致密人群的人数预测方法、装置、设备以及存储介质与流程

本申请实施例涉及人工智能技术领域，尤其涉及一种致密人群的人数预测方法、装置、设备以及存储介质。

背景技术

随着经济的快速发展以及人口的增长，线下零售业、机场、地铁等公共区域的人流量越来越大，为了分析预测产品销售量、适用人群，以及对区域内人员拥堵等安全情况做出预警，人流量预测已经成为各个区域管理人员必需的基本手段之一。

目前提供了两种人数预测方法，一种是基于检测方法，主要检测人体头部和肩部，具体通过检测框个数得到人数。另外一种是直接回归预测人数，具体地，以整图或局部图片为基准，通过卷积神经网络(convolutionalneuralnetwork，cnn)网络后直接得到人数或者密度等级。

然而，针对致密人群，采用目前的方案预测人数均存在较大的误差，导致管理部门无法及时采取有效措施解决致密人群带来的问题，造成管理效率下降。

技术实现要素：

本申请实施例提供一种致密人群的人数预测方法、装置、设备以及存储介质，用于解决上述方案中针对致密人群，人数预测不准确的问题。

本申请第一方面提供一种致密人群的人数预测方法，包括：

根据热力图转换模型将待确定人数的第一图像转换成为对应的第一热力图；

根据所述第一热力图确定所述第一图像中的人数；

其中，所述热力图转换模型为根据预先标定的第二图像以及每个第二图像对应的热力图训练得到的模型。

可选的，在所述根据热力图转换模型将待确定人数的第一图像转换成为对应的第一热力图之前，所述方法还包括：

根据预先标定的第二图像以及每个第二图像对应的热力图，训练得到所述热力图转换模型；

其中，每个第二图像包括被标注为忽略的第一区域，所述第二图像对应热力图中不包括所述第一区域对应的热力图部分。

可选的，所述根据预先标定的第二图像以及每个第二图像对应的热力图，训练得到所述热力图转换模型，包括：

根据预先标定的第二图像以及每个第二图像对应的热力图获取热力图转换模型，并对第二图像进行变形处理后，对所述热力图转换模型进行训练，得到最终的热力图转换模型。

可选的，所述对第二图像进行变形处理，包括以下至少一种处理：

将每个第二图像按照预设比例进行缩放；

将每个第二图像按照预设比例进行放大；

将每个第二图像按照预设距离进行平移；

将每个第二图像按照预设角度进行旋转。

本申请实施例第二方面提供一种致密人群的人数预测装置，包括：

转换模块，用于根据热力图转换模型将待确定人数的第一图像转换成为对应的第一热力图；

获取模块，用于根据所述第一热力图确定所述第一图像中的人数；

其中，所述热力图转换模型为根据预先标定的第二图像以及每个第二图像对应的热力图训练得到的模型。

可选的，所述装置还包括：

训练模块，用于根据预先标定的第二图像以及每个第二图像对应的热力图，训练得到所述热力图转换模型；

其中，每个第二图像包括被标注为忽略的第一区域，所述第二图像对应热力图中不包括所述第一区域对应的热力图部分。

可选的，所述训练模块具体用于：

根据预先标定的第二图像以及每个第二图像对应的热力图获取热力图转换模型，并对第二图像进行变形处理后，对所述热力图转换模型进行训练，得到最终的热力图转换模型。

可选的，所述训练模块还用于：

将每个第二图像按照预设比例进行缩放；

将每个第二图像按照预设比例进行放大；

将每个第二图像按照预设距离进行平移；

将每个第二图像按照预设角度进行旋转。

本申请第三方面还提供一种电子设备，包括：发送器、接收器、处理器、存储器以及计算机程序；所述计算机程序存储在所述存储器中，所述处理器执行所述计算机程序实现第一方面任一实现方式提供的致密人群的人数预测方法。

本申请第四方面还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序用于实现第一方面任一实现方式提供的致密人群的人数预测方法。

