CN111898578A - 人群密度的获取方法、装置、电子设备及计算机程序 - Google Patents
人群密度的获取方法、装置、电子设备及计算机程序 Download PDFInfo
- Publication number
- CN111898578A CN111898578A CN202010797785.5A CN202010797785A CN111898578A CN 111898578 A CN111898578 A CN 111898578A CN 202010797785 A CN202010797785 A CN 202010797785A CN 111898578 A CN111898578 A CN 111898578A
- Authority
- CN
- China
- Prior art keywords
- crowd density
- image
- sub
- detected
- prediction model
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种人群密度的获取方法、装置、电子设备及计算机程序,涉及图像处理技术领域,其中方法包括获得待测图像的初始人群密度图,根据至少两种尺寸分别对初始人群密度图进行划分,针对每一尺寸得到多个子区域;对多个子区域中的人数进行量化处理,得到初始人群密度图的至少两种尺寸分别对应的量化处理结果;根据至少两种尺寸分别对应的量化处理结果,确定待测图像的人群密度类别;从多个已训练的预测模型中确定与人群密度类别对应的目标预测模型,将待测图像输入至目标预测模型得到待测图像的目标人群密度图。本申请实施例相比现有技术中的预测模型提升了专一化能力,输出的人群密度图具有更高的准确性。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,本申请涉及一种人群密度的获取方法、装置、电子设备及计算机程序。
背景技术
人群密度估计是一种自动估计给定图像中总人数的技术,在人流量统计、公共安全、监控等领域发挥着重要的作用。
现阶段的人群密度估计算法主要利用深度学习技术,通过卷积神经网络从图像中提取富含高级语义信息的人群密度特征,然后对人群密度图进行回归,获得人群密度的估计结果。
现有技术通常将图像中估计的总人数作为人群密度特征,其主要构思是首先计算每个人头点与N近邻的平均距离,并把图像中所有人头的平均值作为图像中人群密度的度量,但这种计算方法实际上是将人群密度量化为一个单一的标量,无法准确地反映图像中的人群密度。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的人群密度的获取方法、装置、电子设备及计算机程序。
第一方面,提供了一种人群密度的获取方法,该方法包括:
获得待测图像的初始人群密度图,根据至少两种尺寸分别对初始人群密度图进行划分,针对每一尺寸得到多个子区域;
对多个子区域中的人数进行量化处理,得到初始人群密度图的至少两种尺寸分别对应的量化处理结果;
根据至少两种尺寸分别对应的量化处理结果,确定待测图像的人群密度类别;
从多个已训练的预测模型中确定与人群密度类别对应的目标预测模型,将待测图像输入至目标预测模型得到待测图像的目标人群密度图。
进一步地,对多个子区域中的人数进行量化处理,得到初始人群密度图的至少两种尺寸分别对应的量化处理结果,包括:
对于任一种尺寸的子区域,确定子区域内的人数,并对子区域内的人数进行量化处理,获得子区域内的人数量化值;
对子区域中的人数量化值的频数进行归一化处理,获得初始人群密度图的任一种尺寸对应的量化处理结果。
进一步地,对子区域内人数进行量化处理,获得子区域内的人数量化值,包括:
从任一种尺寸的各个子区域中的人数中确定单个子区域的最大人数;
根据单个子区域的最大人数对同一尺寸的每个子区域的人数进行量化处理,获得每个子区域内的人数量化值。
进一步地,根据至少两种尺寸分别对应的量化处理结果,确定待测图像的人群密度类别,包括:
根据至少两种尺寸分别对应的量化处理结果获得人群密度特征;
将人群密度特征输入至预先构建的聚类模型中,获得聚类模型输出的待测图像的人群密度类别。
进一步地,将待测图像输入至目标预测模型得到待测图像的目标人群密度图,之后还包括:
从多个已训练的预测模型中确定与人群密度类别不对应的至少一个预测模型,并作为辅助预测模型;
将待测图像输入至辅助预测模型,得到待测图像的辅助人群密度图;
根据目标人群密度图和辅助人群密度图,获得待测图像的最终人群密度图。
进一步地,针对任一人群密度类别对应的预测模型的训练方法,包括:
获取具有任一人群密度类别的多幅样本图像以及每一幅样本图像的人群密度图;
以样本图像为样本,以样本图像的人群密度图作为样本标签对初始神经网络模型进行训练,直到初始神经网络模型的损失函数收敛,得到对应任一人群密度类别的预测模型;
预测模型的空洞卷积层的空洞率的大小与预测模型匹配的人群密度类别呈负相关关系。
第二方面,提供了一种人群密度的获取装置,该装置包括:
划分模块,用于获得待测图像的初始人群密度图,根据至少两种尺寸分别对初始人群密度图进行划分,针对每一尺寸得到多个子区域;
量化模块,用于对多个子区域中的人数进行量化处理,得到初始人群密度图的至少两种尺寸分别对应的量化处理结果;
类别确定模块,用于根据至少两种尺寸分别对应的量化处理结果,确定待测图像的人群密度类别;
预测模块,用于从多个已训练的预测模型中确定与人群密度类别对应的目标预测模型,将待测图像输入至目标预测模型得到待测图像的目标人群密度图。
进一步地,量化模块包括:
子区域量化子模块,用于对于任一种尺寸的子区域,确定子区域内的人数,并对子区域内的人数进行量化处理,获得子区域内的人数量化值;
归一化处理子模块,用于对子区域中的人数量化值的频数进行归一化处理,获得初始人群密度图的任一种尺寸对应的量化处理结果。
进一步地,子区域量化子模块包括用于对子区域内人数进行量化处理,获得子区域内的人数量化值的量化值获取单元,量化值获取单元包括:
最大人数获取子单元,用于从任一种尺寸的各个子区域中的人数中确定单个子区域的最大人数;
人数量化子单元,用于根据单个子区域的最大人数对同一尺寸的每个子区域的人数进行量化处理,获得每个子区域内的人数量化值。
进一步地,类别确定模块包括:
密度特征获取子模块,用于根据至少两种尺寸分别对应的量化处理结果获得人群密度特征;
聚类子模块,用于将人群密度特征输入至预先构建的聚类模型中,获得聚类模型输出的待测图像的人群密度类别。
进一步地,人群密度的获取装置还包括:
辅助模型获取模块,用于从多个已训练的预测模型中确定与人群密度类别不对应的至少一个预测模型,并作为辅助预测模型;
辅助密度图获取模块,用于根据将待测图像输入至辅助预测模型,得到待测图像的辅助人群密度图;
最终密度图获取模块,用于根据目标人群密度图和辅助人群密度图,获得待测图像的最终人群密度图。
