CN111310652B - 基于分类回归双域模型的流量识别方法和*** - Google Patents

基于分类回归双域模型的流量识别方法和*** Download PDF

Info

Publication number
CN111310652B
CN111310652B CN202010090623.8A CN202010090623A CN111310652B CN 111310652 B CN111310652 B CN 111310652B CN 202010090623 A CN202010090623 A CN 202010090623A CN 111310652 B CN111310652 B CN 111310652B
Authority
CN
China
Prior art keywords
target
classification
regression
picture
value
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
Application number
CN202010090623.8A
Other languages
English (en)
Other versions
CN111310652A (zh
Inventor
陈卓均
陆进
陈斌
宋晨
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010090623.8A priority Critical patent/CN111310652B/zh
Priority to PCT/CN2020/093034 priority patent/WO2021159634A1/zh
Publication of CN111310652A publication Critical patent/CN111310652A/zh
Application granted granted Critical
Publication of CN111310652B publication Critical patent/CN111310652B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例提供了一种基于分类回归双域模型的流量识别方法，所述方法包括：采集预设区域内的目标图片；将所述目标图片输入到分类回归双域模型，通过所述分类回归双域模型输出所述目标图片的目标分类值和目标回归值，其中，所述分类双域模型包括预先训练好的分类器和预先训练好的的回归器，所述分类器和所述回归器均用于识别所述目标图片中的流量；判断所述目标分类值是否为大于预设分类值；当所述目标分类值大于预设分类值，则基于所述目标回归值输出流量识别结果；当所述目标分类值不大于预设分类值，则基于所述目标分类值输出所述流量识别结果。本发明实施例可在复杂场景下准确的识别出个体数量。

