确定人体数量的方法及装置的制造方法
【技术领域】
[0001]本公开涉及图像识别技术领域，尤其涉及一种确定人体数量的方法及装置。
【背景技术】
[0002]对于大型公众场合(例如，地铁站、商场等)，人流量的监测可以为管理人员提供关于人员疏散的预警信息，以确保公众场合的安全。相关技术基于人脸头像的检测对公众场合的人流量进行统计，当图像中的人脸较多时，会降低人脸检测的速度，并且，由于公众场合下人与人之间会存在相互遮挡的现象，致使人流量的检测率并不高。
【发明内容】
[0003]为克服相关技术中存在的问题，本公开实施例提供一种确定人体数量的方法及装置，用以提高人群流量估计的准确度。
[0004]根据本公开实施例的第一方面，提供一种确定人体数量的方法，包括:
[0005]根据已训练的卷积神经网络的输入维度对图像采集模块采集到的图像进行缩放处理，控制所述缩放处理后的图像的分辨率与所述卷积神经网络的输入维度相同；
[0006]将所述缩放处理后的图像输入至所述已训练的卷积神经网络中，所述已训练的卷积神经网络的各个卷积层和全连接层中的权值参数用于表示已训练的人体轮廓特征；
[0007]通过所述已训练的卷积神经网络提取所述缩放处理后的图像中的人体轮廓特征；
[0008]通过所述已训练的卷积神经网络对所述得到的人体轮廓特征进行回归计算，得到所述缩放处理后的图像上的人体数量。
[0009]在一实施例中，所述方法还可包括:
[0010]将包含有人体的设定数量的图像样本以及每一图像样本中所包含的人体数量输入至未训练的卷积神经网络，对所述未训练的卷积神经网络的卷积层和全连接层进行训练;
[0011]在确定所述卷积层和全连接层中各节点之间的连接的权重参数符合预设条件时，停止训练所述卷积神经网络，得到已训练的卷积神经网络。
[0012]在一实施例中，所述方法还可包括:
[0013]确定所述每一图像样本中的人体数量与所述每一图像样本中的实际人体数量之间的误差是否小于预设阈值；
[0014]当所述每一图像样本中的人体数量与所述每一图像样本中的实际人体数量之间的误差小于预设阈值时，确定所述卷积层和全连接层中各节点之间的连接的权重参数符合所述预设条件。
[0015]在一实施例中，所述方法还可包括:
[0016]确定所述图像中的实际人体数量；
[0017]计算所述实际人体数量与所述已训练的卷积神经网络得到的关于所述图像上的人体数量之间的误差；
[0018]根据所述误差确定是否需要对所述已训练的卷积神经网络的权值参数进行更新。
[0019]在一实施例中，所述方法还可包括:
[0020]当需要对所述已训练的卷积神经网络的权值参数进行更新时，向提供所述已训练的卷积神经网络的服务器获取更新后的所述卷积神经网络的权值参数。
[0021 ]在一实施例中，所述方法还可包括:
[0022]确定所述图像采集模块在设定时间段内采集图像的采集周期；
[0023]控制所述图像采集模块在所述采集周期从摄像装置获取所述图像；
[0024]在所述设定时间段内统计通过所述已训练的卷积神经网络得到的图像上的人体数量的总和；
[0025]根据所述人体数量的总和以及所述设定时间段对应的时间长度确定单位时间内的人群密度。
[0026]根据本公开实施例的第二方面，提供一种确定人体数量的装置，包括:
[0027]预处理模块，被配置为根据已训练的卷积神经网络的输入维度对图像采集模块采集到的图像进行缩放处理，控制所述缩放处理后的图像的分辨率与所述卷积神经网络的输入维度相同；
[0028]输入模块，被配置为将所述预处理模块缩放处理后的图像输入至所述已训练的卷积神经网络中，所述已训练的卷积神经网络的各个卷积层和全连接层中的权值参数用于表示已训练的人体轮廓特征；
[0029]特征提取模块，被配置为通过所述已训练的卷积神经网络提取所述输入模块输入的所述缩放处理后的图像中的人体轮廓特征；
[0030]回归计算模块，被配置为通过所述已训练的卷积神经网络对所述特征提取模块得到的人体轮廓特征进行回归计算，得到所述缩放处理后的图像上的人体数量。
[0031]在一实施例中，所述装置还可包括:
[0032]第一训练模块，被配置为将包含有人体的设定数量的图像样本以及每一图像样本中所包含的人体数量输入至未训练的所述卷积神经网络，对所述未训练的卷积神经网络的卷积层和全连接层进行训练；
[0033]第一控制模块，被配置为在确定所述第一训练模块训练得到所述卷积层和全连接层中各节点之间的连接的权重参数符合预设条件时，停止训练所述卷积神经网络，得到已训练的卷积神经网络。
[0034]在一实施例中，所述装置还可包括:
[0035]第一确定模块，被配置为确定所述每一图像样本中的人体数量与所述每一图像样本中的实际人体数量之间的误差是否小于预设阈值；
[0036]第二确定模块，被配置为当所述第一确定模块确定所述每一图像样本中的人体数量与所述每一图像样本中的实际人体数量之间的误差小于预设阈值时，确定所述卷积层和全连接层中各节点之间的连接的权重参数符合所述预设条件。
[0037]在一实施例中，所述装置还可包括:
[0038]第三确定模块，被配置为确定所述图像中的实际人体数量；
[0039]误差计算模块，被配置为计算所述第三确定模块确定的所述实际人体数量与所述回归计算模块通过所述已训练的卷积神经网络计算得到的关于所述图像上的人体数量之间的误差；
[0040]第四确定模块，被配置为根据所述误差计算模块计算得到的所述误差确定是否需要对所述已训练的卷积神经网络的权值参数进行更新。
[0041 ] 在一实施例中，所述装置还可包括:
[0042]获取模块，被配置为当所述第四确定模块确定需要对所述已训练的卷积神经网络的权值参数进行更新时，向提供所述已训练的卷积神经网络的服务器获取更新后的所述卷积神经网络的权值参数。
[0043]在一实施例中，所述装置还可包括:
[0044]第五确定模块，被配置为确定所述图像采集模块在设定时间段内采集图像的采集周期；
[0045]第二控制模块，被配置为控制所述图像采集模块在所述第五确定模块确定的所述采集周期从摄像装置获取所述图像；
[0046]统计模块，被配置为在所述设定时间段内统计通过所述已训练的卷积神经网络得到的第二控制模块控制所述图像采集模块采集的所述图像上的人体数量的总和；
[0047]第六确定模块，被配置为根据所述统计模块统计得到的所述人体数量的总和以及所述设定时间段对应的时间长度确定单位时间内的人群密度。
[0048]根据本公开实施例的第三方面，提供一种确定人体数量的装置，包括:
[0049]处理器；
[0050]用于存储处理器可执行指令的存储器；
[0051 ]其中，所述处理器被配置为:
[0052]根据已训练的卷积神经网络的输入维度对图像采集模块采集到的图像进行缩放处理，控制所述缩放处理后的图像的分辨率与所述卷积神经网络的输入维度相同；
[0053]将所述缩放处理后的图像输入至所述卷积神经网络中，所述卷积神经网络的各个卷积层和全连接层中的权值参数用于表示已训练的人体轮廓特征；
[0054]通过所述已训练的卷积神经网络提取所述缩放处理后的图像中的人体轮廓特征；
[0055]通过所述已训练的卷积神经网络对所述得到的人体轮廓特征进行回归计算，得到所述缩放处理后的图像上的人体数量。
[0056]本公开的实施例提供的技术方案可以包括以下有益效果:通过将缩放处理后的图像输入已训练的卷积神经网络，通过已训练的卷积神经网络得到关于图像上的人体数量，由于已训练的卷积神经网络的各个卷积层和全连接层中的权值参数用于表示已训练的人体轮廓特征，因此即使图像采集模块采集到的图像中会存在人与人之间相互遮挡的现象，也可以通过已训练的卷积神经网络中学习到缩放处理后的图像中的人体轮廓特征，通过缩放后的图像中的人体轮廓特征进行回归计算后能够准确地识别出缩放后的图像中的人体数量，从而对人流量的管理提供精确的预警。
[0057]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
【附图说明】