进一步地,人群密度的获取装置还包括用于训练针对任一人群密度类别对应的预测模型的训练模块,训练模块包括:
样本获取子模块,用于获取具有任一人群密度类别的多幅样本图像以及每一幅样本图像的人群密度图;
训练子模块,用于以样本图像为样本,以样本图像的人群密度图作为样本标签对初始神经网络模型进行训练,直到初始神经网络模型的损失函数收敛,得到对应任一人群密度类别的预测模型;
预测模型的空洞卷积层的空洞率的大小与预测模型匹配的人群密度类别呈负相关关系。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
第五方面,本发明实施例提供一种计算机程序,该计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中,当计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行实现如第一方面所提供的方法的步骤。
本发明实施例提供的人群密度的获取方法、装置、电子设备及计算机程序,通过获取待测图像的初始人群密度图,对初始人群密度图以至少两种尺寸进行划分,针对每一尺寸得到多个子区域;,对多个子区域中的人数进行量化处理,得到初始人群密度图的至少两种尺寸分别对应的量化处理结果,至少两种尺寸对应的量化处理结果通常是几百维的特征向量,能够精细化地对图像中人群分布的情况进行表征,进一步利用至少两种尺寸分别对应的量化处理结果获得待测图像的人群密度类别,选择与待测图像的人群密度类别匹配的预测模型预测待测图像的人群密度图,相比现有技术中的预测模型提升了专一化能力,输出的人群密度图具有更高的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1示例了由图像采集终端和电子设备所构成的硬件环境示意图;
图2为本申请实施例公开的人群密度图的获取方法的一种实现方式的流程图;
图3为本申请实施例的人群密度图预测模型的网络结构示意图;
图4为本申请另一个实施例的人群密度图的获取方法的流程示意图;
图5为本发明实施例提供的人群密度图的获取装置的结构示意图;
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
本申请提供的人群密度的获取方法、装置、电子设备及计算机程序,旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
上述人群密度图获取装置可包括运行于电子设备中的人群密度图获取装置和运行于后台服务器/平台中的人群密度图获取装置。
上述电子设备可以是诸如智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等电子设备,但并不局限于此。电子设备以及后台服务器/平台可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。在一个示例中,运行于电子设备中的人群密度图获取装置可为运行在智能手机中的客户端。该客户端可以是应用程序客户端,也可以是网页客户端。
运行于后台服务器/平台中的人群密度图获取装置可为服务器/平台的一个硬件组成部分,也可为功能模块或组件。
上述后台服务器或平台可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云计算服务的云服务器。
云计算(cloud computing)是一种计算模式,它将计算任务分布在大量计算机构成的资源池上,使各种应用***能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的,并且可以随时获取,按需使用,随时扩展,按使用付费。
作为云计算的基础能力提供商,会建立云计算资源池(简称云平台,一般称为IaaS(Infrastructure as a Service,基础设施即服务)平台,在资源池中部署多种类型的虚拟资源,供外部客户选择使用。云计算资源池中主要包括:计算设备(为虚拟化机器,包含操作***)、存储设备、网络设备。
按照逻辑功能划分,在IaaS(Infrastructure as a Service,基础设施即服务)层上可以部署PaaS(Platform as a Service,平台即服务)层,PaaS层之上再部署SaaS(Software as a Service,软件即服务)层,也可以直接将SaaS部署在IaaS上。PaaS为软件运行的平台,如数据库、web容器等。SaaS为各式各样的业务软件,如web门户网站、***器等。一般来说,SaaS和PaaS相对于IaaS是上层。
在一可选实施例中,上述的人群密度图获取方法可以应用于图1所示的由图像采集终端11和电子设备12所构成的硬件环境中。如图1所示,图像采集终端11可以通过无线方式与电子设备12进行连接。该无线方式包括但不限于:广域网、城域网、局域网、蓝牙或NFC(Near Field Communication,近距离无线通讯技术)。图像采集终端11还可以通过有线方式与电子设备12进行连接。
图像采集终端11可以用于监控人群活动场景中人群,并采集人群图像111。图像采集终端11还可以将采集的人群图像111发送至电子设备12。
电子设备12可以基于得到的人群图像111,利用本申请提供的人群密度图获取方法,获取与该人群图像111对应的人群密度图121。电子设备12可以基于人群密度图121,预测出可能发生的安全隐患,例如***故。
可选的,电子设备12可以基于人群密度图121,统计当前采集的人群图像111中的人数,例如若人群密度图121中一个黑点代表一个人,则图1所示的人群密度图121中共10人。
当然,上述仅仅示例了一种可选的人群密度图121的展示方式,除此之外还可以有其他展示方式,例如人群密度图121中一个黑点还可以代表10个人。
接下来,请参阅附图2,图2为本申请实施例公开的人群密度图的获取方法的一种实现方式的流程图。如图2所示,该方法包括以下步骤:
S101、获得待测图像的初始人群密度图,根据至少两种尺寸分别对初始人群密度图进行划分,针对每一尺寸得到多个子区域。
具体地,将待测图像输入至初始预测模型,获得初始预测模型输出的待测图像的初始人群密度图;其中,初始预测模型以具有至少两种人群密度类别的多幅样本图像为样本,以每一幅样本图像的人群密度图作为样本标签训练得到。
本申请实施例中的初始预测模型可以为现有单一的深度卷积神经网络,及通过现有单一的深度卷积神经网络预测出人群密度图,并作为初始人群密度图,初始人群密度图对待测图像的每一个像素点在实际场景中对应位置的人数,本申请对于初始人群密度图的精度不作具体的要求,因此可以将初始人群密度图预测的人数理解为粗略估计的人数。
本发明实施例的初始预测模型生成的人群密度图的原理为:
对某个人头中心点xi,可以将其表示为:在与原图同样大小的一张图中,只有位置xi为1,其余位置均为0,同时也可用δ(x-xi)函数表示,因此对于一张有N个人头标注的人群图像,可以表示为H(x)函数:
可以注意到对该图进行积分就可以得到总人数,使用一个高斯核Gσ对该图进行卷积操作即可得到密度图D=Gσ*H(x),由于高斯核是归一化的,因此对卷积后得到的密度图D进行积分同样也可以得到总人数。
本申请实施例可以构建第二样本集,第二样本集中包括了至少两种人群密度类别的样本图像,这样对第二样本集中的样本图像,在不考虑人群密度类别的情况下,训练初始预测模型,应当理解的是,尽管初始预测模型相比针对单一人群密度类别的预测模型,在针对某一种人群密度类别的待测图像的人群密度图预测上准确度稍低,但面对海量的待测图像时,仍然能够提供一个较为准确的人群密度图,符合实际的应用需求。
本申请实施例针对待测图像的初始人群密度图,可以根据不同的尺寸,将初始人群密度图划分为至少两种网格图,每种网格图中子区域的尺寸大小相同。例如,待测图像的初始人群密度图的尺寸为128*128大小,如果以4*4的尺寸对初始人群密度图进行网格划分,则可以获得一个具有1024个4*4大小的子区域的网格图,如果以8*8的尺寸对初始人群密度图进行网格划分,则可以获得具有256个8*8大小的子区域的网格图,如果以16*16的尺寸对初始人群密度图进行网格划分,则可以获得具有64个16*16大小的子区域的网格图,如果以32*32的尺寸对初始人群密度图进行网格划分,则可以获得具有16个32*32大小的子区域的网格图。
在获得每种尺寸的网格图后,可以对子区域的人群密度值进行积分,获得每个子区域的人数,通过统计一个网格图中所有子区域的人数,即可获得该网格图的密度信息。
应当理解的是,由于网格图只是在初始人群密度图上进行了特定尺寸的划分,因此通过确定子区域内的像素点在初始人群密度图中记录的人群密度值,通过积分即可获得网格内的人数。
S102、对多个子区域中的人数进行量化处理,得到初始人群密度图的至少两种尺寸分别对应的量化处理结果。
需要注意的是,目前常采用将图像中的总人数直接作为人群密集特征的现有方法,其主要构思是首先计算每个人头点与N近邻的平均距离,并把图像中所有人头的平均值作为图像中人群密度的度量,但通过分析可发现,这种方法实际上是将人群密度类别量化为一个单一的标量,无法准确地反映图像中的人群密度类别。
为了克服现有技术的上述问题,本申请实施例采用至少两种尺寸分别对初始人群密度图进行划分,获得对应每种尺寸的子区域,每个子区域即一个网格,对同一尺寸的每个子区域的人数进行量化处理,即可得到该尺寸的初始人群密度图的量化处理结果。由于不同尺寸的子区域包含的像素点个数不同,因此不同尺寸的子区域的人数也存在差异,同时根据不同尺寸划分后的网格图所包含的子区域的个数也不同,因此每一种网格图都可以获得一种独特的密度信息,通过对所有尺寸网格图的量化处理结果进行处理,例如可以是加权求和或者拼接,即可获得包含不同尺寸的量化处理结果的人群密度特征。这样形成的人群密度特征通常是几百维的特征向量,能够精细化地对图像中人群分布的情况进行表征。
S103、根据至少两种尺寸分别对应的量化处理结果,确定待测图像的人群密度类别;
人群密度类别是对待测图像中人群密度所达到的状况,也是对待测图像中人群密度的定性分析的结果,本申请实施例对于人群密度类别的分类不作具体的限定,例如可以是稀疏、适中或者稠密。
本申请实施例可以根据至少两种尺寸分别对应的量化处理结果获得待测图像的人群密度特征,结合一定数量的样本图像的人群密度特征进行聚类处理,根据待测图像的聚类结果,以及与待测图像聚为同一类的样本图像的人群密度类别,确定待测图像的人群密度类别。
具体地,将待测图像的人群密度特征输入至预先构建的人群密度分类模型中,获得人群密度分类模型输出的待测图像的人群密度类别;
其中,人群密度分类模型的构建方法包括:
采集多幅样本图像,获取多幅样本图像的人群密度特征;
基于多幅样本图像的人群密度特征,采用聚类算法构建人群密度分类模型。
本申请实施例在获得待测图像的人群密度特征后,通过将人群密度特征输入预先训练的聚类模型中,即可获得待测图像的人群密度类别。
聚类模型可以根据样本数据构建,样本数据包括不同人群密度类别所对应的人群密度特征,例如稀疏程度所对应的人群密度特征、适中程度所对应的人群密度特征以及稠密程度所对应的人群密度特征等等。
本申请对聚类模型所采用的聚类算法不作具体的限定,例如可以是K-Means(K-均值)聚类算法、均值漂移聚类算法、基于密度的聚类算法(DBSCAN,Density-Based SpatialClustering of Applications with Noise)、用高斯混合模型(GMM,Gaussian MixtureModel)的最大期望(EM,expectation maximization)聚类算法、凝聚层次聚类算法等等。
接下来以K-Means算法为例,说明本申请构建聚类模型的过程:
1)首先确定人群密度类别的类别和数量,并随机初始化各类别的中心点,中心点是指与每个数据点(人群密度特征)向量长度相同的位置;
2)计算每个数据点到中心点的距离,数据点距离哪个中心点最近就划分到哪一类别中;
3)重新计算每一类别的中心点,并作为新的中心点;
4)重复以上步骤,直到每一类别的中心在每次迭代后变化不大为止。也可以多次随机初始化中心点,然后选择运行结果最好的一个。
S104、从多个已训练的预测模型中确定与人群密度类别对应的目标预测模型,将待测图像输入至目标预测模型得到待测图像的目标人群密度图。
由于实际场景中的人群分布密度变化范围极大,采用单一的深度卷积网络对分布差异巨大的场景的样本图像进行训练时,为了在所有场景上表现较为均匀,在单一尺度或密度的场景表现往往不理想,因此限制了整体人群密度估计的准确性,也就是说,现有技术在对海量的待测图像的人群密度图进行预测时,由于采用了直接将待测图像输入单一的深度卷积网络,存在人群密度估计准确性低的缺陷,而本申请则首先确定待测图像的人群密度类别,为后续选择与待测图像的人群密度类别匹配的预测模型奠定基础,从而在利用与待测图像匹配的预测模型进行人群密度图预测时,能够输出准确率更高的人群密度图。
应当理解的是,人群密度类别在定性描述后,可以通过针对性地对每一种人群密度类别搜集大量样本图像,之后对于每一种人群密度类别的样本图像,都可以训练出一个对应人群密度类别的预测模型,这样对于任意一张待测图像,只要确定了该待测图像的人群密度类别,即可从预先训练出的多个预测模型中找出与该待测图像匹配的预测模型。
本申请实施例在获取与待测图像的人群密度类别匹配的预测模型之前,需要训练出至少两种对应不同人群密度类别的预测模型。在确定待测图像的人群密度类别后,会获取与待测图像的人群密度类别匹配的预测模型作为目标预测模型。