Description

基于分类回归双域模型的流量识别方法和***
技术领域
本发明实施例涉及图像识别领域，尤其涉及一种基于分类回归双域模型的流量识别方法、***、计算机设备及计算机可读存储介质。
背景技术
随着科技的进步和人们生活水平的提高，人们的社交活动逐渐增多，商场、交通枢纽、大型活动现场及大型公共场所人流或车流拥堵越来越严重，由于人或车拥堵造成的安全隐患日趋严重，当前，如何自动、实时的，对在复杂场景下的人(或其他需要统计的物体)的数量进行估计具有重要的研究价值，对于公共事务人员提供有效的事件决策也有深入的指导意义，但是，目前流量识别模型对商场、交通枢纽等复杂场景下的个体数量识别精度普遍较低。
因此，如何利用模型精确地识别商场、交通枢纽等等复杂场景下的人、车等的流量，成为了当前要解决的技术问题之一。
发明内容
有鉴于此，有必要提供一种基于分类回归双域模型的流量识别方法、***、计算机设备及计算机可读存储介质，以解决在复杂场景下不能准确的识别出个体数量模型预测值的精准度低的技术问题。
为实现上述目的，本发明实施例提供了一种基于分类回归双域模型的流量识别方法，所述方法步骤包括：
采集预设区域内的目标图片；
将所述目标图片输入到分类回归双域模型，通过所述分类回归双域模型输出所述目标图片的目标分类值和目标回归值，其中，所述分类双域模型包括预先训练好的分类器和预先训练好的的回归器，所述分类器和所述回归器均用于识别所述目标图片中的流量；
判断所述目标分类值是否为大于预设分类值；
当所述目标分类值大于预设分类值，则基于所述目标回归值输出流量识别结果；
当所述目标分类值不大于预设分类值，则基于所述目标分类值输出所述流量识别结果。
示例性的，所述通过所述分类回归双域模型输出所述目标图片的目标分类值和目标回归值的步骤，包括：
通过所述分类器对所述目标图片进行分类处理，以得到对应于所述目标图片的多个置信度，所述每个置信度用于表示所述目标图片属于预设多个图片类别的其中一个图片类别的概率；
根据所述多个置信度中最高的置信度所对应的图片类别，确定所述目标图片的目标图片类别；
根据所述目标图片类别确定所述目标图片的目标分类值，所述目标分类值用于表示所述目标图片中的个体数量。
示例性的，所述通过所述分类回归双域模型输出所述目标图片的目标分类值和目标回归值的步骤，包括：
通过回归器对所述目标图片进行回归处理，以得到对应于所述目标图片中个体数量的数值；
对所述数值执行整数化处理以得到整数数值，并将所述整数数值确定为所述目标回归值。
示例性的，所述方法还包括：将所述流量识别结果发送给目标设备，以使所述目标设备根据所述流量识别结果执行相应的操作；
或根据所述流量识别结果生成相应的操作指令，以通过所述操作指令控制所述目标设备执行相应的操作。
示例性的，还包括所述分类器的训练步骤：
获取初始分类器；
获取多个初始分类图片，每个初始分类图片分配有一个表示个体数量的第一数量标签；
根据每个初始分类图片对应的所述第一数量标签，将所述多个初始分类图片划分为N+2个图片类别并配置对应的图片类别标签，其中，N为正整数，所述N+2个图片类别包括一个个体数量为0图片类别、N个个体数量为N图片类别以及一个个体数量为大于N图片类别；
根据各个图片类别标签对应的初始分类图片，配置多个分类训练样本；及
通过所述多个分类训练样本对所述初始分类器进行训练，以得到训练好的分类器。
示例性的，还包括所述回归器的训练步骤：
获取初始回归器；
获取多个初始回归图片，每个初始回归图片分配有一个表示个体数量的第二数量标签；
根据各个所述第二数量标签对应的初始回归图片，配置多个回归训练样本；及
通过所述多个回归训练样本对所述初始回归器进行训练，以得到训练好的回归器。
示例性的，所述方法还包括：将所流量识别结果发送给目标设备，根据所述流量识别结果以及所述目标设备预设的操作指令，控制所述目标设备进行相应的操作
为实现上述目的，本发明实施例还提供了一种基于分类回归双域模型的流量识别***，包括：
采集模块，用于采集预设区域内的目标图片；
输入模块，用于将所述目标图片输入到分类回归双域模型，通过所述分类回归双域模型输出所述目标图片的目标分类值和目标回归值，其中，所述分类双域模型包括预先训练好的分类器和预先训练好的的回归器，所述分类器和所述回归器均用于识别所述目标图片中的流量；
判断模块，用于判断所述目标分类值是否为大于预设分类值；
输出模块，用于当所述目标分类值大于预设分类值，则基于所述目标回归值输出流量识别结果；当所述目标分类值不大于预设分类值，则基于所述目标分类值输出所述流量识别结果。
示例性的，所述输入模块还用于：
