一种流量统计方法、装置及系统与流程

本发明涉及大数据技术领域，尤其是涉及一种流量统计方法、装置及系统。

背景技术：

随着我国经济的发展和人们生活水平的提高，人们的生活逐渐拉近了，而生活距离的拉近就需要依赖良好的交通。现在不仅是一线城市，即使是四五线城市，也经常会发生严重交通拥堵的现象，为了解决这一问题，会需要对各路段的人流量及车流量进行统计。

但是目前对某一路段进行人流量或者车流量统计的时候，仅能够统计出来某一路段在一段时间内有多少行人和车辆通过，而无法针对具有相同特征的行人或者车辆进行准确的统计，例如：某一类型车辆的通过流量或者女性行人的通过流量等。

技术实现要素：

有鉴于此，本发明的目的在于提供一种流量统计方法、装置及系统，利用视频结构化技术在视频和图像中检测感兴趣目标，主要包括行人、车辆。根据识别的机动车唯一标识、唯一人脸标识和唯一行人标识，实时统计人流量和车流量，可以缓解现有技术中存在的无法针对具有相同特征的行人或者车辆进行准确的统计的技术问题。

第一方面，本发明实施例提供了一种流量统计方法，其中，应用于服务器端，包括：

接收待进行流量统计的感兴趣特征的目标特征信息；

在预设存储区域内查找特征描述信息与所述目标特征信息相匹配的特征图，所述预设存储区域内的特征描述信息是对终端发送的最优图像中的特征图进行结构化处理后得到的；

统计查找到的特征描述信息所对应的特征图的数量，得到感兴趣特征的流量统计结果。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述方法还包括：

接收终端发送的最优图像，所述最优图像为所述终端采集的视频流中满足预设质量要求的图像；

在最优图像中检测感兴趣特征，得到包含感兴趣特征的特征图；

对特征图进行视频结构化处理，得到特征图的特征描述信息。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述对特征图进行视频结构化处理，得到特征图的特征描述信息，包括：

将所述特征图输入多个用于识别不同感兴趣特征的预设神经网络模型中，得到特征图的特征描述信息。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述预设神经网络模型包括：分类神经网络模型，所述分类神经网络模型包括：池化层、损失层、包含激活函数的全连接层和包含激活函数的卷积层。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述在预设存储区域内查找特征描述信息与所述目标特征信息相匹配的特征图，包括：

在预设存储区域内，查找与所述目标特征信息匹配的特征描述信息；

按照预设特征描述信息与特征图之间的对应关系，确定与特征描述信息对应的特征图。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述特征描述信息包括：行人的年龄段、穿戴信息、动作信息、人脸信息、车辆的型号、颜色和车牌中的一种或多种。

第二方面，本发明实施例还提供一种流量统计装置，包括：

接收模块，用于接收待进行流量统计的感兴趣特征的目标特征信息；

查找模块，用于在预设存储区域内查找特征描述信息与所述目标特征信息相匹配的特征图，所述预设存储区域内的特征描述信息是对终端发送的最优图像中的特征图进行结构化处理后得到的；

统计模块，用于统计查找到的特征描述信息所对应的特征图的数量，得到感兴趣特征的流量统计结果。

第三方面，本发明实施例还提供一种流量统计系统，所述系统包括如第一方面任一所述的服务器和终端。

第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现第一方面所述的方法。

第四方面，本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，其中，所述程序代码使所述处理器执行第一方面所述方法。

本发明实施例带来了以下有益效果：本发明通过接收待进行流量统计的感兴趣特征的目标特征信息，且在预设存储区域内查找特征描述信息与所述目标特征信息相匹配的特征图，所述预设存储区域内的特征描述信息是对终端发送的最优图像中的特征图进行结构化处理后得到的，可以确定具有相同特征描述信息的目标；然后统计查找到的特征描述信息所对应的特征图的数量，得到感兴趣特征的流量统计结果。

本发明实施例能够根据感兴趣特征的目标特征信息，在预设存储区域内查找与待进行流量统计的感兴趣特征的目标特征信息匹配的特征描述信息，进而找到与特征描述信息对应的特征图，即可以查找到具有相同目标特征信息的特征图，实现基于目标特征信息对特征图的检索，而且，再对查找到的具有相同目标特征信息的特征图进行统计，得到特征图的数量，实现对具有相同目标特征信息的特征图进行准确的统计，进而实现对感兴趣特征的流量统计。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种流量统计方法的流程图；

图2为图1中步骤s102的流程图；

图3为本发明实施例提供的一种预设神经网络模型的结构图；

图4为本发明实施例提供的一种流量统计装置的结构图；

图5为本发明实施例提供的一种流量统计系统的结构图。

图标：31-池化层；32-损失层；33-包含激活函数的全连接层；34-包含激活函数的卷积层；41-接收模块；42-查找模块；43-统计模块；51-服务器；52-终端。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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。

目前现有技术对某一路段进行人流量或者车流量统计的时候，仅能够统计出来某一路段在一段时间内有多少行人和车辆通过，而无法针对具有相同特征的行人或者车辆进行准确的统计，且在实时统计人流量和车流量的问题上，一直没有一个好的方法，虽然市面上有很多中全自动的统计仪器，但是在统计行人和车辆方面，不但能识别的车型比较少，而且只能采取简单的抽样测试，不能做到实时检测。目前的视频车流量统计系统是先通过普通的摄像头把路况记录下来，传输给中心服务器，中心服务器在需要统计车流量时，会选取大约十到二十分钟的录像，然后进行计算处理，因为录像占用带宽比较大，而中心服务器也只有一个，在视频量很大的情况下无法做到实时计算车流量，所以只能采取统计一小段时间的视频里的车流量，以这种抽样的方式计算车流量和人流量。

基于此，本发明实施例提供的一种流量统计方法、装置及系统，利用先进的机器学习技术，让该套设备具有识别人和车的功能，甚至可以识别人的年龄、穿戴、动作、人脸和车的型号、颜色、车牌等，通过这项技术可以做到实时统计人流量和车流量。先对特征图进行结构化处理，得到特征描述信息，再根据特征描述信息查找与所述目标特征信息相匹配的特征图，即查找得到相同特征的行人或车辆，再对所述行人或车辆进行统计，得到行人流量或者车辆流量，从而解决了现有技术中无法针对具有相同特征的行人或车辆进行准确的统计的问题。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种流量统计方法进行详细介绍，如图1所示，所述流量统计方法可以应用于服务器端，所述方法可以包括如下步骤：

步骤s101，接收待进行流量统计的感兴趣特征的目标特征信息；

在本发明实施例中，所述感兴趣特征是指用户以感兴趣目标为准自定义设置的特征，所述目标特征信息是指与感兴趣特征相应的目标具体的特征信息，示例性的，若感兴趣目标为黑色suv车型的车辆，则将黑色suv车型的车辆作为统计对象，感兴趣特征包括：颜色，车型；与之对应的车辆的目标特征信息包括：黑色，suv车型。

在实际应用中，所述感兴趣目标除了可以是车辆，还可以是行人，示例性的，若感兴趣目标为黑色头发，戴眼镜，穿白色裙子的行人，所述感兴趣特征包括发色，是否戴眼镜及着装等，与之对应的行人的目标特征信息：黑色头发，戴眼镜，穿白色裙子。

步骤s102，在预设存储区域内查找特征描述信息与所述目标特征信息相匹配的特征图，所述预设存储区域内的特征描述信息是对终端发送的最优图像中的特征图进行结构化处理后得到的；

所述结构化属于二级结构化，是在一级结构化抓拍目标图的基础上进行详细属性分析，因为一级结构化具有择优去重操作，因此二级结构化所处理的对象是相对离散的抓拍图像，但是每个目标图像需要进行多维尺度分析，每种属性分析都需要相应的算法模型，算法模型可以采用分类网络，如深度网络vgg，resnet，googlenet，mobilenet，densenet等，但不限于此类网络，而且分析属性的种类和数量与业务强相关，通过相关业务的算法，得到具体的业务相关的数据如统计车流量时发现在不同的路段有两个同样车牌的车出现且在该时间差内该车辆不可能到达另外一个路段的情况下，那么就说明这两辆车有套牌的嫌疑。二级结构化在统计车辆时，可以统计出很多东西，包括但不限于车牌不为一、车牌和车不符等。

在本发明实施例中，如图2所示，步骤s102可以包括以下步骤：

步骤s201，在预设存储区域内，查找与所述目标特征信息匹配的特征描述信息；

所述预设区域根据需要可将图像按照编号及图像识别率、位置信息等其他相关信息，将特征图按照该编号对应的属性(如车的类型)进行分类存储，所述预设存储区域的个数与感兴趣目标的类别相关，若感兴趣目标有两类，分别是行人和车辆，它们的特征图分别存储在预设存储区域，示例性的，行人特征图存储在第一预设存储区域，车辆特征图存储在第二预设存储区域。分开存储的好处在于为单独统计某一类型的感兴趣目标时，提供便利。

步骤s202，按照预设特征描述信息与特征图之间的对应关系，确定与特征描述信息对应的特征图。

在本发明实施例中，所述特征描述信息可以包括：行人的年龄段、穿戴信息、动作信息、人脸信息、车辆的型号、颜色和车牌中的一种或多种。示例性的，年龄段：20-25岁，穿戴信息：条格上衣，白裤子。所述特征图是指只包含一种感兴趣目标的图像，所述预设特征描述信息与特征图之间的对应关系，即根据特征描述信息的具体划分对特征图的信息进行具体描述。示例性的，特征描述信息：行人的年龄段，已知年龄段划分为0-20，20-50,50-70,70-100四个阶段，根据年龄段的具体划分对特征图的年龄信息进行具体描述，能够确定与特征描述信息对应的特征图。

步骤s103，统计查找到的特征描述信息所对应的特征图的数量，得到感兴趣特征的流量统计结果。

在本发明实施例中，所述流量统计结果可以是行人的个数，也可以是车辆的个数，根据已确定的信息查找具有相同信息的特征图，特征图的个数即为流量统计结果。示例性的，自定义设置的感兴趣特征是短发、穿职业装、带眼镜、中年，统计具有以上感兴趣特征的特征图的个数，即可得到感兴趣特征的流量统计结果，能保证统计结果的准确性。

本发明实施例能够根据感兴趣特征的目标特征信息，在预设存储区域内查找与待进行流量统计的感兴趣特征的目标特征信息匹配的特征描述信息，进而找到与特征描述信息对应的特征图，即可以查找到具有相同目标特征信息的特征图，实现基于目标特征信息对特征图的检索，而且，再对查找到的具有相同目标特征信息的特征图进行统计，得到特征图的数量，实现对具有相同目标特征信息的特征图进行准确的统计，进而实现对感兴趣特征的流量统计。

在前述实施例的基础上，在本公开的又一实施例中，所述方法还可以包括：

接收终端发送的最优图像，所述最优图像为所述终端采集的视频流中满足预设质量要求的图像；

所述终端可以是摄像头等图像采集设备，所述预设质量要求可以包括：分辨率高于预设分辨率阈值、感兴趣目标在图像中的面积大于预设面积值、且姿态是正面。

在本发明实施例中，接收到的最优图像，可以提高数据的有效率，示例性的，若终端对感兴趣目标连续拍摄了3张图像，在这3张图像中，其中第一张图像中感兴趣目标的分辨率高，实际面积大和姿态是正面，第二张图像中感兴趣目标分辨率低，实际面积大且姿态是背面，第三张图像中感兴趣目标分辨率高，实际面积小且姿态是正面，对于这三张图像，服务器并不是全部接收，而是将最好的第一张图像接收过来，减少了视频流图像数据的传输，且提高了数据的有效率。

在最优图像中检测感兴趣特征，得到包含感兴趣特征的特征图；

所述感兴趣特征是指用户以感兴趣目标为准自定义设置的特征，特征图是只包含一个感兴趣目标具有的特征图；

在本发明实施例中，在最优图像中可以检测到多个具有感兴趣特征的感兴趣目标，示例性的，检测到的某张最优图像中有3个人和2辆车，其中1个人可以看到正脸，另外2个人都是背面，那么将得到5个特征图，其中，每个特征图都与感兴趣目标一一对应，统计感兴趣目标的个数也就是统计特征图的个数，为统计数据提供了方便。

对特征图进行视频结构化处理，得到特征图的特征描述信息。

所述特征图是指包含感兴趣特征的且特征描述信息未知的感兴趣目标的特征图；所述视频结构化处理是指将所述特征图输入多个用于识别不同感兴趣特征的预设神经网络模型中，得到特征图的特征描述信息。如图3所示，所述预设神经网络模型包括：分类神经网络模型，所述分类神经网络模型包括：池化层31、损失层32、包含激活函数的全连接层33和包含激活函数的卷积层34。

在本发明实施例中，首先需要设计需要计算的属性，包括但不限于车辆牌照、车的品牌、型号、颜色，以及人脸、穿着等。如果单独只依靠车牌对车辆进行分类，可能存在套牌的情况，所以不能只识别车牌,所以需要通过其他标志确定是否是同一辆车。如果只通过人脸识别对人进行分类，可能在有些情况下无法清楚拍到人脸，或者人脸可能在一些情况下，无法一直出现在镜头前，如有的犯罪分子可能会故意遮挡人脸,在这种情况下，识别穿着也是有必要的，并且对于警方跨镜头追捕犯罪嫌疑人也是很有帮助的，而且可能还存在一些商业价值。然后将需要计算的属性加载到神经网络服务器中，输入从智能摄像机传到中心的图像，对其进行识别，最终得到想要的数据。

通过将视频输入到神经网络中，识别出人或者车辆以及其相关属性的方式，统计人流量和车流量。根据行人和车辆的特征不同分别设置各自的预设神经网络模型，示例性的，将行人的特征图输入到预设神经网络模型，可以识别出该行人的各种特征描述信息，若将车辆的特征图输入到预设神经网络模型，可以识别出该车辆的各种特征描述信息，主要是将行人或车辆的特征描述信息分别进行分类，得到特征图的特征描述信息，方便统计具有感兴趣特征的特征图的个数。

在本发明的又一实施例中，如图4所示，还提供一种流量统计装置，包括：接收模块41、查找模块42和统计模块43。

接收模块41，用于接收待进行流量统计的感兴趣特征的目标特征信息；

查找模块42，用于在预设存储区域内查找特征描述信息与所述目标特征信息相匹配的特征图，所述预设存储区域内的特征描述信息是对终端发送的最优图像中的特征图进行结构化处理后得到的；

统计模块43，用于统计查找到的特征描述信息所对应的特征图的数量，得到感兴趣特征的流量统计结果。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

在本发明的又一实施例中，如图5所示，还提供一种流量统计系统，包括服务器51和终端52。

所述终端52的目的在于向服务器51发送最优图像，所述最优图像为所述终端采集的视频流中满足预设质量要求的图像。

在本发明实施例中，一级视频结构化(即智能抓拍)在终端进行，需要在输入视频流的连续帧中检测感兴趣目标，如车辆和行人，并对感兴趣目标进行跟踪、择优、去重等操作。跟踪操作步骤为从人或者车进入智能摄像机的拍摄范围，直到人或者车离开，摄像机会记录下每个人或车的轨迹(一秒25帧图像，可实现多目标跟踪。择优操作步骤为在获取终端52(如摄像头)发送的视频(一秒25帧图像)的同时，根据视频结构化算法给出的图像质量，始终保留拍摄效果最好的几张图像，直到车辆或行人离开摄像头的拍摄范围，将最好的一张图像上传到服务器。去重操作步骤为通过识别图像中的人或者车，为每个人或者车设置一个编号，并且将识别到的属性一起存放起来，并且在图中圈出感兴趣目标，即人或者车。如果有几个编号不同的人或者车，在同一张图中的质量最佳，那么就会去掉多余的图像，只保留这一张。

目前的智能摄像机不但能够抓拍到车辆，即使是在图像不太清楚的情况下，我们甚至可以识别出人脸的位置(随图像模糊程度，识别率会下降)，在一定条件下人脸的识别率可以达到99％以上，而识别行人则会更容易，目前的智能摄像机足以支持进行人流量的统计。

所述终端52的工作步骤可以是先采集视频流的连续帧图像，然后再从连续帧图像中利用检测技术检测出感兴趣目标，即进行人脸检测和/或行人检测和/或车辆检测，所采用的检测技术可以是现有的人脸检测技术和/或行人检测技术和/或车辆检测技术，对技术无限定要求；再对感兴趣目标进行跟踪，得到所述感兴趣目标的轨迹，之后再对所述轨迹进行记录，得到一组包含感兴趣目标的图像集；根据预设质量要求对所述图像集中的每张图像进行质量评估，保留质量最好的若干张图像，对若干张图像中不同的感兴趣目标分别设置一个编号，得到带有编号的感兴趣目标；最后若几个不同编号的感兴趣目标在同一张图像中的质量最佳，则去掉若干张图像中多余的图像，将最优图像上传至服务器，避免数据的冗余性，提高数据的利用率。终端抓拍到数据后，能及时对数据进行了一级结构化处理，并把最优图像发送给服务器，所以路况的实时性会非常好。又因为对数据的处理是从终端开始的，所以可以节省很大的带宽，并且降低服务器的存储压力。又因数据来源均来自实时的终端(如摄像头)，所以统计的准确性会更高。

本发明实施例所述系统并不局限上述实例，能够完成相同功能的实例均可作为本系统的组成部分。

在本发明的又一实施例中，还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现方法实施例所述的方法。

在本发明的又一实施例中，还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行方法实施例所述的方法。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本发明实施例所提供的流量统计方法、装置及系统的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。