目标预测模型以第一样本集中的样本图像(第一样本集中的样本图像的人群密度类别与待测图像的人群密度类别相同)为样本,以第一样本集中的样本图像的人群密度图作为样本标签对初始神经网络模型进行训练,直到初始神经网络模型的损失函数收敛,得到对应待测图像的人群密度类别的预测模型。也就是说,步骤S104中的与待测图像的人群密度类别匹配的预测模型,是指该预测模型训练时所用的训练样本的人群密度类别与待测图像的人群密度类别相同。由于本申请实施例使用的目标预测模型在训练时所使用的训练样本都是与待测图像的人群密度类别相同的样本图像,因此训练后的目标预测模型能够专门对具有相同人群密集程度的待测图像预测出人群密度图,这样操作能够提升模型的专一化,从而提升模型在某一人群密度类别图像上的计数精度。
本申请实施例通过获取待测图像的初始人群密度图,对初始人群密度图以至少两种尺寸进行划分,针对每一尺寸得到多个子区域;,对多个子区域中的人数进行量化处理,得到初始人群密度图的至少两种尺寸分别对应的量化处理结果,至少两种尺寸对应的量化处理结果通常是几百维的特征向量,能够精细化地对图像中人群分布的情况进行表征,进一步利用至少两种尺寸分别对应的量化处理结果获得待测图像的人群密度类别,选择与待测图像的人群密度类别匹配的预测模型预测待测图像的人群密度图,相比现有技术中的预测模型提升了专一化能力,输出的人群密度图具有更高的准确性
通过将本申请实施例应用于海量的待测图像的人群密度图获取场景中,通过预先搜集不同人群密度类别的样本图像,并分别训练出对应人群密度类别的预测模型,即可在解决大规模以及人群密度分布变化大的人群密度估计问题。
在上述各实施例的基础上,本申请实施例还可以基于目标预测模型输出的人群密度图,统计人数。
本申请实施例采用人群密度图预测安全隐患的方式,能够精确地获得待测图像包含的人数。
在上述各实施例的基础上,本申请实施例还可以基于最终得到的人群密度图,获得热度图,热力图中各像素点的颜色可以随像素点对应实际场景中的人数增多而愈加醒目。通过热度图可视化人群的密度分布,从而更加有利于安全隐患事件的判断。
在上述各实施例的基础上,获得人群密度分类模型输出的待测图像的人群密度类别,之后还包括:根据待测图像的人群密度类别判断待测图像的人群密度是否异常。
由上述实施例可知,本申请实施例的人群密度类别是对人群密度的定性描述,例如可以是稀疏、适中、拥挤等等,因此在确定待测图像的人群密度类别后,可以根据人群密度类别直接判断人群密度是否异常,比如当人群密度类别为拥挤时,则判断为异常,当人群密度类别为稀疏或者适中时,则判断为正常。
在上述各实施例的基础上,作为一种可选实施例,对多个子区域中的人数进行量化处理,得到初始人群密度图的至少两种尺寸分别对应的量化处理结果,包括:
S1021、对于任一种尺寸的子区域,确定子区域内的人数,并对子区域内的人数进行量化处理,获得子区域内的人数量化值。
S1022、对子区域中的人数量化值的频数进行归一化处理,获得初始人群密度图的任一种尺寸对应的量化处理结果。
量化处理是指将较多的离散数据近似为较少的离散数据的过程,在本申请实施例中,对于任意一种尺寸的子区域,子区域内的人数都是离散而非连续的,加上本身子区域的数量众多,在统计各子区域内的人数时会出现数值比较分散的情况,本申请实施例通过对子区域内的人数进行量化处理,使得人数的数值被集中为较少的数值,这些较少的数值即可作为子区域的特征,通过进一步对量化值的频数进行归一化处理,即可获得初始人群密度图的任一种尺寸对应的量化处理结果。
由于不同子区域的人数的量化值可能相同,本申请实施例并不是将量化值作为衡量图像中人群密度的指标,而是先对量化值的频数进行统计,然后再对频数进行归一化处理,获得初始人群密度图的每种尺寸对应的的量化处理结果。量化值的频数,即一个量化值在一张网格图中出现的次数,比如网格图中有16个子区域,若总共有两个子区域的人数的量化值为3,那么就获得了一个量化值的频数:2,通过统计16个子区域中不同量化值的频数,再进行归一化处理,获得的处理结果在作为模型的输入时,能够提升模型的精度同时提升收敛速度。
在上述各实施例的基础上,作为一种可选实施例,对子区域内人数进行量化处理,获得子区域内的人数量化值,包括:
从任一种尺寸的各个子区域中的人数中确定单个子区域的最大人数;
根据单个子区域的最大人数对同一尺寸的每个子区域的人数进行量化处理,获得每个子区域内的人数量化值。
应当理解的是,本申请实施例的单个网格的最大人数是指在同一尺寸的网格图中的单个子区域的最多人数。
可选的,本申请实施例根据单个子区域内的最大人数对网格图中每个子区域内的人数进行量化处理,通过以下量化公式计算:
c=int(N*log(p-q)/log(CMax))
其中,c表示量化值;N表示量化等级;int表示取整操作;p为子区域内的人数;q为量化系数,且q为小于单个子区域内的最小人数的正数;CMax为单个子区域内的最大人数。N和q的值可根据实际情况进行调整,可选的,N取25,q取2.99。
在上述各实施例的基础上,作为一种可选实施例,根据至少两种尺寸分别对应的量化处理结果,确定待测图像的人群密度类别,包括:
根据至少两种尺寸分别对应的量化处理结果获得人群密度特征;
将人群密度特征输入至预先构建的聚类模型中,获得聚类模型输出的待测图像的人群密度类别
具体的,可以以预设的顺序,例如尺寸从小到大的顺序,或者从大到小的顺序,对依据至少两种尺寸划分后的初始人群密度图的的量化处理结果进行排序,然后根据排序将前一个量化处理结果与后一个量化处理结果进行拼接,获得待测图像的人群密度特征。例如,C8、C16、C32和C64分别表述对某一初始人群密度图以8*8尺寸、16*16尺寸、32*32尺寸以及64*64尺寸进行划分后的网格图的量化处理结果,其中C8为(0.15,0.40,0.45);C16为(0.25,0.35,0.40);C32为(0.15,0.15,0.3,0.4);C64为(0.2,0.3,0.50),则拼接后获得的人群密度特征为(0.15,0.40,0.45,0.25,0.35,0.40,0.15,0.15,0.3,0.4,0.2,0.3,0.50)。
在上述各实施例的基础上,作为一种可选实施例,在构建预测模型集合后,当需要对待测图像进行人群密度图的预测时,本申请实施例也可以根据待测图像的人群密度类别,从预测模型集合中选择若干个与待测图像的人群密度类别不匹配的预测模型,并利用这些不匹配的预测模型预测待测图像的人群密度图,最后通过综合考虑匹配的预测模型和不匹配的预测模型输出的人群密度图,获得最终人群密度图。这样操作的好处在于:能够解决在人群密度类别不准确的情况下,提高人群密度图的准确率。
在上述各实施例的基础上,作为一种可选实施例,将待测图像输入至目标预测模型得到待测图像的目标人群密度图之后还包括:
从多个已训练的预测模型中确定与人群密度类别不对应的至少一个预测模型,并作为辅助预测模型;
将待测图像输入至辅助预测模型,得到待测图像的辅助人群密度图;
根据目标人群密度图和辅助人群密度图,获得待测图像的最终人群密度图。