通过所述分类器对所述目标图片进行分类处理，以得到对应于所述目标图片的多个置信度，所述每个置信度用于表示所述目标图片属于预设多个图片类别的其中一个图片类别的概率；
根据所述多个置信度中最高的置信度所对应的图片类别，确定所述目标图片的目标图片类别；
根据所述目标图片类别确定所述目标图片的目标分类值，所述目标分类值用于表示所述目标图片中的个体数量。
示例性的，所述输入模块还用于：
通过回归器对所述目标图片进行回归处理，以得到对应于所述目标图片中个体数量的数值；
对所述数值执行整数化处理以得到整数数值，并将所述整数数值确定为所述目标回归值。
为实现上述目的，本发明实施例还提供了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被处理器执行时实现如上述的基于分类回归双域模型的流量识别方法的步骤。
为实现上述目的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如上述的基于分类回归双域模型的流量识别方法的步骤。
本发明实施例提供的基于分类回归双域模型的流量识别方法、***、计算机设备及计算机可读存储介质，为图片出现的个体和个体数量提供了有效的预测与识别方法；本发明实施例对分类器和回归器的结合，使得模型可在复杂场景下准确的识别出个体数量。
附图说明
图1为本发明实施例基于分类回归双域模型的流量识别方法的流程示意图。
图2为本发明基于分类回归双域模型的流量识别***实施例二的程序模块示意图。
图3为本发明计算机设备实施例三的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
以下实施例中，将以计算机设备2为执行主体进行示例性描述。
实施例一
参阅图1，示出了本发明实施例之基于分类回归双域模型的流量识别方法的步骤流程图。可以理解，本方法实施例中的流程图不用于对执行步骤的顺序进行限定。下面以计算机设备2为执行主体进行示例性描述。具体如下。
步骤S100，采集预设区域内的目标图片。
示例性的，所述目标图片可以通过图片采集装置进行采集，所述预设区域可以是大型商场、街道、马路、地铁、停车场、景区或其它活动场所等，例如，可以通过地铁入口的摄像头拍摄得到地铁入口图片。
步骤S102，将所述目标图片输入到分类回归双域模型，通过所述分类回归双域模型输出所述目标图片的目标分类值和目标回归值，其中，所述分类双域模型包括预先训练好的分类器和预先训练好的的回归器，所述分类器和所述回归器均用于识别所述目标图片中的流量。
示例性的，所述目标分类值和目标回归值均可以是一个数值，用于表示所述目标图片中的个体数量，这里以预设区域“地铁入口”为例，通过回归双域模型对在地铁入口拍摄到的地铁入口图片进行识别，得到目标分类值和目标回归值。
示例性的，所述步骤S102可以进一步包括：
步骤S102a1，通过所述分类器对所述目标图片进行分类处理，以得到对应于所述目标图片的多个置信度。
示例性的，所述每个置信度用于表示所述目标图片属于预设多个图片类别的其中一个图片类别的概率。其中，每个图片可以根据图片中的个体数量与预设的阈值进行分类，拥有相同个体数量的图片分为一类，其中，所述阈值为分类器在保证识别精度的情况下可识别的最大的个体识别的数值。例如，当预设的阈值为10时，所述图片可以分为12个图片类别，所述12个图片类别可以包括，一个个体数量为0图片类别、10个个体数量分别为1到10个图片类别以及一个个体数量为大于10图片类别，所以通过所述分类器对所述目标图片进行分类处理，以得到对应于所述目标图片的12个置信度，每个置信度对一个图片类别。
示例性的，这里以预设区域“地铁入口”为例，在分类器中可以通过MSE函数对地铁入口图片的图片类别进行预测，以得到对应于地铁入口图片的多个概率，其中，每个概率对应一个图片类别。
步骤S102a2，根据所述多个置信度中最高的置信度所对应的图片类别，确定所述目标图片的目标图片类别。
示例性的，选择所述多个概率中最大的概率，并将该最大的概率对应的图片类别，作为所述地铁入口图片的第一图片类别。
步骤S102a3，根据所述地铁入口图片的图片类别所述目标图片类别确定所述目标图片的目标分类值，所述目标分类值用于表示所述目标图片中的个体数量。
示例性的，根据第一图片类别对应的数值，确定为所述地铁入口图片中的个体数量，并将该个体数量的数值作为目标分类值。
示例性的，所述步骤S102可以进一步包括：
步骤S102b1，通过回归器对所述目标图片进行回归处理，以得到对应于所述目标图片中个体数量的数值。
示例性的，这里以预设区域“大型商场”为例，在回归器中可以通过交叉熵函数预测大型商场图片中的个体数量，以得到大型商场图片中个体数量的具体数值。