本申请实施例提供的致密人群的人数预测方法、装置、设备和存储介质，根据热力图转换模型将待确定人数的第一图像转换成为对应的第一热力图，并根据该第一热力图确定该第一图像中的人数，其中，该热力图转换模型为根据预先标定的第二图像以及每个第二图像对应的热力图训练得到的模型，实现了对致密人群人数的预测，提高了致密人群的人数预测的准确度，同时提升了管理效率。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本申请实施例提供的致密人群的人数预测方法实施例一的流程图；

图2为本申请实施例提供的热力图的示意图；

图3为本申请实施例提供的致密人群的人数预测方法实施例二的流程图；

图4-a和图4-b为本申请实施例提供的第二图像以及对应的热力图的示意图；

图5为本申请实施例提供的致密人群的人数预测方法实施例三的流程图；

图6为本申请实施例提供的致密人群的人数预测装置实施例一的结构示意图；

图7为本申请实施例提供的致密人群的人数预测装置实施例二的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

目前提供的针对致密人群的人数预测方法，一种是基于检测方法，具体是主要检测人体头部和肩部，通过检测框个数得到人数。另外一种是直接回归预测人数，具体是以整图或局部图片为基准，通过卷积神经网络(convolutionalneuralnetwork，cnn)网络后直接得到人数或者密度等级。

第一种方法虽然在对较近的场景时预测效果较好，但是问题在于，当人物变得较小，特别是遮挡严重和密集时，性能上有比较明显的下降；第二种方法问题在于，预测结果存在较大的误差，并且因为缺少有效的监督信息，模型比较难学。因此采用当前的人数预测方法对预测结果均存在较大误差，无法准确预测人数，导致管理效率降低。

针对上述存在的问题，本申请提出一种致密人群的人数预测方法，采用训练好的热力图转换模型获取热力图，再根据该热力图确定人数，提高了致密人群人数预测的准确度，同时提高了管理效率，下面通过几个具体实施例对该方案进行详细说明。

图1为本申请实施例提供的致密人群的人数预测方法实施例一流程图，如图1所示，该方案的执行主体为电脑、平板电脑等电子设备，该致密人群的人数预测方法具体包括以下步骤：

s101、根据热力图转换模型将待确定人数的第一图像转换成为对应的第一热力图。

应理解，热力图是用不同颜色的区块实时描述人群分布的图示。图2为本申请实施例提供的热力图的示意图，参照图2，热力图能表示该区域的人群的疏密程度，图中的a区域可以表示人群拥挤，b区域可以表示人群稀疏，c区域可以表示人群密度一般。

该热力图转换模型可以为根据预先标定的第二图像以及每个第二图像对应的热力图训练获得的模型，具体地，该第二图像可以为任意一张包含人群的图像，则该预先标定的第二图像可以为对该第二图像进行标记后的图像，例如：根据主观判断人数疏密程度，将人群密集区域标定为第一区域，将人群稀疏区域标定为有效区域，需要说明的是，该有效区域的人数已知。

在该方案的具体实现中，对每个预先标定的第二图像生成对应的热力图，应理解，该预先标定的第二图像生成对应的热力图可以不包括第一区域，再对每个预先标定的第二图像和每个第二图像对应的热力图进行训练，使得该热力图统计的人数无限逼近该第二图像有效区域中的人数，从而获得该热力图转换模型。

在本步骤中，根据热力图转换模型将待确定人数的第一图像转换成为对应的第一热力图，其中，该第一图像可以为任意一张待确定人数的包含人群的图像，可选的，该第一图像可以为该第二图像。

s102、根据该第一热力图确定该第一图像中的人数。

在本步骤中，根据热力图转换模型将第一图像转换成对应的第一热力图，再根据该第一热力图确定该第一图像中的人数。

本实施例提供的致密人群的人数预测方法，根据热力图转换模型将待确定人数的第一图像转换成为对应的第一热力图，并根据该第一热力图确定该第一图像中的人数，其中，该热力图转换模型为根据预先标定的第二图像以及每个第二图像对应的热力图训练得到的模型，实现了对致密人群的人数预测，提高了致密人群的人数预测的准确度，同时提升了管理效率。

