CN111767881A - 一种基于ai技术的自适应人群密度估计装置 - Google Patents
一种基于ai技术的自适应人群密度估计装置 Download PDFInfo
- Publication number
- CN111767881A CN111767881A CN202010638776.1A CN202010638776A CN111767881A CN 111767881 A CN111767881 A CN 111767881A CN 202010638776 A CN202010638776 A CN 202010638776A CN 111767881 A CN111767881 A CN 111767881A
- Authority
- CN
- China
- Prior art keywords
- module
- density estimation
- crowd
- crowd density
- adaptive
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 claims abstract description 51
- 230000003044 adaptive effect Effects 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 18
- 230000000694 effects Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于AI技术的自适应人群密度估计装置，包括视频数据采集模块、目标检测模块、人群密度估计模块、自适应模块、事件预警模块、事件存储模块和事件分析模块，所述视频数据采集模块用于采集监控场景下的实时图像画面，目标检测模块用于对检测采集到的视频数据中的目标及其位置并对其进行人群数量进行统计，人群密度估计模块利用采集到的实时图像数据进行密度图分析统计，本发明涉及计算机视觉技术领域。该基于AI技术的自适应人群密度估计装置，通过采用基于AI技术的自适应人群密度估计装置，无论在人群密集还是稀疏的场景下都可以准确计算出人群密度，与现有方案相比，鲁棒性和泛化能力更好，且分析速度更快。
Description
技术领域
本发明涉及计算机视觉技术领域，具体为一种基于AI技术的自适应人群密度估计装置。
背景技术
在车站、地铁以及机场等公共环境下容易出现大规模人群，出于安全等因素的考虑，往往需要在此时刻进行疏流引导，防止发生安全事故，在这些场景下对统计出准确的人群密度显得尤为重要。
参考专利“CN201410339426”-《一种基于级联多级卷积神经网络的人群密度估计方法》与本发明较为相关：
其发明公开了一种基于级联多级卷积神经网络的人群密度估计方法，1)采用多级卷积神经网络，提取由低层到高层的特征，并且将低层和高层特征组合在一起形成多阶段的特征，从而增强了人群密度特征的可分性；2)根据多级卷积神经网络降采样层中特征图的相似性，去掉卷积神经网络中冗余神经元的连接，从而加快特征提取的速度；3)依据人群密度样本可分性的难易程度，训练了两种不同结构的多级卷积神经网络，并采用由简单到复杂的顺序级联这两种多级卷积神经网络，形成级联的多级卷积神经网络的人群密度估计模型，对视频终端实时获取的检测图像快速地进行人群密度等级的估计。
参考专利“CN201810567349”-《一种人群密度估计的识别及预警方法》与本发明较为相关：
其发明公开了一种人群密度估计的识别及预警方法，涉及计算机视觉技术领域。该人群密度估计的识别及预警方法，包括以下步骤：人群图像的收集和储存、人群头像密度的检测、人群密度的图像对比、人群密度的超值报警、人群声音密度的检测、人群声音密度的对比和人群声音的超值报警，所述摄像装置的输出端与图像收集模块的输入端电连接，所述图像收集模块与图像储存模块双向连接，所述图像收集模块的输出端与人脸识别模块的输入端电连接。该人群密度估计的识别及预警方法，系统会自动提醒各个点位异常情况，会预测客流高峰期提前做好部署方案。
在现有的技术中，很多是人工进行观察，而后进行管控，这种方式比较耗时耗力，且在有异常等情况无法做出快速及时的反应；也有利用目标检测方法进行人群密度统计，但此方法在目标较小、人群拥挤、遮挡严重的情况下则效果不佳；而单纯使用密度图方式，在人流量稀疏场景下效果也不理想，密度估计结果准确度较低。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于AI技术的自适应人群密度估计装置，利用深度学习的目标检测方法、人群密度等算法分析建模、自适应模块克服现有技术中在人群稀疏时密度估计出现误差较大的情况。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于AI技术的自适应人群密度估计装置，包括视频数据采集模块、目标检测模块、人群密度估计模块、自适应模块、事件预警模块、事件存储模块和事件分析模块。
所述视频数据采集模块用于采集监控场景下的实时图像画面。
所述目标检测模块用于对检测采集到的视频数据中的目标及其位置并对其进行人群数量进行统计。