步骤S102b2，对所述数值执行整数化处理以得到整数数值，并将所述整数数值确定为所述目标回归值。
对所述大型商场图片中个体数量的具体数值进行处理以得到整数数值，即，对非整数的进行四舍五入得到一个整数值，将该整数值作为所述目标回归值。
步骤S104，判断所述目标分类值是否为大于预设分类值；当所述目标分类值大于预设分类值，则基于所述目标回归值输出流量识别结果；当所述目标分类值不大于预设分类值，则基于所述目标分类值输出所述流量识别结果。
示例性的，所述流量识别结果可以是预设区域中个体数量；例如，可以是地铁入口的乘客数量、景区入口的游客数量、大型活动场所入口的嘉宾数量和停车场入口的车辆数量等。
所述预设分类值可以是预设分类值一个阈值，该阈值可以是一个固定的数值，配置该数值可以根据所述分类器可识别的类别数量；其中，所述分类器可识别的类别数量可以根据分类器和回归器识别效果(识别精度和识别效率)进行调整；例如，当预设区域中的个体数量不大于20时分类器的预测效果优于回归器，且当预设区域中的个体数量大于20时回归器的预测效果优于分类器，则所述数值可以设置为20。
不难理解，所述分类器的可识别的类别数量可以为22个，此时，所述分类器最大可识别出的个体数量为20个，即减去一个图片中的个体数量为0的图片类别和一个图片中的大于20个体数量的图片类别，所以该数值可配置为20。
通过所述分类器判断目标分类值是否大于20：
情况一，当目标分类值不大于20时，则将所述目标分类值作为流量识别结果；不难理解，即当目标分类值不大于20时，通过所述分类器的得到结果相比于回归器得到的结果更为精确，所以目标分类值作为流量识别结果。
情况二，当目标分类值大于20时，则将所述回归结果作为流量识别结果；不难理解，即当目标分类值大于20时，通过所述回归器的得到结果相比于分类器得到的结果更为精确，所以回归结果作为流量识别结果。
示例性的，所述基于分类回归双域模型的流量识别方法还包括：将所述流量识别结果发送给目标设备，以使所述目标设备根据所述流量识别结果执行相应的操作；或根据所述流量识别结果生成相应的操作指令，以通过所述操作指令控制所述目标设备执行相应的操作。
示例性的，所述目标设备可以是公共场所的自动阀门，如：停车场入口的自动阀门、地铁入口的自动阀门、景区入口的自动阀门和大型活动场所入口的自动阀门等。根据流量识别结果和自动阀门预先设置操作指令控制自动阀门的打开操作和关闭操作。
示例性的，所述基于分类回归双域模型的流量识别方法还可以包括所述分类器的训练步骤S200～S208：
步骤S200，获取初始分类器。
示例性的，所述初始分类器可以是一个初始的可以用作分类器的深度卷积神经网络模型。
步骤S202，获取多个初始分类图片，每个初始分类图片分配有一个表示个体数量的第一数量标签。
示例性的，所述多个初始分类图片从已有的数据库中获取；还可以先通过照相机等图像采集装置取获取多个图片，然后给每个图片分配一个表示个体数量的第一数量标签，以得到多个初始分类图片。例如，多个图片还可以是某个摄像头拍摄到的图像，还可以是视频帧，其中，摄像头可以是地铁站里的各个监控摄像头、景区入口的各个监控摄像头、地下停车场各个监控摄像头和大型活动场所入口的监控摄像头等。
步骤S204，根据每个初始分类图片对应的所述第一数量标签，将所述多个初始分类图片划分为N+2个图片类别并配置对应的图片类别标签，其中，N为正整数，所述N+2个图片类别包括一个个体数量为0图片类别、N个个体数量为N图片类别以及一个个体数量为大于N图片类别。
需要说明的是，当预设区域中的个体数量不大于N时分类器的预测效果优于回归器，且当预设区域中的个体数量大于N时回归器的预测效果优于分类器，即，所述分类器在预设区域中最大可以识别图片类别为N。
步骤S206，根据各个图片类别标签对应的初始分类图片，配置多个分类训练样本。
示例性的，将携带有图片类别标签的初始分类图片作为分类训练样本，以得到多个分类训练样本。
步骤S208，通过所述多个分类训练样本对所述初始分类器进行训练，以得到训练好的分类器。
示例性的，通过所述多个分类训练样本对可以用作分类器的深度卷积神经网络模型进行训练，直到模型收敛，以得到分类器。
示例性的，所述初始分类器以交叉熵函数作为分类目标函数，所述交叉熵函数：
其中，N代表训练样本个数，w为网络参数，p,q分别表示预测概率和训练经验概率，y代表训练标签值，代表模型预测值。
示例性的，所述基于分类回归双域模型的流量识别方法还可以包括所述回归器的训练步骤S300～S306：
步骤S300，获取初始回归器。
示例性的，所述初始回归器可以是一个初始的可以用作回归器的深度卷积神经网络模型。
步骤S302，获取多个初始回归图片，每个初始回归图片分配有一个表示个体数量的第二数量标签。