应当理解的是,与待测图像的人群密度类别不对应的预测模型,其训练样本为与待测图像的人群密度类别不同的样本图像。
具体地,通过对目标人群密度图和辅助人群密度图进行加权平均,获得待测图像的加权平均后的人群密度图,将加权平均后的人群密度图作为待测图像的最终人群密度图。
针对任一人群密度类别对应的预测模型的训练方法,包括:
获取具有任一人群密度类别的多幅样本图像以及每一幅样本图像的人群密度图;
以样本图像为样本,以样本图像的人群密度图作为样本标签对初始神经网络模型进行训练,直到初始神经网络模型的损失函数收敛,得到对应任一人群密度类别的预测模型。
接下来请参见图3,图3为本申请实施例的预测模型的网络结构示意图,本申请实施例的预测模型为CSRNet网络模型,CSRnet网络模型主要分为前端和后端网络,采用剔除了全连接层的VGG-16网络作为CSRnet的前端网络,剔除了全连接层的VGG-16网络,对于相同大小的感知域,卷积核越小,卷积层数越多的模型要优于那些有着更大卷积核且卷积层数较少的模型。为了平衡准确性和资源开销,本申请实施例的VGG-16网络采用10层卷积层和3层池化层(max-pooling)的组合,具体的,VGG16网络沿运算方法依次包括两个第一卷积层、第一池化层、两个第二卷积层、第二池化层、三个第三卷积层、第三池化层和三个第四卷积层,其中第一卷积层在图3中表示为3-64-1,其含义为卷积核大小为3*3,通道数为64,空洞率为1,同理,第二卷积层的卷积核大小为3*3,通道数为128,空洞率为1,第三卷积层的卷积核大小为3*3,通道数为256,空洞率为1,第四卷积层的卷积核大小为3*3,通道数为512,空洞率为1。后端网络采用六层空洞率相同(均为α,α为正数)的空洞卷积层,最后采用一层1×1的普通卷积层输出结果,采用空洞卷积层可以在不增大计算量的前提下,增大卷积核的感受野,后端网络具体包括3个第一空洞卷积层、1个第二空洞卷积层、1个第三空洞卷积层、1个第四空洞卷积层和1个全连接处,第一空洞卷积层的卷积核大小为3*3,通道数为512,第二空洞卷积层的卷积核大小为3*3,通道数为256,第二空洞卷积层的卷积核大小为3*3,通道数为128,第四空洞卷积层的卷积核大小为3*3,通道数为64。
作为端到端网络的CSRnet网络模型,采用最直接的方法进行模型训练即可:前端网络中10个卷积层来自已经训练好的VGG-16,所以只需要进行微调训练。对于其他卷积层的参数采用0.01的标准偏差的高斯初始化。在训练期间,随机梯度下降的学习率固定为1e-6。采用欧氏距离测量生成的密度图与真实值的距离。损失函数Lreg定义如下:
在上述各实施例的基础上,对应任一人群密度类别的预测模型在训练时,预测模型的空洞卷积层的空洞率的大小与预测模型对应的人群密度类别呈负相关关系。也就是说,对于以人群密度类别高的样本图像作为训练样本的预测模型,在空洞卷积层中使用更小的空洞率α;对于以人群密度类别低的样本图像作为训练样本的预测模型,在空洞卷积层中使用较大的空洞率α。
图4为本申请另一个实施例的人群密度图的获取方法的流程示意图,如图4所示,该方法包括:
S20、获取第二样本集,第二样本集包括N种人群密度类别的样本图像,根据每一种人群密度类别的样本图像构建一个样本子集,从而获得N个样本子集,N为不小于2的整数;
S21、根据第二样本集中的N个样本子集,分别训练对应每一种人群密度类别的预测模型,获得N个预测模型;
S22、构建预测模型集合,预测模型集合包括N个预测模型;
S23、确定待测图像的人群密度类别;
S24、根据待测图像的人群密度类别,从预测模型集合中获取与待测图像的人群密度类别匹配的预测模型,并作为目标预测模型;
S25、将待测图像输入至目标预测模型,获得目标预测模型输出的待测图像的目标人群密度图。
图5为本申请实施例的人群密度的获取装置的结构示意图,如图5所示,人群密度的获取装置包括:划分模块101、量化模块102、类别确定模块103和预测模块104,具体的:
划分模块101,用于获得待测图像的初始人群密度图,根据至少两种尺寸分别对初始人群密度图进行划分,针对每一尺寸得到多个子区域;
量化模块102,用于对多个子区域中的人数进行量化处理,得到初始人群密度图的至少两种尺寸分别对应的量化处理结果;
类别确定模块103,用于根据至少两种尺寸分别对应的量化处理结果,确定待测图像的人群密度类别;
预测模块104,用于从多个已训练的预测模型中确定与人群密度类别对应的目标预测模型,将待测图像输入至目标预测模型得到待测图像的目标人群密度图
本发明实施例提供的人群密度的获取装置,具体执行上述方法实施例流程,具体请详见上述人群密度的获取方法实施例的内容,在此不再赘述。本发明实施例提供的人群密度的获取装置,通过获取待测图像的初始人群密度图,对初始人群密度图以至少两种尺寸进行划分,针对每一尺寸得到多个子区域;,对多个子区域中的人数进行量化处理,得到初始人群密度图的至少两种尺寸分别对应的量化处理结果,至少两种尺寸对应的量化处理结果通常是几百维的特征向量,能够精细化地对图像中人群分布的情况进行表征,进一步利用至少两种尺寸分别对应的量化处理结果获得待测图像的人群密度类别,选择与待测图像的人群密度类别匹配的预测模型预测待测图像的人群密度图,相比现有技术中的预测模型提升了专一化能力,输出的人群密度图具有更高的准确性。
在上述各实施例的基础上,作为一种可选实施例,量化模块包括:
子区域量化子模块,用于对于任一种尺寸的子区域,确定子区域内的人数,并对子区域内的人数进行量化处理,获得子区域内的人数量化值;
归一化处理子模块,用于对子区域中的人数量化值的频数进行归一化处理,获得初始人群密度图的任一种尺寸对应的量化处理结果。
在上述各实施例的基础上,作为一种可选实施例,子区域量化子模块包括用于对子区域内人数进行量化处理,获得子区域内的人数量化值的量化值获取单元,量化值获取单元包括:
最大人数获取子单元,用于从任一种尺寸的各个子区域中的人数中确定单个子区域的最大人数;
人数量化子单元,用于根据单个子区域的最大人数对同一尺寸的每个子区域的人数进行量化处理,获得每个子区域内的人数量化值。
在上述各实施例的基础上,作为一种可选实施例,类别确定模块包括:
密度特征获取子模块,用于根据至少两种尺寸分别对应的量化处理结果获得人群密度特征;
聚类子模块,用于将人群密度特征输入至预先构建的聚类模型中,获得聚类模型输出的待测图像的人群密度类别。
在上述各实施例的基础上,作为一种可选实施例,人群密度的获取装置还包括:
辅助模型获取模块,用于从多个已训练的预测模型中确定与人群密度类别不对应的至少一个预测模型,并作为辅助预测模型;
辅助密度图获取模块,用于将待测图像输入至辅助预测模型,得到待测图像的辅助人群密度图;
最终密度图获取模块,用于根据目标人群密度图和辅助人群密度图,获得待测图像的最终人群密度图。
在上述各实施例的基础上,作为一种可选实施例,人群密度的获取装置还包括用于训练针对任一人群密度类别对应的预测模型的训练模块,训练模块包括:
样本获取子模块,用于获取具有任一人群密度类别的多幅样本图像以及每一幅样本图像的人群密度图;
训练子模块,用于以样本图像为样本,以样本图像的人群密度图作为样本标签对初始神经网络模型进行训练,直到初始神经网络模型的损失函数收敛,得到对应任一人群密度类别的预测模型;
预测模型的空洞卷积层的空洞率的大小与预测模型匹配的人群密度类别呈负相关关系。
本申请实施例中提供了一种电子设备,该电子设备包括:存储器和处理器;至少一个程序,存储于存储器中,用于被处理器执行时,与现有技术相比可实现:通过获取待测图像的初始人群密度图,对初始人群密度图以至少两种尺寸进行划分,针对每一尺寸得到多个子区域;,对多个子区域中的人数进行量化处理,得到初始人群密度图的至少两种尺寸分别对应的量化处理结果,至少两种尺寸对应的量化处理结果通常是几百维的特征向量,能够精细化地对图像中人群分布的情况进行表征,进一步利用至少两种尺寸分别对应的量化处理结果获得待测图像的人群密度类别,选择与待测图像的人群密度类别匹配的预测模型预测待测图像的人群密度图,相比现有技术中的预测模型提升了专一化能力,输出的人群密度图具有更高的准确性。
在一个可选实施例中提供了一种电子设备,如图6所示,图6所示的电子设备4000包括:处理器4001和存储器4003。其中,处理器4001和存储器4003相连,如通过总线4002相连。可选地,电子设备4000还可以包括收发器4004。需要说明的是,实际应用中收发器4004不限于一个,该电子设备4000的结构并不构成对本申请实施例的限定。
处理器4001可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器4001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线4002可包括一通路,在上述组件之间传送信息。总线4002可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器4003可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器4003用于存储执行本申请方案的应用程序代码,并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码,以实现前述方法实施例所示的内容。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。与现有技术相比,通过获取待测图像的初始人群密度图,对初始人群密度图以至少两种尺寸进行划分,针对每一尺寸得到多个子区域;,对多个子区域中的人数进行量化处理,得到初始人群密度图的至少两种尺寸分别对应的量化处理结果,至少两种尺寸对应的量化处理结果通常是几百维的特征向量,能够精细化地对图像中人群分布的情况进行表征,进一步利用至少两种尺寸分别对应的量化处理结果获得待测图像的人群密度类别,选择与待测图像的人群密度类别匹配的预测模型预测待测图像的人群密度图,相比现有技术中的预测模型提升了专一化能力,输出的人群密度图具有更高的准确性。
本申请实施例提供了一种计算机程序,该计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中,当计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行如前述方法实施例所示的内容。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种人群密度的获取方法,其特征在于,包括:
获得待测图像的初始人群密度图,根据至少两种尺寸分别对所述初始人群密度图进行划分,针对每一尺寸得到多个子区域;
对所述多个子区域中的人数进行量化处理,得到所述初始人群密度图的至少两种尺寸分别对应的量化处理结果;
根据所述至少两种尺寸分别对应的量化处理结果,确定所述待测图像的人群密度类别;
从多个已训练的预测模型中确定与所述人群密度类别对应的目标预测模型,将所述待测图像输入至所述目标预测模型得到所述待测图像的目标人群密度图。
2.根据权利要求1所述的人群密度的获取方法,其特征在于,所述对所述多个子区域中的人数进行量化处理,得到所述初始人群密度图的至少两种尺寸分别对应的量化处理结果,包括:
对于任一种尺寸的子区域,确定所述子区域内的人数,并对所述子区域内的人数进行量化处理,获得所述子区域内的人数量化值;
对所述子区域中的人数量化值的频数进行归一化处理,获得所述初始人群密度图的任一种尺寸对应的量化处理结果。
3.根据权利要求2所述的人群密度的获取方法,其特征在于,所述对所述子区域内人数进行量化处理,获得所述子区域内的人数量化值,包括:
从所述任一种尺寸的各个子区域中的人数中确定单个子区域的最大人数;
根据所述单个子区域的最大人数对同一尺寸的每个子区域的人数进行量化处理,获得每个子区域内的人数量化值。
4.根据权利要求1所述的人群密度的获取方法,其特征在于,所述根据所述至少两种尺寸分别对应的量化处理结果,确定所述待测图像的人群密度类别,包括:
根据所述至少两种尺寸分别对应的量化处理结果获得人群密度特征;
将所述人群密度特征输入至预先构建的聚类模型中,获得所述聚类模型输出的所述待测图像的人群密度类别。
5.根据权利要求1所述的人群密度的获取方法,其特征在于,所述将所述待测图像输入至所述目标预测模型得到所述待测图像的目标人群密度图,之后还包括:
从多个已训练的预测模型中确定与所述人群密度类别不对应的至少一个预测模型,并作为辅助预测模型;
将所述待测图像输入至所述辅助预测模型,得到所述待测图像的辅助人群密度图;
根据所述目标人群密度图和辅助人群密度图,获得所述待测图像的最终人群密度图。
6.根据权利要求1或5所述的人群密度的获取方法,其特征在于,针对任一人群密度类别对应的预测模型的训练方法,包括:
获取具有所述任一人群密度类别的多幅样本图像以及每一幅样本图像的人群密度图;
以所述样本图像为样本,以所述样本图像的人群密度图作为样本标签对初始神经网络模型进行训练,直到所述初始神经网络模型的损失函数收敛,得到对应所述任一人群密度类别的预测模型;
所述预测模型的空洞卷积层的空洞率的大小与所述预测模型匹配的人群密度类别呈负相关关系。
7.一种人群密度的获取装置,其特征在于,包括:
划分模块,用于获得待测图像的初始人群密度图,根据至少两种尺寸分别对所述初始人群密度图进行划分,针对每一尺寸得到多个子区域;
量化模块,用于对所述多个子区域中的人数进行量化处理,得到所述初始人群密度图的至少两种尺寸分别对应的量化处理结果;
类别确定模块,用于根据所述至少两种尺寸分别对应的量化处理结果,确定所述待测图像的人群密度类别;