所述人群密度估计模块利用采集到的实时图像数据进行密度图分析统计，计算出人群数量。
所述自适应模块用于将目标检测模块和人群密度估计模块进行自适应融合的方式来处理
所述事件预警模块用于对分析出的异常事件进行输出预警。
所述事件存储模块用于将分析出的事件视频进行及时存储。
优选的，所述事件分析模块用于对得到的人群密度数据进一步分析，判断是否有异常情况。
优选的，所述目标检测模块接收来自视频数据采集模块的数据后，对得到的图像数据统一先进行预处理操作，然后将处理后的图片利用卷积神经网络处理得到结果，对结果处理分析即可得到人群数量。
优选的，所述人群密度估计模块接收来自视频数据采集模块的实时视频数据，需要先对数据进行预处理操作主要是减均值，除标准差以及标签的处理，对预处理后的数据利用resnet50网络提取特征后得到输出密度图，对得到的密度图处理即可得出人群数量，为了在自适应模块中进行融合，人群密度估计模块中，利用网络处理后得到的密度特征图送入自适应模块进行处理。
优选的，所述事件预警模块对自适应模块分析出的结果及时预警输出。
优选的，所述事件存储模块对事件预警模块分析出的结果，会将分析出的达到预警等级的视频数据进行存储到系统中去，同时，对分析的结果可以进行人工比对，若有误判情况，比对后，系统自动将其加入样本数据库，进行优化系统模型。
优选的，在所述目标检测模块中，利用卷积神经网络处理后得到的特征图，进入自适应模块进行进一步处理。
本发明还公开了一种基于AI技术的自适应人群密度估计装置的人群密度估计算法系统，具体包括以下步骤为：
S1、利用视频数据采集模块，将得到的视频数据给目标检测模块、人群密度估计模块和自适应模块；
S2、在目标检测模块中，对于稀疏人群且人流量很少时，使用anchor-free的目标方法，将输入图像经过卷积神经网络后，生成关键点的热度图，生成的热度图的每个峰值预测目标边界框的高和宽；
S3、在人群密度估计模块，当人流量比较密集，使用人群密度估计算法，生成人群密度图，统计密度图结果得出人群数量；
S4、将目标检测模块得出的特征图结果和人群密度估计模块得出的特征结果通过自适应模块进行融合分析，得出最终的人群密度结果；
S5、对分析出的人群密度结果进行处理分析，若分析结果达到报警阈值，则及时通过事件预警模块进行预警，同时将对应的事件视频数据及时存储到事件存储模块中。
(三)有益效果
本发明提供了一种基于AI技术的自适应人群密度估计装置。与现有技术相比具备以下有益效果：
(1)、该基于AI技术的自适应人群密度估计装置，包括视频数据采集模块、目标检测模块、人群密度估计模块、自适应模块、事件预警模块、事件存储模块和事件分析模块，可实现通过采用基于AI技术的自适应人群密度估计装置，无论在人群密集还是稀疏的场景下都可以准确计算出人群密度，分析速度快，利用anchor-free深度学习目标检测算法模块、人群密度估计模块，使得推理时间达到实时。
(2)、该基于AI技术的自适应人群密度估计装置，准确性高、鲁棒性强，基于深度学习算法和采集的大量样本数据，并通过数据增广技术，使得系统不仅泛化能力强、鲁棒性强，同时检测准确率高。
(3)、该基于AI技术的自适应人群密度估计装置，系统稳定性强，系统运行在服务器资源，并有防宕机、备份机制以及自启动机制，保证系统稳定运行及数据安全。
附图说明
图1为本发明实施例提供的系统框图；
图2为本发明实施例提供的目标检测模块和人群密度估计模块方法流程图；
图3为本发明实施例提供的自适应模块方法流程图。
图中，101视频数据采集模块、102目标检测模块、103人群密度估计模块、104自适应模块、105事件预警模块、106事件存储模块。
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，所描述的实施例仅仅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。
请参阅图1-3，本发明实施例提供一种技术方案：一种基于AI技术的自适应人群密度估计装置，包括视频数据采集模块101、目标检测模块102、人群密度估计模块103、自适应模块104、事件预警模块105、事件存储模块106和事件分析模块。
视频数据采集模块101用于采集监控场景下的实时图像画面。
目标检测模块102用于对检测采集到的视频数据中的目标及其位置并对其进行人群数量进行统计，目标检测模块102接收来自视频数据采集模块101的数据后，对得到的图像数据统一先进行预处理操作，然后将处理后的图片利用卷积神经网络处理得到结果，对结果处理分析即可得到人群数量，在目标检测模块102中，利用卷积神经网络处理后得到的特征图，进入自适应模块104进行进一步处理。
人群密度估计模块103利用采集到的实时图像数据进行密度图分析统计，计算出人群数量，人群密度估计模块103接收来自视频数据采集模块101的实时视频数据，需要先对数据进行预处理操作主要是减均值，除标准差以及标签的处理，对预处理后的数据利用resnet50网络提取特征后得到输出密度图，对得到的密度图处理即可得出人群数量，为了在自适应模块104中进行融合，人群密度估计模块103中，利用网络处理后得到的密度特征图送入自适应模块104进行处理。