图3为本申请实施例提供的致密人群的人数预测实施例二的流程图，如图3所示，在上述实施例一的基础上，在该致密人群的人数预测方法的另一种实现方式中，具体包括以下步骤：

s201、根据预先标定的第二图像以及每个第二图像对应的热力图，训练得到热力图转换模型。

在本步骤中，该第二图像可以为任意一张包含人群的图像，可选的，将该第二图像标定为两个区域，在一种实现方式中，可以预设一个密度阈值，超过该预设密度阈值的区域标记为第一区域，由于人群密度过大，无法获知该第一区域人数，不超过该预设密度阈值的区域标记为有效区域，且该有效区域的人数已知。该第二图像生成对应的热力图，该热力图不包含该第一区域对应的热力图部分，即把该第一区域的热力图部分忽略。

下面对第二图像以及其对应的热力图进行具体说明。参考图4，图4为本申请实施例提供的第二图像以及对应的热力图的示意图：

假设图4-a为第二图像，在图4-a中，(1)区域为标定的第一区域，(2)区域则为标定的有效区域；图4-b为该第二图像对应的热力图，该第二图像对应的热力图可以为采用不同颜色的区块实时描述人群分布的图示，需要说明的是，这里的第二图像对应的热力图可以不包含每个第二图像中的第一区域对应的热力图部分，即图4-b的热力图为图4-a中(2)区域对应的热力图。

该方案的具体实现中，根据预先标定的第二图像以及每个第二图像对应的热力图，训练得到该热力图转换模型，可选的，根据每个第二图像的有效区域以及该有效区域对应的热力图，训练得到该热力图转换模型，具体地，由于每个第二图像的有效区域的人数是已知的，每个第二图像可以生成对应的热力图，通过训练使得每个图像对应的热力图统计的人数无限逼近对应的第二图像的有效区域的人数，从而获得了该热力图转换模型。

需要说明的是，该第二图像可以为任何场景下覆盖不同大小、位置场景的包含人群的图像，这些场景可以是地铁、机场、商场、教室等。

s202、根据该热力图转换模型将待确定人数的第一图像转换成为对应的第一热力图。

在本步骤中，第一图像可以为任意一张待确定人数的人群图像，可以将该第一图像作为该热力图转换模型的输入，获取该第一图像对应的第一热力图。

s203、根据该第一热力图确定该第一图像中的人数。

上述两个步骤s202和步骤s203与前述实施例一中的步骤s101和步骤s102的具体实现类似，可参考前述实施例一的方案，在此不再赘述。

本实施例提供的致密人群的人数预测方法，根据预先标定的第二图像以及每个第二图像对应的热力图，训练得到热力图转换模型，再根据热力图转换模型将待确定人数的第一图像转换成为对应的第一热力图，从而根据该第一热力图确定该第一图像中的人数，其中，每个第二图像包括被标注为忽略的第一区域，该第二图像对应热力图中不包括该第一区域对应的热力图部分，实现了对致密人群的人数预测，提高了致密人群的人数预测的准确度，同时提升了管理效率。

图5为本申请实施例提供的致密人群的人数预测方法实施例三的流程图，如图5所示，在上述实施例一、二的基础上，在该致密人群的人数预测方法的又一种实现方式中，具体包括以下步骤：

s301、根据预先标定的第二图像以及每个第二图像对应的热力图获取热力图转换模型，并对该第二图像进行变形处理后，对该热力图转换模型进行训练，得到最终的热力图转换模型。

在本步骤中，可以根据预先标定的第二图像以及每个第二图像对应的热力图，获取第一热力转换模型，接着对该第二图像进行变形处理获取第三图像，以每个第三图像作为该第一热力图转换模型的输入，获取该第三图像对应的热力图，通过训练使得每个第三图像对应的热力图统计的人数无限逼近每个第二图像有效区域的人数，从而获得了最终的热力图转换模型。

应当理解的是，每个第三图像对应的热力图统计的人数和对应的第二图像对应的热力图统计的人数可以是相同的，且该第三图像同样包括第一区域，该第三图像对应的热力图中不包括该第一区域对应的热力图部分。

可选的，对该第二图像变形处理，包括：

将每个第二图像按照预设比例进行缩放；和/或将每个第二图像按照预设比例进行放大；和/或将每个第二图像按照预设距离进行平移；和/或将每个第二图像按照预设角度进行旋转。

s302、根据该热力图转换模型将待确定人数的第一图像转换成为对应的第一热力图。

s303、根据该第一热力图确定该第一图像中的人数。

上述两个步骤s302和步骤s303与前述实施例一中的步骤s101和步骤s102、以及是实施例二中的步骤s202、s203的具体实现类似，可参考前述实施例一、实施例二的方案，在此不再赘述。

本实施例提供的致密人群的人数预测方法，根据预先标定的第二图像以及每个第二图像对应的热力图获取热力图转换模型，并对该第二图像进行变形处理后，对该热力图转换模型进行训练，得到最终的热力图转换模型，并根据热力图转换模型将待确定人数的第一图像转换成为对应的第一热力图，从而根据该第一热力图确定该第一图像中的人数，其中每个第二图像包括被标注为忽略的第一区域，该第二图像对应热力图中不包括该第一区域对应的热力图部分，实现了对致密人群的人数预测，提高了致密人群的人数预测的准确度。

图6为本申请实施例提供的致密人群的人数预测装置实施例一的结构示意图，如图6所示，本实施例提供的致密人群的人数预测装置10包括：

转换模块11，用于根据热力图转换模型将待确定人数的第一图像转换成为对应的第一热力图；

获取模块12，用于根据所述第一热力图确定所述第一图像中的人数；

其中，所述热力图转换模型为根据预先标定的第二图像以及每个第二图像对应的热力图训练得到的模型。

本实施例提供的致密人群的人数预测装置，用于实现前述任一方法实施例提供的致密人群的人数预测方法的技术方案，其实现原理和技术效果类似，此处不再赘述。

图7为本申请实施例提供的致密人群的人数预测装置实施例二的结构示意图，如图7所示，在上述模块实施例一的基础上，可选的，该致密人群的人数预测装置10还包括：

训练模块13，用于根据预先标定的第二图像以及每个第二图像对应的热力图，训练得到所述热力图转换模型；

其中，每个第二图像包括被标注为忽略的第一区域，所述第二图像对应热力图中不包括所述第一区域对应的热力图部分。

可选的，该训练模块13具体用于：

根据预先标定的第二图像以及每个第二图像对应的热力图获取热力图转换模型，并对第二图像进行变形处理后，对所述热力图转换模型进行训练，得到最终的热力图转换模型。

可选的，该训练模块13还用于：

将每个第二图像按照预设比例进行缩放；

将每个第二图像按照预设比例进行放大；

将每个第二图像按照预设距离进行平移；

将每个第二图像按照预设角度进行旋转。

本实施例提供的致密人群的人数预测装置，用于实现前述任一方法实施例提供的致密人群的人数预测方法的技术方案，其实现原理和技术效果类似，此处不再赘述。

本申请还提供一种电子设备，包括发送器、接收器、处理器、存储器以及计算机程序；所述计算机程序存储在所述存储器中，所述处理器执行所述计算机程序实现前述任一实施例提供的致密人群的人数预测方法。

本申请还提供一种存储介质，其特征在于，包括：可读存储介质和计算机指令，所述计算机指令存储在所述可读存储介质中；所述计算机指令用于实现前述任一例提供的致密人群的人数预测方法。

在上述控制设备的具体实现中，应理解，处理器可以是中央处理单元(英文：centralprocessingunit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digitalsignalprocessor，简称：dsp)、专用集成电路(英文：applicationspecificintegratedcircuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：只读存储器(英文：read-onlymemory，缩写：rom)、ram、快闪存储器、硬盘、固态硬盘、磁带(英文：magnetictape)、软盘(英文：floppydisk)、光盘(英文：opticaldisc)及其任意组合。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。