示例性的，所述多个初始回归图片从已有的数据库中获取；还可以先通过照相机等图像采集装置取获取多个图片，然后给每个图片分配一个表示个体数量的第一数量标签，以得到多个初始回归图片。例如，多个图片还可以是某个摄像头拍摄到的图像，还可以是视频帧，其中，摄像头可以是地铁站里的各个监控摄像头、景区入口的各个监控摄像头、地下停车场各个监控摄像头和大型活动场所入口的监控摄像头等。
步骤S304，根据各个所述第二数量标签对应的初始回归图片，配置多个回归训练样本。
示例性的，将携带有第二数量标签的初始回归图片作为回归训练样本，以得到多个回归训练样本。
步骤S306，通过所述多个回归训练样本对所述初始回归器进行训练，以得到训练好的回归器。
示例性的，通过所述多个回归训练样本对可以用作回归器的深度卷积神经网络模型进行训练，直到模型收敛，以得到回归器。
示例性的，所述初始回归器以MSE(Mean Square Error均方误差)函数作为回归目标函数，所述MSE函数：
其中，n代表训练样本个数，yi代表实际数值，代表预测值。
实施例二
图2为本发明基于分类回归双域模型的流量识别***实施例二的程序模块示意图。基于分类回归双域模型的流量识别***20可以包括或被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本发明，并可实现上述基于分类回归双域模型的流量识别方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序本身更适合于描述基于分类回归双域模型的流量识别***20在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能：
采集模块200，用于采集预设区域内的目标图片。
输入模块202，用于将所述目标图片输入到分类回归双域模型，通过所述分类回归双域模型输出所述目标图片的目标分类值和目标回归值，其中，所述分类双域模型包括预先训练好的分类器和预先训练好的的回归器，所述分类器和所述回归器均用于识别所述目标图片中的流量。
示例性的，所述输入模块202还用于：通过所述分类器对所述目标图片进行分类处理，以得到对应于所述目标图片的多个置信度，所述每个置信度用于表示所述目标图片属于预设多个图片类别的其中一个图片类别的概率；根据所述多个置信度中最高的置信度所对应的图片类别，确定所述目标图片的目标图片类别；根据所述目标图片类别确定所述目标图片的目标分类值，所述目标分类值用于表示所述目标图片中的个体数量。
示例性的，所述输入模块202还用于：通过回归器对所述目标图片进行回归处理，以得到对应于所述目标图片中个体数量的数值；对所述数值执行整数化处理以得到整数数值，并将所述整数数值确定为所述目标回归值。
判断模块204，用于判断所述目标分类值是否为大于预设分类值。
输出模块206，用于当所述目标分类值大于预设分类值，则基于所述目标回归值输出流量识别结果；当所述目标分类值不大于预设分类值，则基于所述目标分类值输出所述流量识别结果。用于判断所述分类值是否为大于预设分类值。
示例性的，所述基于分类回归双域模型的流量识别***20还包括：发送模块208，所述发送模块208，用于：将所述流量识别结果发送给目标设备，以使所述目标设备根据所述流量识别结果执行相应的操作；或根据所述流量识别结果生成相应的操作指令，以通过所述操作指令控制所述目标设备执行相应的操作。
示例性的，所述基于分类回归双域模型的流量识别***20还包括：训练模块210，所述训练模块210，用于：获取初始分类器；获取多个初始分类图片，每个初始分类图片分配有一个表示个体数量的第一数量标签；根据每个初始分类图片对应的所述第一数量标签，将所述多个初始分类图片划分为N+2个图片类别并配置对应的图片类别标签，其中，N为正整数，所述N+2个图片类别包括一个个体数量为0图片类别、N个个体数量为N图片类别以及一个个体数量为大于N图片类别；根据各个图片类别标签对应的初始分类图片，配置多个分类训练样本；及通过所述多个分类训练样本对所述初始分类器进行训练，以得到训练好的分类器。
示例性的，所述训练模块210还用于：获取初始回归器；获取多个初始回归图片，每个初始回归图片分配有一个表示个体数量的第二数量标签；根据各个所述第二数量标签对应的初始回归图片，配置多个回归训练样本；及通过所述多个回归训练样本对所述初始回归器进行训练，以得到训练好的回归器。
实施例三