在现有的密度估计方法中，在密集场景下的效果都可以达到良好的效果，而在实际应用场景中，并不是一直是密集场景的情况，不同时间段，也会有很多时间在该场景下人群数量会很稀疏，典型的如车站、售票厅等场景在节假日、假期时人流量就会很大，而在工作日、凌晨等时段则会很稀疏。为了解决在这种实际场景下的问题，本发明使用了自适应模块104，自适应模块104用于将目标检测模块102和人群密度估计模块103进行自适应融合的方式来处理，可以解决无论在密集场景下的人群密度，还是稀疏人群，系统都可以准确的估计出人群密度结果。
事件预警模块105用于对分析出的异常事件进行输出预警，事件预警模块105对自适应模块104分析出的结果及时预警输出。
事件存储模块106用于将分析出的事件视频进行及时存储，事件存储模块106对事件预警模块105分析出的结果，会将分析出的达到预警等级的视频数据进行存储到系统中去，同时，对分析的结果可以进行人工比对，若有误判情况，比对后，系统自动将其加入样本数据库，进行优化系统模型，从而不断更新系统泛化能力和鲁棒性，提高准确性。
本发明中，事件分析模块用于对得到的人群密度数据进一步分析，判断是否有异常情况，如人群密度过大存在安全隐患等。
本发明还公开了一种基于AI技术的自适应人群密度估计装置的人群密度估计算法系统，具体包括以下步骤为：
S1、利用视频数据采集模块101，将得到的视频数据给目标检测模块102、人群密度估计模块103和自适应模块104；
S2、在目标检测模块102中，对于稀疏人群且人流量很少时，直接使用人群密度算法鲁棒性差，预测准确性较差，而此时更适合使用目标检测的方法，使用anchor-free的目标方法，将输入图像经过卷积神经网络后，生成关键点的热度图，生成的热度图的每个峰值预测目标边界框的高和宽，利用这中以中心点来预测目标的anchor-free目标检测方法，无需提前设置anchor以及nms过程，大大减少了超参数的配置，不仅准确度高而且可以实时处理；
S3、在人群密度估计模块103，当人流量比较密集，使用人群密度估计算法，生成人群密度图，统计密度图结果得出人群数量；
S4、将目标检测模块102得出的特征图结果和人群密度估计模块103得出的特征结果通过自适应模块104进行融合分析，得出最终的人群密度结果；
S5、对分析出的人群密度结果进行处理分析，若分析结果达到报警阈值，则及时通过事件预警模块105进行预警，同时将对应的事件视频数据及时存储到事件存储模块106中。
如图2所示是目标检测模块102和人群密度估计模块103方法流程，具体的实现模块如下：
模块201：对得到的视频监控数据，分别输入到目标检测模块102和人群姿态估计模块进行处理；
模块202：对输入的图片数据进行预处理操作，在目标检测和人群姿态估计模块中预处理流程基本一致，主要是需要对图片进行归一化操作，训练阶段需要利用高斯核来生成标签的热力图，目标检测中，令I∈RW*H*3为输入图像，宽为W，高为H，目标是生成关键点热力图
其中R是输出步长，默认使用R＝4，C为类别数量，
表示检测到的关键点，
表示背景，将关键点通过高斯核分散到热度图上；在密度估计中，则是直接对人头关键点进行高斯处理，使其分散到热度图上；
模块203：在目标检测模块102中，卷积神经网络使用resnet、DLA等特征提取网络，得到目标关键点的特征图；同时，在人群密度估计模块103中，同样利用卷积神经网络对输入数据进行特征提取，得到对应的密度特征图，需要注意的是，需要对将输出的密度图点乘放大因子，这将有利于模型收敛；
模块204：该模块主要是负责收集来自目标检测模块102最终得出的热度图，以及人群密度估计模块103得出的密度特征图，并将其准备作为自适应模块104的输入。
如图3所示是自适应模块104方法流程,具体的实现模块如下：
模块301、302：分别代表目标检测模块102得到的特征图结果和人群密度估计模块103得出的特征图结果；
模块303：因为来自两个模块的特征图大小以及通道数会有不同，因此该模块主要先利用1*1卷积调整特征图通道数，使其一致，再用插值方式将特征图resize到相同大小；
模块304：为解决实际场景中单纯的密度模型在稀疏场景下精度不准的问题，以及在密集场景下，使用单一目标检测效果不佳的状况，该模块自适应融合目标检测和密度估计，对两者特征进行融合；具体处理利用公式：
y＝αF目标检测+βF密度估计
因为在模块304之前，F目标检测目标检测特征图与F密度估计密度估计特征图已经统一到相同大小，因此可以直接相加；对于权重参数α和β，利用resize后的特征图经过1*1卷积得到，并且参数α、β利用concat之后通过softmax使得他们的范围都在[0,1]内，并且和为1：
模块305对融合后得结果进行统计，得出最终人群密度估计。
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于AI技术的自适应人群密度估计装置，其特征在于：包括视频数据采集模块(101)、目标检测模块(102)、人群密度估计模块(103)、自适应模块(104)、事件预警模块(105)、事件存储模块(106)和事件分析模块；