预测模块,用于从多个已训练的预测模型中确定与所述人群密度类别对应的目标预测模型,将所述待测图像输入至所述目标预测模型得到所述待测图像的目标人群密度图。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至6任一项所述人群密度的获取方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述人群密度的获取方法的步骤。
10.一种计算机程序,其特征在于,该计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中,当计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行如权利要求1-6任一项所述的人群密度的获取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010797785.5A CN111898578B (zh) | 2020-08-10 | 2020-08-10 | 人群密度的获取方法、装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010797785.5A CN111898578B (zh) | 2020-08-10 | 2020-08-10 | 人群密度的获取方法、装置、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898578A true CN111898578A (zh) | 2020-11-06 |
CN111898578B CN111898578B (zh) | 2023-09-19 |
Family
ID=73246359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010797785.5A Active CN111898578B (zh) | 2020-08-10 | 2020-08-10 | 人群密度的获取方法、装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898578B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560829A (zh) * | 2021-02-25 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 人群数量确定方法、装置、设备及存储介质 |
CN112733624A (zh) * | 2020-12-26 | 2021-04-30 | 电子科技大学 | 室内密集场景的人流密度检测方法、***存储介质及终端 |
CN112862023A (zh) * | 2021-04-26 | 2021-05-28 | 腾讯科技(深圳)有限公司 | 对象密度确定方法、装置、计算机设备和存储介质 |
WO2022179542A1 (zh) * | 2021-02-26 | 2022-09-01 | 腾讯科技(深圳)有限公司 | 群体数量确定方法、装置、设备、存储介质及程序产品 |
CN115100703A (zh) * | 2022-05-17 | 2022-09-23 | 交通运输部水运科学研究所 | 一种偷渡行为确定方法及装置 |
CN116033315A (zh) * | 2023-03-30 | 2023-04-28 | 南昌航天广信科技有限责任公司 | 一种广播音量控制方法及*** |
CN117152543A (zh) * | 2023-10-30 | 2023-12-01 | 山东浪潮科学研究院有限公司 | 一种图像分类方法、装置、设备及存储介质 |
US12002272B2 (en) | 2020-12-30 | 2024-06-04 | Hon Hai Precision Industry Co., Ltd. | Method and device for classifing densities of cells, electronic device using method, and storage medium |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016183766A1 (en) * | 2015-05-18 | 2016-11-24 | Xiaogang Wang | Method and apparatus for generating predictive models |
US20170351924A1 (en) * | 2014-12-24 | 2017-12-07 | Hitachi Kokusai Electric Inc. | Crowd Monitoring System |
CN108764085A (zh) * | 2018-05-17 | 2018-11-06 | 上海交通大学 | 基于生成对抗网络的人群计数方法 |
CN109389043A (zh) * | 2018-09-10 | 2019-02-26 | 中国人民解放军陆军工程大学 | 一种无人机航拍图片的人群密度估计方法 |
CN110879982A (zh) * | 2019-11-15 | 2020-03-13 | 苏州大学 | 一种人群计数***及方法 |
CN111144329A (zh) * | 2019-12-29 | 2020-05-12 | 北京工业大学 | 一种基于多标签的轻量快速人群计数方法 |
CN111353342A (zh) * | 2018-12-21 | 2020-06-30 | 浙江宇视科技有限公司 | 肩头识别模型训练方法、装置、人数统计方法、装置 |
-
2020
- 2020-08-10 CN CN202010797785.5A patent/CN111898578B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170351924A1 (en) * | 2014-12-24 | 2017-12-07 | Hitachi Kokusai Electric Inc. | Crowd Monitoring System |
WO2016183766A1 (en) * | 2015-05-18 | 2016-11-24 | Xiaogang Wang | Method and apparatus for generating predictive models |
CN108764085A (zh) * | 2018-05-17 | 2018-11-06 | 上海交通大学 | 基于生成对抗网络的人群计数方法 |
CN109389043A (zh) * | 2018-09-10 | 2019-02-26 | 中国人民解放军陆军工程大学 | 一种无人机航拍图片的人群密度估计方法 |
