208A CN 201911037521 A CN201911037521 A CN 201911037521A CN 110852208 A CN110852208 A CN 110852208A
Authority
CN
China
Prior art keywords
crowd
pedestrian
density
bbox
pixel
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
Application number
CN201911037521.3A
Other languages
English (en)
Other versions
CN110852208B (zh
Inventor
冯夫健
王林
刘爽
朱浩锋
梁椅辉
谭棉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Minzu University
Original Assignee
Guizhou Minzu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guizhou Minzu University filed Critical Guizhou Minzu University
Priority to CN201911037521.3A priority Critical patent/CN110852208B/zh
Publication of CN110852208A publication Critical patent/CN110852208A/zh
Application granted granted Critical
Publication of CN110852208B publication Critical patent/CN110852208B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种人群密度估计方法，包括如下步骤：获取人群的视频图像；对所述人群的视频图像进行目标检测，一个行人利用一个Bbox进行标记，所有Bbox构成与人群对应的Bbox集合；根据所述Bbox集合，通过计算平均占地面积获得人群的密度。本发明的有益效果是：通过自动采集监控视频，并进行目标检测，根据检测结果通过求取平均占地面积的方法进行人群密度进行计算，实现了对人群密度进行自动估计，减少了人工工作量，提高了效率和估计精度，将人数与占地面积相结合，提高了估计精度，增强了密度估计的可比性，便于比较、分级。本发明还公开一种可读存储介质。

Description

一种人群密度估计方法及可读存储介质
技术领域
本发明涉及安防监控技术领域，具体而言，涉及一种人群密度估计方法及可读存储介质。
背景技术
随着城市人口密度急剧增大，许多公共基础设施经常会迎来短期的人流高峰，人群的高度拥挤容易引起各种突发事件。群体运动可能存在的全局性异常行为(如，人群密度过高)存在重大安全隐患。因此，对公共基础设施等场合进行人群密度估计，进而进行后续的管理、协调十分必要。
现有的人群密度估计方法主要存在以下问题，人工监控方法费时费力，且无法保证估计精度；采用人数计数方法，忽视了占地面积的影响，精度较低；在不同场景下密度估计值可比性不强，不便于比较和分级。
发明内容
本发明正是基于上述问题，提出了一种人群密度估计方法及可读存储介质。
本发明解决上述技术问题的技术方案如下：一种人群密度估计方法，包括如下步骤：获取人群的视频图像；对所述人群的视频图像进行目标检测，一个行人利用一个Bbox进行标记，所有Bbox构成与人群对应的Bbox集合；根据所述Bbox集合，通过计算平均占地面积获得人群的密度。
本发明的有益效果是：通过自动采集监控视频，并进行目标检测，根据检测结果通过求取平均占地面积的方法进行人群密度进行计算，实现了对人群密度进行自动估计，减少了人工工作量，提高了效率和估计精度，将人数与占地面积相结合，提高了估计精度，增强了密度估计的可比性，便于比较、分级。
本发明还公开一种可读存储介质，包括指令，当所述指令在电子设备上运行时，使所述电子设备执行上述技术方案所述的一种人群密度估计方法。
上述技术方案的有益效果是，通过自动采集监控视频，并进行目标检测，根据检测结果通过求取平均占地面积的方法进行人群密度进行计算，实现了对人群密度进行自动估计，减少了人工工作量，提高了效率和估计精度，将人数与占地面积相结合，提高了估计精度，增强了密度估计的可比性，便于比较、分级。
附图说明
图1示出了根据本发明的实施例提供的一种人群密度估计方法流程图；
图2示出了根据本发明的实施例提供的采集图像示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例即实施例中的特征可以相互结合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了根据本发明的实施例提供的一种人群密度估计方法流程图。
如图1所示，本实施例中，一种人群密度估计方法，包括如下步骤：获取人群的视频图像；对所述人群的视频图像进行目标检测，一个行人利用一个Bbox进行标记，所有Bbox构成与人群对应的Bbox集合；根据所述Bbox集合，通过计算平均占地面积获得人群的密度。
上述实施例中，通过自动采集监控视频，并进行目标检测，根据检测结果通过求取平均占地面积的方法进行人群密度进行计算，实现了对人群密度进行自动估计，减少了人工工作量，提高了效率和估计精度，将人数与占地面积相结合，提高了估计精度，增强了密度估计的可比性，便于比较、分级。
需要说明的是，对视频图像进行目标检测，是所属技术领域的公知算法，可以采用YOLO目标检测算法。运用目标检测的结果是用Bbox集合表示的人群，其中Bbox表示与行人对应的矩形框，包括行人的位置和矩形框的高宽等信息。
可选地，根据所述Bbox集合，通过计算平均占地面积获得人群的密度，包括：
根据所述Bbox集合中Bbox的数量确定人群中的人数Nt；
根据所述Bbox集合计算人群的总占地面积At；
根据所述人数Nt和所述总占地面积At计算人群的密度
Figure BDA0002251935860000031
上述实施例中，通过对人群对应的Bbox进行统计计算，得到用平均占地面积表示的人群密度，方便并便于理解，此外，通过设置统一的密度计算方式，提高人群密度估计的可比性，方便通过人群的密度，判断人群的密集状态。
可选地，根据所述Bbox集合计算人群的总占地面积At，包括，
根据人群的每一个Bbox，获取每一个行人占地范围Ai；
计算人群总占地范围即At为Nt个行人的占地范围的并集。
可选地，所述根据人群的每一个Bbox，获取每一个行人占地范围Ai，包括，
将人群的所述每一个Bbox的行人的像素横、纵坐标(u,v)转化为行人的实地尺寸横、纵坐标(u′，v′)；其中，所述Bbox包括行人的像素横、纵坐标(u,v)；
根据所述行人的实地尺寸横、纵坐标(u′，v′)确定每一个行人占地范围Ai＝C(u′，v′，R)，即所述占地范围Ai用以所述实地尺寸横、纵坐标(u′，v′)为圆心，预设半径为R的圆表示，R为极低密度状态下行人圆形占地范围所对应的实地尺寸半径。
一个人的占地面积Ai是一个半径为R的圆围成的面积，当一个人独自享有此块占地面积时处于极低密度水平。根据现实情况下，约0.6人/平方米，代表极低人群密度，由A＝πR2得R＝0.73米。根据需要，可设置R为0.73米。
因视频监控中，获取得行人坐标为像素表示的坐标，为便于计算的统一，需要将像素表示的坐标，转化为实际尺寸表示的坐标。
通过预设半径，且将行人的像素坐标转化为实际尺寸坐标，即可得出每个行人的占地范围。
在已知每个行人的占地范围为半径为R的圆，且给定圆心坐标值的情况下，求取所有行人合计的占地范围是所属领域的公知常识和常规手段，可通过几何计算或计算机图像拟合的方式实现。
上述实施例中，通过将视频监控的像素值，转化为实地尺寸的占地范围，以方便求取人均占地实际面积，使得人群密度估计标准统一，便于相互比较和分级。
可选地，所述将人群的所述每一个Bbox的行人的像素横、纵坐标(u,v)转化为行人的实地尺寸横、纵坐标(u′，v′)，包括，
求取行人像素横坐标与实地尺寸的比例关系Kx，其中，Kx等于预设行人的尺寸宽度D与人群中所有所述矩形框的像素宽度w的平均值的比值；所述Bbox还包括行人轮廓的矩形框(w,h),其中，w为矩形框的像素宽度，h为矩形框的像素高度；
根据人群的所述每一个Bbox，求取成像平面与水平面夹角α；
求取行人像素纵坐标与实地尺寸的比例关系Ky,Ky＝Kx/cosα；
求取所述行人的实地尺寸横、纵坐标(u′，v′)，u′＝Kx*u，v′＝Ky*v。
图2示出了采集图像示意图。设行人宽度方向为横坐标方向，与横坐标垂直的方向为纵坐标方向。由图2可知，成像平面像素横坐标轴与实地尺寸的横坐标轴成平行关系。可近似将行人尺寸宽度与人群中所有矩形框的像素宽度的比例，作为行人像素横坐标与实地尺寸的比例关系。
现实中，人的宽度D约为0.6米左右，根据Bbox集合可以很方便地得出矩形框宽度的平均值，由此，即可能得到行人像素横坐标与实地尺寸的比例关系Kx。由图2可知，行人像素纵坐标与实地尺寸的比例关系，还受求取成像平面与水平面夹角的影响，根据求取成像平面与水平面夹角和行人像素横坐标与实地尺寸的比例关系，可得行人像素纵坐标与实地尺寸的比例关系Ky。
得出上述比例关系后，即可将像素坐标，转换为实地坐标。
上述实施例中，通过考虑成像平面的位置关系角度对估计的影响，使得估计更加精确。
可选地，，所述根据人群的所述每一个Bbox，求取成像平面与水平面夹角α，包括，
Figure BDA0002251935860000051
其中，H为预设行人的尺寸高度，qi为人群的所述每一个Bbox的所述矩形框的所述像素高度h与所述像素宽度w的比值。
上述实施例中，
Figure BDA0002251935860000052
表示成像平面所有矩形框的平均高宽比，与人的宽度D的乘积即为像素平面人的尺寸身高，将像素平面人的尺寸身高与预设行人的高度的比值，即可得到成像平面与水平面夹角的正弦值，从而求得成像平面与水平面夹角。预设行人的高度可根据现实中人的平均身高进行设定。
可选地，所述预设行人的尺寸高度H为1.65米，所述预设行人的尺寸宽度D为0.6米，所述预设半径R为0.73米。
通过对尺寸高度、行人的尺寸宽度和预设半径分别设定为1.65米、0.6米和0.73米，较为贴近行人的实际情况，能够取得较好的估计效果，进一步提高估算方法的准确性，和确保估计标准的统一，方便在不同监控场景下使用和对比。
可选地，还包括以下步骤：
根据预设的人群密度分级标准，对人群密度进行分级。
上述实施例中，通过对人群密度分级，以更方便地进行提示和分级预警。
可选地，所述人群密度分级标准为，
当所述人群的密度Dt大于或等于
Figure BDA0002251935860000061
且小于时人群密度等级为极低；
当所述人群的密度Dt大于或等于
Figure BDA0002251935860000063
且小于时
Figure BDA0002251935860000064
人群密度等级为低；
当所述人群的密度Dt大于或等于
Figure BDA0002251935860000065
且小于时人群密度等级为中；
当所述人群的密度Dt大于或等于且小于时
Figure BDA0002251935860000068
人群密度等级为高；
当所述人群的密度Dt小于时人群密度等级为极高。
本发明实施例还提供一种可读存储介质，包括指令，当所述指令在电子设备上运行时，使所述电子设备执行上述技术方案所述的一种人群密度估计方法。
上述实施例中，通过自动采集监控视频，并进行目标检测，根据检测结果通过求取平均占地面积的方法进行人群密度进行计算，实现了对人群密度进行自动估计，减少了人工工作量，提高了效率和估计精度，将人数与占地面积相结合，提高了估计精度，增强了密度估计的可比性，便于比较、分级。
根据需要和应急方案，可以实时监控人群的密度等级，人群密度等级达到高及以上等级，那么就发出人群密度过高预警。
上述实施例中，通过建立较为合理的分级标准，以便有针对性地使用密度估计和分级信息，有针对性地做出响应。
以上所述仅为本发明的优选实施例而已，并不用以限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种人群密度估计方法，其特征在于，包括如下步骤：
获取人群的视频图像；
对所述人群的视频图像进行目标检测，一个行人利用一个Bbox进行标记，所有Bbox构成与人群对应的Bbox集合；
根据所述Bbox集合，通过计算平均占地面积获得人群的密度。
2.根据权利要求1所述的一种人群密度估计方法，其特征在于，根据所述Bbox集合，通过计算平均占地面积获得人群的密度，包括：
根据所述Bbox集合中Bbox的数量确定人群中的人数Nt；
根据所述Bbox集合计算人群的总占地面积At；
根据所述人数Nt和所述总占地面积At计算人群的密度
Figure FDA0002251935850000011
3.根据权利要求2所述的一种人群密度估计方法，其特征在于，根据所述Bbox集合计算人群的总占地面积At，包括，
根据人群的每一个Bbox，获取每一个行人占地范围Ai；
计算人群总占地范围
Figure FDA0002251935850000012
即At为Nt个行人的占地范围的并集。
4.根据权利要求3所述的一种人群密度估计方法，其特征在于，所述根据人群的每一个Bbox，获取每一个行人占地范围Ai，包括，
将人群的所述每一个Bbox的行人的像素横、纵坐标(u,v)转化为行人的实地尺寸横、纵坐标(u′，v′)；其中，所述Bbox包括行人的像素横、纵坐标(u,v)；
根据所述行人的实地尺寸横、纵坐标(u′，v′)确定每一个行人占地范围Ai＝C(u′，v′，R)，即所述占地范围Ai用以所述实地尺寸横、纵坐标(u′，v′)为圆心，预设半径为R的圆表示，R为极低密度状态下行人圆形占地范围所对应的实地尺寸半径。
5.根据权利要求4所述的一种人群密度估计方法，其特征在于，所述将人群的所述每一个Bbox的行人的像素横、纵坐标(u,v)转化为行人的实地尺寸横、纵坐标(u′，v′)，包括，
求取行人像素横坐标与实地尺寸的比例关系Kx，其中，Kx等于预设行人的尺寸宽度D与人群中所有所述矩形框的像素宽度w的平均值的比值；所述Bbox还包括行人轮廓的矩形框(w,h),其中，w为矩形框的像素宽度，h为矩形框的像素高度；
根据人群的所述每一个Bbox，求取成像平面与水平面夹角α；
求取行人像素纵坐标与实地尺寸的比例关系Ky,Ky＝Kx/cosα；
求取所述行人的实地尺寸横、纵坐标(u′，v′)，u′＝Kx*u，v′＝Ky*v。
6.根据权利要求5所述的一种人群密度估计方法，其特征在于，所述根据人群的所述每一个Bbox，求取成像平面与水平面夹角α，包括，
Figure FDA0002251935850000021
其中，H为预设行人的尺寸高度，qi为人群的所述每一个Bbox的所述矩形框的所述像素高度h与所述像素宽度w的比值。
7.根据权利要求6所述的一种人群密度估计方法，其特征在于，所述预设行人的尺寸高度H为1.65米，所述预设行人的尺寸宽度D为0.6米，所述预设半径R为0.73米。
8.根据权利要求4所述的一种人群密度估计方法，其特征在于，还包括以下步骤：
根据预设的人群密度分级标准，对人群密度进行分级。
9.根据权利要求8所述的一种人群密度估计方法，其特征在于，所述人群密度分级标准为，
当所述人群的密度Dt大于或等于
Figure FDA0002251935850000022
且小于时
Figure FDA0002251935850000023
人群密度等级为极低；
当所述人群的密度Dt大于或等于
Figure FDA0002251935850000031
且小于时
Figure FDA0002251935850000032
人群密度等级为低；
当所述人群的密度Dt大于或等于
Figure FDA0002251935850000033
且小于时人群密度等级为中；
当所述人群的密度Dt大于或等于且小于时人群密度等级为高；
当所述人群的密度Dt小于时人群密度等级为极高。
10.一种可读存储介质，包括指令，其特征在于，当所述指令在电子设备上运行时，使所述电子设备执行根据权利要求1-9任一项所述的一种人群密度估计方法。
CN201911037521.3A 2019-10-29 2019-10-29 一种人群密度估计方法及可读存储介质 Active CN110852208B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911037521.3A CN110852208B (zh) 2019-10-29 2019-10-29 一种人群密度估计方法及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911037521.3A CN110852208B (zh) 2019-10-29 2019-10-29 一种人群密度估计方法及可读存储介质

Publications (2)

Publication Number Publication Date
CN110852208A true CN110852208A (zh) 2020-02-28
CN110852208B CN110852208B (zh) 2023-06-02

Family

ID=69598933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911037521.3A Active CN110852208B (zh) 2019-10-29 2019-10-29 一种人群密度估计方法及可读存储介质

Country Status (1)

Country Link
CN (1) CN110852208B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115223102A (zh) * 2022-09-08 2022-10-21 枫树谷(成都)科技有限责任公司 一种基于摄像头集群的实时人群密度融合感知方法及模型
CN117889536A (zh) * 2024-03-15 2024-04-16 陕西蓝海智能科技有限公司 空调控制***

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101727573A (zh) * 2008-10-13 2010-06-09 汉王科技股份有限公司 一种视频图像中人群密度估计的方法和装置
CN101751553A (zh) * 2008-12-03 2010-06-23 中国科学院自动化研究所 一种大规模人群密度分析和预测方法
CN104484677A (zh) * 2014-12-31 2015-04-01 贵州东方世纪科技股份有限公司 一种利用卫星影像分析人口数据信息的方法
US20160133025A1 (en) * 2014-11-12 2016-05-12 Ricoh Company, Ltd. Method for detecting crowd density, and method and apparatus for detecting interest degree of crowd in target position
CN105791774A (zh) * 2016-03-31 2016-07-20 北京工业大学 一种基于视频内容分析的监控视频传输方法
CN106127109A (zh) * 2016-06-13 2016-11-16 宁波工程学院 一种大型公共场所的行人密度计算方法
CN106295557A (zh) * 2016-08-05 2017-01-04 浙江大华技术股份有限公司 一种人群密度估计的方法及装置
CN106845344A (zh) * 2016-12-15 2017-06-13 重庆凯泽科技股份有限公司 人群统计方法及装置
CN109697435A (zh) * 2018-12-14 2019-04-30 重庆中科云从科技有限公司 人流量监测方法、装置、存储介质及设备
CN112668451A (zh) * 2020-12-24 2021-04-16 南京泓图人工智能技术研究院有限公司 一种基于YOLOv5的人群密度实时监测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101727573A (zh) * 2008-10-13 2010-06-09 汉王科技股份有限公司 一种视频图像中人群密度估计的方法和装置
CN101751553A (zh) * 2008-12-03 2010-06-23 中国科学院自动化研究所 一种大规模人群密度分析和预测方法
US20160133025A1 (en) * 2014-11-12 2016-05-12 Ricoh Company, Ltd. Method for detecting crowd density, and method and apparatus for detecting interest degree of crowd in target position
CN104484677A (zh) * 2014-12-31 2015-04-01 贵州东方世纪科技股份有限公司 一种利用卫星影像分析人口数据信息的方法
CN105791774A (zh) * 2016-03-31 2016-07-20 北京工业大学 一种基于视频内容分析的监控视频传输方法
CN106127109A (zh) * 2016-06-13 2016-11-16 宁波工程学院 一种大型公共场所的行人密度计算方法
CN106295557A (zh) * 2016-08-05 2017-01-04 浙江大华技术股份有限公司 一种人群密度估计的方法及装置
CN106845344A (zh) * 2016-12-15 2017-06-13 重庆凯泽科技股份有限公司 人群统计方法及装置
CN109697435A (zh) * 2018-12-14 2019-04-30 重庆中科云从科技有限公司 人流量监测方法、装置、存储介质及设备
CN112668451A (zh) * 2020-12-24 2021-04-16 南京泓图人工智能技术研究院有限公司 一种基于YOLOv5的人群密度实时监测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115223102A (zh) * 2022-09-08 2022-10-21 枫树谷(成都)科技有限责任公司 一种基于摄像头集群的实时人群密度融合感知方法及模型
CN117889536A (zh) * 2024-03-15 2024-04-16 陕西蓝海智能科技有限公司 空调控制***

Also Published As

Publication number Publication date
CN110852208B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
US9646212B2 (en) Methods, devices and systems for detecting objects in a video
CN109034036B (zh) 一种视频分析方法、教学质量评估方法及***、计算机可读存储介质
US20160350921A1 (en) Automatic camera calibration
US20160335491A1 (en) Method and device for detecting gathering of objects based on stereo vision as well as non-transitory computer-readable medium
US9311542B2 (en) Method and apparatus for detecting continuous road partition
CN103164711B (zh) 基于像素和支持向量机的区域人流密度估计的方法
CN101216304B (zh) 物体尺寸估测之***及方法
CN104376577A (zh) 基于粒子滤波的多摄像头多目标跟踪算法
JP6653361B2 (ja) 路面標示画像処理装置、路面標示画像処理方法及び路面標示画像処理プログラム
CN110175547B (zh) 一种多域信息的人群密度预警方法
Börcs et al. Fast 3-D urban object detection on streaming point clouds
CN103268470A (zh) 基于任意场景的视频对象实时统计方法
CN110852208B (zh) 一种人群密度估计方法及可读存储介质
CN106295557B (zh) 一种人群密度估计的方法及装置
CN113536935A (zh) 一种工程现场的安全监测方法及设备
JP2020160840A (ja) 路面標示不具合検出装置、路面標示不具合検出方法及び路面標示不具合検出プログラム
CN111144377A (zh) 一种基于人群计数算法的密集区域预警方法
CN101236646A (zh) 在频率域检测与估计图像显著的强相关方向的方法和***
CN110738076A (zh) 一种图像中的人数统计方法及***
CN113569801B (zh) 一种配电施工现场带电设备及其带电区域识别方法及装置
TW202115610A (zh) 針對特定已知比例尺之標的物影像辨識進行量測推估之方法
CN113505643B (zh) 违章目标物检测方法及相关装置
CN104123569B (zh) 一种基于有监督学习的视频人数信息统计方法
CN106874885A (zh) 一种基于能级分布变化的人群异常检测方法
CN112819817A (zh) 基于图计算的河流流速估计方法

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