所述视频数据采集模块(101)用于采集监控场景下的实时图像画面；
所述目标检测模块(102)用于对检测采集到的视频数据中的目标及其位置并对其进行人群数量进行统计；
所述人群密度估计模块(103)利用采集到的实时图像数据进行密度图分析统计，计算出人群数量；
所述自适应模块(104)用于将目标检测模块(102)和人群密度估计模块(103)进行自适应融合的方式来处理；
所述事件预警模块(105)用于对分析出的异常事件进行输出预警；
所述事件存储模块(106)用于将分析出的事件视频进行及时存储。
2.根据权利要求1所述的一种基于AI技术的自适应人群密度估计装置，其特征在于：所述事件分析模块用于对得到的人群密度数据进一步分析，判断是否有异常情况。
3.根据权利要求1所述的一种基于AI技术的自适应人群密度估计装置，其特征在于：所述目标检测模块(102)接收来自视频数据采集模块(101)的数据后，对得到的图像数据统一先进行预处理操作，然后将处理后的图片利用卷积神经网络处理得到结果，对结果处理分析即可得到人群数量。
4.根据权利要求1所述的一种基于AI技术的自适应人群密度估计装置，其特征在于：所述人群密度估计模块(103)接收来自视频数据采集模块(101)的实时视频数据，需要先对数据进行预处理操作主要是减均值，除标准差以及标签的处理，对预处理后的数据利用resnet50网络提取特征后得到输出密度图，对得到的密度图处理即可得出人群数量，为了在自适应模块(104)中进行融合，人群密度估计模块(103)中，利用网络处理后得到的密度特征图送入自适应模块(104)进行处理。
5.根据权利要求1所述的一种基于AI技术的自适应人群密度估计装置，其特征在于：所述事件预警模块(105)对自适应模块(104)分析出的结果及时预警输出。
6.根据权利要求1所述的一种基于AI技术的自适应人群密度估计装置，其特征在于：所述事件存储模块(106)对事件预警模块(105)分析出的结果，会将分析出的达到预警等级的视频数据进行存储到系统中去，同时，对分析的结果可以进行人工比对，若有误判情况，比对后，系统自动将其加入样本数据库，进行优化系统模型。
7.根据权利要求3所述的一种基于AI技术的自适应人群密度估计装置，其特征在于：在所述目标检测模块(102)中，利用卷积神经网络处理后得到的特征图，进入自适应模块(104)进行进一步处理。
8.一种如权利要求1-7任意一项所述基于AI技术的自适应人群密度估计装置的人群密度估计算法系统，其特征在于：具体包括以下步骤为：
S1、利用视频数据采集模块(101)，将得到的视频数据给目标检测模块(102)、人群密度估计模块(103)和自适应模块(104)；
S2、在目标检测模块(102)中，对于稀疏人群且人流量很少时，使用anchor-free的目标方法，将输入图像经过卷积神经网络后，生成关键点的热度图，生成的热度图的每个峰值预测目标边界框的高和宽；
S3、在人群密度估计模块(103)，当人流量比较密集，使用人群密度估计算法，生成人群密度图，统计密度图结果得出人群数量；
S4、将目标检测模块(102)得出的特征图结果和人群密度估计模块(103)得出的特征结果通过自适应模块(104)进行融合分析，得出最终的人群密度结果；
S5、对分析出的人群密度结果进行处理分析，若分析结果达到报警阈值，则及时通过事件预警模块(105)进行预警，同时将对应的事件视频数据及时存储到事件存储模块(106)中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010638776.1A CN111767881A (zh) | 2020-07-06 | 2020-07-06 | 一种基于ai技术的自适应人群密度估计装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010638776.1A CN111767881A (zh) | 2020-07-06 | 2020-07-06 | 一种基于ai技术的自适应人群密度估计装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111767881A true CN111767881A (zh) | 2020-10-13 |
Family
ID=72724533
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010638776.1A Pending CN111767881A (zh) | 2020-07-06 | 2020-07-06 | 一种基于ai技术的自适应人群密度估计装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111767881A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112580443A (zh) * | 2020-12-02 | 2021-03-30 | 燕山大学 | 基于嵌入式设备改进CenterNet的行人检测方法 |