CN111353342A (zh) * | 2018-12-21 | 2020-06-30 | 浙江宇视科技有限公司 | 肩头识别模型训练方法、装置、人数统计方法、装置 |
CN110879982A (zh) * | 2019-11-15 | 2020-03-13 | 苏州大学 | 一种人群计数***及方法 |
CN111144329A (zh) * | 2019-12-29 | 2020-05-12 | 北京工业大学 | 一种基于多标签的轻量快速人群计数方法 |
Non-Patent Citations (1)
Title |
---|
陈朋;汤一平;王丽冉;何霞;: "多层次特征融合的人群密度估计", 中国图象图形学报, no. 08 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733624A (zh) * | 2020-12-26 | 2021-04-30 | 电子科技大学 | 室内密集场景的人流密度检测方法、***存储介质及终端 |
CN112733624B (zh) * | 2020-12-26 | 2023-02-03 | 电子科技大学 | 室内密集场景的人流密度检测方法、***存储介质及终端 |
US12002272B2 (en) | 2020-12-30 | 2024-06-04 | Hon Hai Precision Industry Co., Ltd. | Method and device for classifing densities of cells, electronic device using method, and storage medium |
CN112560829A (zh) * | 2021-02-25 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 人群数量确定方法、装置、设备及存储介质 |
WO2022179474A1 (zh) * | 2021-02-25 | 2022-09-01 | 腾讯科技(深圳)有限公司 | 群体数量确定方法、装置、设备、存储介质及程序产品 |
WO2022179542A1 (zh) * | 2021-02-26 | 2022-09-01 | 腾讯科技(深圳)有限公司 | 群体数量确定方法、装置、设备、存储介质及程序产品 |
CN112862023A (zh) * | 2021-04-26 | 2021-05-28 | 腾讯科技(深圳)有限公司 | 对象密度确定方法、装置、计算机设备和存储介质 |
CN115100703A (zh) * | 2022-05-17 | 2022-09-23 | 交通运输部水运科学研究所 | 一种偷渡行为确定方法及装置 |
CN115100703B (zh) * | 2022-05-17 | 2024-05-14 | 交通运输部水运科学研究所 | 一种偷渡行为确定方法及装置 |
CN116033315A (zh) * | 2023-03-30 | 2023-04-28 | 南昌航天广信科技有限责任公司 | 一种广播音量控制方法及*** |
CN117152543A (zh) * | 2023-10-30 | 2023-12-01 | 山东浪潮科学研究院有限公司 | 一种图像分类方法、装置、设备及存储介质 |
CN117152543B (zh) * | 2023-10-30 | 2024-06-07 | 山东浪潮科学研究院有限公司 | 一种图像分类方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111898578B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898578B (zh) | 人群密度的获取方法、装置、电子设备 | |
CN109816009B (zh) | 基于图卷积的多标签图像分类方法、装置及设备 | |
CN109740499A (zh) | 视频分割方法、视频动作识别方法、装置、设备及介质 | |
CN111435463B (zh) | 数据处理方法及相关设备、*** | |
CN109919202A (zh) | 分类模型训练方法及装置 | |
CN106778910B (zh) | 基于本地训练的深度学习***和方法 | |
CN112149699B (zh) | 用于生成模型的方法、装置和用于识别图像的方法、装置 | |
CN112231592A (zh) | 基于图的网络社团发现方法、装置、设备以及存储介质 | |
CN111105017A (zh) | 神经网络量化方法、装置及电子设备 | |
CN111611144A (zh) | 用于处理性能测试数据的方法、装置、计算设备和介质 | |
CN111008631A (zh) | 图像的关联方法及装置、存储介质和电子装置 | |
CN111881777A (zh) | 一种视频处理方法和装置 | |
CN114565092A (zh) | 一种神经网络结构确定方法及其装置 | |
CN115082752A (zh) | 基于弱监督的目标检测模型训练方法、装置、设备及介质 | |
CN112307243B (zh) | 用于检索图像的方法和装置 | |
CN114547365A (zh) | 一种图像检索方法和设备 | |
US20240062042A1 (en) | Hardening a deep neural network against adversarial attacks using a stochastic ensemble | |
CN116701875A (zh) | 一种特高压交流输电线路可听噪声概率预测方法及*** | |
CN110855474A (zh) | Kqi数据的网络特征提取方法、装置、设备及存储介质 | |
CN115546554A (zh) | 敏感图像的识别方法、装置、设备和计算机可读存储介质 | |
CN111612783B (zh) | 一种数据质量评估方法及*** | |
CN112070211B (zh) | 基于计算卸载机制的图像识别方法 | |
CN115225543A (zh) | 一种流量预测方法、装置、电子设备和存储介质 | |
CN114662607A (zh) | 基于人工智能的数据标注方法、装置、设备以及存储介质 | |
CN113822291A (zh) | 一种图像处理方法、装置、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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40030896 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |