，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
[0165]在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
[0166]在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是R0M、随机存取存储器(RAM)、CD-R0M、磁带、软盘和光数据存储设备等。
[0167]本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
[0168]应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
【主权项】
1.一种确定人体数量的方法，其特征在于，所述方法包括: 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； 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； 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； 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。2.根据权利要求1所述的方法，其特征在于，所述方法还包括: 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； 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。3.根据权利要求2所述的方法，其特征在于，所述方法还包括: 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； 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。4.根据权利要求1所述的方法，其特征在于，所述方法还包括: 确定所述图像中的实际人体数量； 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； 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。5.根据权利要求4所述的方法，其特征在于，所述方法还包括: 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卷积神经网络的权值参数。6.根据权利要求1所述的方法，其特征在于，所述方法还包括: 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； 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； 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； 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。7.一种确定人体数量的装置，其特征在于，所述装置包括: 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； 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； 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； 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。8.根据权利要求7所述的装置，其特征在于，所述装置还包括: 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； 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。9.根据权利要求8所述的装置，其特征在于，所述装置还包括: 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； 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。10.根据权利要求7所述的装置，其特征在于，所述装置还包括: 第三确定模块，被配置为确定所述图像中的实际人体数量； 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; 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。11.根据权利要求10所述的装置，其特征在于，所述装置还包括: 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。12.根据权利要求7所述的装置，其特征在于，所述装置还包括: 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； 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； 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； 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。13.一种确定人体数量的装置，其特征在于，所述装置包括: 处理器； 用于存储处理器可执行指令的存储器； 其中，所述处理器被配置为: 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； 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； 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； 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。
【专利摘要】本公开是关于一种确定人体数量的方法及装置。方法包括：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，控制缩放处理后的图像的分辨率与卷积神经网络的输入维度相同；将缩放处理后的图像输入至已训练的卷积神经网络中，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；通过已训练的卷积神经网络提取缩放处理后的图像中的人体轮廓特征；通过已训练的卷积神经网络对得到的人体轮廓特征进行回归计算，得到缩放处理后的图像上的人体数量。本公开技术方案可以通过卷积神经网络中学习到的人体轮廓的权值参数准确地识别出图像中的人体数量，从而对人流量的管理提供精确的预警。
【IPC分类】G06K9/00, G06K9/62
【公开号】CN105590094
【申请号】CN201510920993
【发明人】张涛, 汪平仄, 张胜凯
【申请人】小米科技有限责任公司
【公开日】2016年5月18日
【申请日】2015年12月11日