| CN112783941A (zh) * | 2021-01-07 | 2021-05-11 | 合肥工业大学 | 一种大规模群体聚集事件的实时检测方法 |
| CN114627560A (zh) * | 2022-05-13 | 2022-06-14 | 浙江大华技术股份有限公司 | 一种动作识别方法、动作识别模型训练方法及相关装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102136060A (zh) * | 2011-03-03 | 2011-07-27 | 苏州市慧视通讯科技有限公司 | 一种群体密度检测方法 |
| US20150014526A1 (en) * | 2010-01-19 | 2015-01-15 | Rapiscan Systems, Inc. | Method of Electron Beam Transport in an X-Ray Scanner |
| CN107066963A (zh) * | 2017-04-11 | 2017-08-18 | 福州大学 | 一种自适应人群计数方法 |
| CN108717528A (zh) * | 2018-05-15 | 2018-10-30 | 苏州平江历史街区保护整治有限责任公司 | 一种基于深度网络的多策略全局人群分析方法 |
| CN108960404A (zh) * | 2017-05-22 | 2018-12-07 | 浙江宇视科技有限公司 | 一种基于图像的人群计数方法及设备 |
| CN109657625A (zh) * | 2018-12-23 | 2019-04-19 | 广东腾晟信息科技有限公司 | 一种人群密度估计的识别及预警方法 |
| CN110321869A (zh) * | 2019-07-10 | 2019-10-11 | 应急管理部天津消防研究所 | 基于多尺度融合网络的人员检测和提取方法 |
| CN110618635A (zh) * | 2019-10-08 | 2019-12-27 | 中兴飞流信息科技有限公司 | 一种基于ai技术的列车驾驶室作业规范监测系统 |
| CN110942015A (zh) * | 2019-11-22 | 2020-03-31 | 上海应用技术大学 | 人群密度估计方法 |
| CN111160108A (zh) * | 2019-12-06 | 2020-05-15 | 华侨大学 | 一种无锚点的人脸检测方法及系统 |
-
2020
- 2020-07-06 CN CN202010638776.1A patent/CN111767881A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150014526A1 (en) * | 2010-01-19 | 2015-01-15 | Rapiscan Systems, Inc. | Method of Electron Beam Transport in an X-Ray Scanner |
| CN102136060A (zh) * | 2011-03-03 | 2011-07-27 | 苏州市慧视通讯科技有限公司 | 一种群体密度检测方法 |
| CN107066963A (zh) * | 2017-04-11 | 2017-08-18 | 福州大学 | 一种自适应人群计数方法 |
| CN108960404A (zh) * | 2017-05-22 | 2018-12-07 | 浙江宇视科技有限公司 | 一种基于图像的人群计数方法及设备 |
| CN108717528A (zh) * | 2018-05-15 | 2018-10-30 | 苏州平江历史街区保护整治有限责任公司 | 一种基于深度网络的多策略全局人群分析方法 |
| CN109657625A (zh) * | 2018-12-23 | 2019-04-19 | 广东腾晟信息科技有限公司 | 一种人群密度估计的识别及预警方法 |
| CN110321869A (zh) * | 2019-07-10 | 2019-10-11 | 应急管理部天津消防研究所 | 基于多尺度融合网络的人员检测和提取方法 |
| CN110618635A (zh) * | 2019-10-08 | 2019-12-27 | 中兴飞流信息科技有限公司 | 一种基于ai技术的列车驾驶室作业规范监测系统 |
| CN110942015A (zh) * | 2019-11-22 | 2020-03-31 | 上海应用技术大学 | 人群密度估计方法 |
| CN111160108A (zh) * | 2019-12-06 | 2020-05-15 | 华侨大学 | 一种无锚点的人脸检测方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| JIANG LIU等: "DecideNet: Counting Varying Density Crowds Through Attention Guided Detection and Density Estimation", 《CVPR 2018》, pages 5197 - 5206 * |