参阅图3，是本发明实施例三之计算机设备的硬件架构示意图。本实施例中，所述计算机设备2是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。该计算机设备2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。如图所示，所述计算机设备2至少包括，但不限于，可通过***总线相互通信连接存储器21、处理器22、网络接口23、以及基于分类回归双域模型的流量识别***20。
本实施例中，存储器21至少包括一种类型的计算机可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备2的内部存储单元，例如该计算机设备2的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备2的外部存储设备，例如该计算机设备2上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。当然，存储器21还可以既包括计算机设备2的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备2的操作***和各类应用软件，例如实施例二的基于分类回归双域模型的流量识别***20的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备2的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如运行基于分类回归双域模型的流量识别***20，以实现实施例一的基于分类回归双域模型的流量识别方法。
所述网络接口23可包括无线网络接口或有线网络接口，该网络接口23通常用于在所述计算机设备2与其他电子装置之间建立通信连接。例如，所述网络接口23用于通过网络将所述计算机设备2与外部终端相连，在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯***(Global System of Mobile communication，GSM)、宽带码分多址(WidebandCode Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是，图3仅示出了具有部件20-23的计算机设备2，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。
在本实施例中，存储于存储器21中的基于分类回归双域模型的流量识别***20还可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器21中，并由一个或多个处理器(本实施例为处理器22)所执行，以完成本发明。
例如，图2示出了本发明实施例二之所述实现基于分类回归双域模型的流量识别***20的程序模块示意图，该实施例中，所述基于分类回归双域模型的流量识别***20可以被划分为采集模块200、输入模块202、判断模块204、输出模块206、发送模块208和训练模块210。其中，本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述所述基于分类回归双域模型的流量识别***20在所述计算机设备2中的执行过程。所述程序模块200-210的具体功能在实施例二中已有详细描述，在此不再赘述。
实施例四
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于基于分类回归双域模型的流量识别***20，被处理器执行时实现实施例一的基于分类回归双域模型的流量识别方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于分类回归双域模型的流量识别方法，其特征在于，所述方法包括：
采集预设区域内的目标图片；
将所述目标图片输入到分类回归双域模型，通过所述分类回归双域模型输出所述目标图片的目标分类值和目标回归值，其中，所述分类回归双域模型包括预先训练好的分类器和预先训练好的回归器，所述分类器和所述回归器均用于识别所述目标图片中的流量；
判断所述目标分类值是否为大于预设分类值；
当所述目标分类值大于预设分类值，则基于所述目标回归值输出流量识别结果；
当所述目标分类值不大于预设分类值，则基于所述目标分类值输出所述流量识别结果。
2.如权利要求1所述的基于分类回归双域模型的流量识别方法，其特征在于，所述通过所述分类回归双域模型输出所述目标图片的目标分类值和目标回归值的步骤，包括：
通过所述分类器执行步骤a1~a3以得到所述目标图片的目标分类值：
a1：对所述目标图片进行分类处理，以得到对应于所述目标图片的多个置信度，每个置信度用于表示所述目标图片属于预设多个图片类别的其中一个图片类别的概率；
a2：根据所述多个置信度中最高的置信度所对应的图片类别，确定所述目标图片的目标图片类别；
a3：根据所述目标图片类别确定所述目标图片的目标分类值，所述目标分类值用于表示所述目标图片中的个体数量。
3.如权利要求1所述的基于分类回归双域模型的流量识别方法，其特征在于，所述通过所述分类回归双域模型输出所述目标图片的目标分类值和目标回归值的步骤，包括：
通过所述回归器执行步骤b1~b2以得到所述目标图片的目标回归值：
b1：对所述目标图片进行回归处理，以得到对应于所述目标图片中个体数量的数值；
b2：对所述数值执行整数化处理以得到整数数值，并将所述整数数值确定为所述目标回归值。
4.如权利要求1所述的基于分类回归双域模型的流量识别方法，其特征在于，所述方法还包括：
将所述流量识别结果发送给目标设备，以使所述目标设备根据所述流量识别结果执行相应的操作；或
根据所述流量识别结果生成相应的操作指令，以通过所述操作指令控制所述目标设备执行相应的操作。
5.如权利要求1所述的基于分类回归双域模型的流量识别方法，其特征在于，还包括所述分类器的训练步骤：
获取初始分类器；
获取多个初始分类图片，每个初始分类图片分配有一个表示个体数量的第一数量标签；
根据每个初始分类图片对应的所述第一数量标签，将所述多个初始分类图片划分为N+2个图片类别并配置对应的图片类别标签，其中，N为正整数，所述N+2个图片类别包括一个个体数量为0图片类别、N个个体数量为N图片类别以及一个个体数量为大于N图片类别；
根据各个图片类别标签对应的初始分类图片，配置多个分类训练样本；及
通过所述多个分类训练样本对所述初始分类器进行训练，以得到所述分类器。
6.如权利要求1所述的基于分类回归双域模型的流量识别方法，其特征在于，还包括所述回归器的训练步骤：
获取初始回归器；
获取多个初始回归图片，每个初始回归图片分配有一个表示个体数量的第二数量标签；
根据各个第二数量标签对应的初始回归图片，配置多个回归训练样本；及
通过所述多个回归训练样本对所述初始回归器进行训练，以得到所述回归器。
7.一种基于分类回归双域模型的流量识别***，其特征在于，包括：
采集模块，用于采集预设区域内的目标图片；
输入模块，用于将所述目标图片输入到分类回归双域模型，通过所述分类回归双域模型输出所述目标图片的目标分类值和目标回归值，其中，所述分类回归双域模型包括预先训练好的分类器和预先训练好的回归器，所述分类器和所述回归器均用于识别所述目标图片中的流量；
判断模块，用于判断所述目标分类值是否为大于预设分类值；
输出模块，用于当所述目标分类值大于预设分类值，则基于所述目标回归值输出流量识别结果；当所述目标分类值不大于预设分类值，则基于所述目标分类值输出所述流量识别结果。
8.如权利要求7所述的基于分类回归双域模型的流量识别***，其特征在于，所述输入模块还用于：
通过所述分类器对所述目标图片进行分类处理，以得到对应于所述目标图片的多个置信度，每个置信度用于表示所述目标图片属于预设多个图片类别的其中一个图片类别的概率；
根据所述多个置信度中最高的置信度所对应的图片类别，确定所述目标图片的目标图片类别；
根据所述目标图片类别确定所述目标图片的目标分类值，所述目标分类值用于表示所述目标图片中的个体数量。
9.一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于分类回归双域模型的流量识别方法的步骤。
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内存储有计算机程序，所述计算机程序被至少一个处理器所执行，以使所述至少一个处理器执行如权利要求1至6中任一项所述的基于分类回归双域模型的流量识别方法的步骤。
CN202010090623.8A 2020-02-13 2020-02-13 基于分类回归双域模型的流量识别方法和*** Active CN111310652B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010090623.8A CN111310652B (zh) 2020-02-13 2020-02-13 基于分类回归双域模型的流量识别方法和***
PCT/CN2020/093034 WO2021159634A1 (zh) 2020-02-13 2020-05-28 基于分类回归双域模型的流量识别方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010090623.8A CN111310652B (zh) 2020-02-13 2020-02-13 基于分类回归双域模型的流量识别方法和***

