【技术实现步骤摘要】
人群计数模型的选择方法、装置、设备及其存储介质
本专利技术涉及监控领域，特别涉及一种人群计数模型的选择方法、装置、设备及其存储介质。
技术介绍
深度学习即深度神经网络是近年来研究和应用的热点之一。深度神经网络相比传统的神经网络，最大的区别是网络的层数加深，在获得更多数据的情况下同时具有更多的计算资源，从而获得了更好的效果。深度学习得以引起人们的广泛关注，依赖于3012年的ImageNet(一个用于视觉对象识别软件研究的大型可视化数据库)图像分类比赛中，由研究人员采用深度神经网络方法，获得了对于非深度学习方法取得压倒性优势。自3012年以来，深度学习方法在很多算法方面，比如在图像、语音、自然语言处理等领域均取得了突破性发展。在图像领域，对于图像分类任务，深度神经网络已经取得接近人眼的分辨力，同时在目标检测，图像的分割等任务已经能取得非常好的效果。从算法上来说，深度神经网络大致可以分为3个主要研究方向:第一种，深度卷积神经网络(CNN)，深度卷积神经网络主要用于图像处理领域，网络的主要构成单元就是卷积运算，卷积运算对于提取图像中...
【技术保护点】
1.一种人群计数模型的选择方法，其特征在于，包括：/n选取与第一摄像头的距离小于预定距离的至少两个第二摄像头；/n采用每个所述第二摄像头各自的人群计数模型分别对每个所述第二摄像头在预定时间段内拍摄的多张图像进行分析，得到对应每个所述第二摄像头的人数随时间变化的第一类曲线；/n对得到的所述第一类曲线求平均得到平均曲线；/n将多个人群计数模型中的每一个的第二类曲线分别与所述平均曲线进行匹配，得到每一个人群计数模型相对于所述平均曲线的时间匹配度；/n基于所述时间匹配度，从所述多个人群计数模型中选择适用于所述第一摄像头的人群计数模型；/n其中，所述人群计数模型的第二类曲线为采用该人...
【技术特征摘要】
1.一种人群计数模型的选择方法，其特征在于，包括：
选取与第一摄像头的距离小于预定距离的至少两个第二摄像头；
采用每个所述第二摄像头各自的人群计数模型分别对每个所述第二摄像头在预定时间段内拍摄的多张图像进行分析，得到对应每个所述第二摄像头的人数随时间变化的第一类曲线；
对得到的所述第一类曲线求平均得到平均曲线；
将多个人群计数模型中的每一个的第二类曲线分别与所述平均曲线进行匹配，得到每一个人群计数模型相对于所述平均曲线的时间匹配度；
基于所述时间匹配度，从所述多个人群计数模型中选择适用于所述第一摄像头的人群计数模型；
其中，所述人群计数模型的第二类曲线为采用该人群计数模型对所述第一摄像头在预定时间段内拍摄的图像进行分析后，得到的人数随时间的变化曲线。
2.根据权利要求1所述的选择方法，其特征在于，还包括：
将多个第二摄像头中的每一个的拍摄场景分别与第一摄像头的拍摄场景进行匹配，得到对应每一个第二摄像头的人群计数模型的空间匹配度，其中，所述多个第二摄像头与所述多个人群计数模型一一对应；并且
从所述多个人群计数模型中选择适用于所述第一摄像头的人群计数模型包括：
基于所述多个人群计数模型中每一个人群计数模型的时间匹配度和空间匹配度，选择适用于所述第一摄像头的人群计数模型。
3.根据权利要求2所述的选择方法，其特征在于，选择适用于所述第一摄像头的人群计数模型包括：
将每个所述人群计数模型的时间匹配度和空间匹配度相加，得到每个所述多个人群计数模型的总匹配度；
从所述多个人群计数模型的多个总匹配度中选取最大值，并将所述最大值所对应的人群计数模型选择为适用于所述第一摄像头的人群计数模型。
4.根据权利要求2所述的选择方法，其特征在于，选择适用于所述第一摄像头的人群计数模型包括：
将每个所述人群计数模型的时间匹配度和空间匹配度分别乘以加权值后相加，得到每个所述多个人群计数模型的总匹配度；
从所述多个人群计数模型的多个总匹配度中选取最大值，并将所述最大值所对应的人群计数模型选择为适用于所述第一摄像头的人群计数模型。
5.根据权利要求2所述的选择方法，其特征在于，选择适用于所述第一摄像头的人群计数模型包括：
将每个所述人群计数模型的时间匹配度和空间匹配度相加或者分别乘以加权值后相加，得到每个所述多个人群计数模型的总匹配度；
从所述多个人群计数模型的多个总匹配度中选取最大值；
判断所述最大值是否大于预定匹配度阈值；
如果所述判断的结果为大于匹配度阈值，则将所述最大值所对应的人群计数模型选择为适用于所述第一摄像头的人群计数模型；
如果所述判断的结果为小于匹配度阈值，则将通用计数模型作为适用于所述第一摄像头的人群计数模型，其中，所述通用计数模型为对所述多个第二摄像头拍摄的多张...
【专利技术属性】
技术研发人员：沙浩，戴依若，
申请(专利权)人：株式会社日立制作所，
类型：发明
国别省市：日本;JP
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。