| MINGLIANG XU等: "Depth Information Guided Crowd Counting for Complex Crowd Scenes", 《ARXIV:1803.02256V2》, pages 1 - 9 * |
| 徐扬: "基于深度学习的行人遮挡检测研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 2020, pages 138 - 148 * |
| 王新雨等: "基于深度学习的密集人群安全监测系统", 《物联网技术 》, vol. 9, no. 11, pages 8 - 12 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112580443A (zh) * | 2020-12-02 | 2021-03-30 | 燕山大学 | 基于嵌入式设备改进CenterNet的行人检测方法 |
| CN112580443B (zh) * | 2020-12-02 | 2022-03-15 | 燕山大学 | 基于嵌入式设备改进CenterNet的行人检测方法 |
| CN112783941A (zh) * | 2021-01-07 | 2021-05-11 | 合肥工业大学 | 一种大规模群体聚集事件的实时检测方法 |
| CN114627560A (zh) * | 2022-05-13 | 2022-06-14 | 浙江大华技术股份有限公司 | 一种动作识别方法、动作识别模型训练方法及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aboah | A vision-based system for traffic anomaly detection using deep learning and decision trees | |
| CN110428522B (zh) | 一种智慧新城的智能安防系统 | |
| US9852342B2 (en) | Surveillance system | |
| CN110348312A (zh) | 一种区域视频人体动作行为实时识别方法 | |
| CN110738127A (zh) | 基于无监督深度学习神经网络算法的安全帽识别方法 | |
| CN111767881A (zh) | 一种基于ai技术的自适应人群密度估计装置 | |
| CN113963301A (zh) | 一种时空特征融合的视频火灾烟雾探测方法及系统 | |
| CN112434566B (zh) | 客流统计方法、装置、电子设备及存储介质 | |
| KR102391853B1 (ko) | 영상 정보 처리 시스템 및 방법 | |
| CN111402298A (zh) | 基于目标检测与轨迹分析的粮库视频数据压缩方法 | |
| Vijayan et al. | A fully residual convolutional neural network for background subtraction | |
| CN115691034A (zh) | 一种智能家居异常情况告警方法、系统及存储介质 | |
| CN115294519A (zh) | 一种基于轻量化网络的异常事件检测及预警方法 | |
| CN113822155A (zh) | 一种聚类辅助的弱监督视频异常检测方法和装置 | |
| CN113255697B (zh) | 复杂场景下的高精度高空抛物检测系统及方法 | |
| CN113920585A (zh) | 行为识别方法及装置、设备和存储介质 | |
| CN113627383A (zh) | 一种用于全景智能安防的行人徘徊重识别方法 | |
| CN117197726B (zh) | 一种重点人员精准化管控系统及方法 | |
| CN113255549A (zh) | 一种狼群围猎行为状态智能识别方法及系统 | |
| CN111160150A (zh) | 基于深度残差神经网络卷积的视频监控人群行为的识别方法 | |
| CN111639585A (zh) | 一种自适应人群计数系统及自适应人群计数方法 | |
| CN106874885A (zh) | 一种基于能级分布变化的人群异常检测方法 | |
| CN116778460A (zh) | 一种基于图像识别的疲劳驾驶识别方法 | |
| CN109670470B (zh) | 行人关系识别方法、装置、系统及电子设备 | |
| Prezioso et al. | Integrating Object Detection and Advanced Analytics for Smart City Crowd Management |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201013 |