Publications (2)

Publication Number Publication Date
CN111310652A CN111310652A (zh) 2020-06-19
CN111310652B true CN111310652B (zh) 2023-07-25

Family

ID=71161561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010090623.8A Active CN111310652B (zh) 2020-02-13 2020-02-13 基于分类回归双域模型的流量识别方法和***

Country Status (2)

Country Link
CN (1) CN111310652B (zh)
WO (1) WO2021159634A1 (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104134078A (zh) * 2014-07-22 2014-11-05 华中科技大学 一种人流量统计***中分类器的自动选择方法
CN107527024A (zh) * 2017-08-08 2017-12-29 北京小米移动软件有限公司 人脸颜值评估方法及装置
CN109241914A (zh) * 2018-09-11 2019-01-18 广州广电银通金融电子科技有限公司 一种针对复杂场景下的小目标行人检测方法
CN110059581A (zh) * 2019-03-28 2019-07-26 常熟理工学院 基于场景深度信息的人群计数方法
CN110096979A (zh) * 2019-04-19 2019-08-06 佳都新太科技股份有限公司 模型的构建方法、人群密度估计方法、装置、设备和介质
CN110708285A (zh) * 2019-08-30 2020-01-17 中国平安人寿保险股份有限公司 流量监控方法、装置、介质及电子设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160033800A (ko) * 2014-09-17 2016-03-29 삼성전자주식회사 카운팅 방법 및 카운팅 장치
CN106599856A (zh) * 2016-12-19 2017-04-26 四川长虹电器股份有限公司 一种联合人脸检测、定位和识别的方法
US10949475B2 (en) * 2018-05-14 2021-03-16 Ebay Inc. Search system for providing web crawling query prioritization based on classification operation performance

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104134078A (zh) * 2014-07-22 2014-11-05 华中科技大学 一种人流量统计***中分类器的自动选择方法
CN107527024A (zh) * 2017-08-08 2017-12-29 北京小米移动软件有限公司 人脸颜值评估方法及装置
CN109241914A (zh) * 2018-09-11 2019-01-18 广州广电银通金融电子科技有限公司 一种针对复杂场景下的小目标行人检测方法
CN110059581A (zh) * 2019-03-28 2019-07-26 常熟理工学院 基于场景深度信息的人群计数方法
CN110096979A (zh) * 2019-04-19 2019-08-06 佳都新太科技股份有限公司 模型的构建方法、人群密度估计方法、装置、设备和介质
CN110708285A (zh) * 2019-08-30 2020-01-17 中国平安人寿保险股份有限公司 流量监控方法、装置、介质及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于SVM的先分类再回归方法及其在产量预测中的应用;董毅等;计算机应用(第09期);第12-45页 *

Also Published As

Publication number Publication date
CN111310652A (zh) 2020-06-19
WO2021159634A1 (zh) 2021-08-19

Similar Documents

Publication Publication Date Title
CN114390079B (zh) 一种智慧城市公共场所管理方法和物联网***
JP6939911B2 (ja) 適応的に車両を制御する方法及び装置
US9953517B2 (en) Risk early warning method and apparatus
CN110751828B (zh) 一种路段拥堵测量方法、装置、计算机设备及存储介质
EP4012606A1 (en) Method for estimating and presenting passenger flow, system, and computer readable storage medium
CN110245704B (zh) 业务处理方法、装置、存储介质与电子设备
CN113095434A (zh) 目标检测方法及装置、电子设备、存储介质
CN104239386A (zh) 用于对面部识别匹配区分优先级的方法和***
CN105825350A (zh) 基于视频分析智慧旅游预警决策***及其使用方法
KR102333143B1 (ko) 무인 계수 서비스 제공 시스템
Hakim et al. Implementation of an image processing based smart parking system using Haar-Cascade method
CN110602446A (zh) 垃圾回收提醒方法、***及存储介质
CN112863195B (zh) 车辆状态的确定方法及装置
CN111310652B (zh) 基于分类回归双域模型的流量识别方法和***
CN114049658A (zh) 基于人脸识别的流动人口管理方法、装置、计算机设备和存储介质
CN108447273A (zh) 一种基于智能停车***的剩余车位预测方法
CN113486885A (zh) 一种车牌识别方法、装置、电子设备及存储介质
CN110728211A (zh) 地铁安检排队指引方法、装置及存储介质
CN110046535B (zh) 基于机器学习的智能出行时间预测***、方法及存储介质
CN116486332A (zh) 客流量监测方法、装置、设备及存储介质
CN113593256B (zh) 基于城市管理的无人机智能驱离控制方法、***及云平台
CN113592902A (zh) 目标跟踪方法、装置、计算机设备和存储介质
CN108520637A (zh) 一种具备停车诱导功能的智能化停车***
CN116486347B (zh) 基于尺度不变特征变换图像识别的团雾监测捕获方法及装置
CN112101279B (zh) 目标物异常检测方法、装置、电子设备及存储介质

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