一种基于LSTM模型的人员计数方法及装置制造方法及图纸

本发明专利技术公开了一种基于LSTM模型的人员计数方法及装置，所述方法包括：对双路多束型主动红外入侵探测器装置的输出数据进行标注得到标注数据集；依据标注数据集划分模式数据集以及教师集；将模式数据集和教师集作为训练集输入到LSTM神经网络模型中进行训练获取分类模型；将双路多束型主动红外入侵探测器装置采集到的输出序列输入到分类模型得到人员进出的类别；根据分类模型的类别辨识结果进行室内人数的统计；本发明专利技术的优点在于：利用LSTM模型对双路多束型主动红外入侵探测器的输出序列进行处理，能够处理长期序列，并且解决了RNN的梯度消失问题。

【技术实现步骤摘要】
一种基于LSTM模型的人员计数方法及装置
本专利技术涉及人员计数领域，更具体涉及一种基于LSTM模型的人员计数方法及装置。
技术介绍
人员计数已成为近年来计算机研究的一个活跃领域，在计算机视觉领域，目前许多的国外学术机构都基于视频图像分析对人员图像的人员计数(估计)方法进行了研究。意大利热那亚大学提出了一种依靠精确的摄像机校准来估算密集环境下的人数情况的方法，该方法解决了人们在拥挤环境下的人员计数问题。近年来随着深度学习兴起的狂潮，英国金斯顿大学利用时域空间中感知卷积神经网络(CNN)的响应，提出了一种用于人们对固定摄像机视频序列的计数的有效方法。结果表明，计数估计的响应在时域中的融合可以进一步提高最终计数的准确性。前面所述的均为区域内人员计数，在某种情景下，只需通过检测某一边界区域就可实现人员的计数。Pore等人提出一种在视频监控中，通过应用HOG来寻找人，并且通过卡尔曼滤波器生成人的轨迹来检测和跟踪人员，以定向计算走过走廊或门的人数的方法。加拿大埃德蒙顿艾伯塔大学在单目视频分析应用中提出一种基于计算流体学的独特流入和流出计数(UIOC)的全新方法的组合，该方法能实现非线性回归量估算感兴趣区域ROI内的人数，以及短期内的ROI边界跟踪(与对象或特征跟踪相对)。在使用视频监控技术对人数进行统计的时候大都使用单一视图，但是单一视图不一定能够完全的监测到所在空间的每一个角落，虽然在同一空间中可以布置多个摄像头，但是对于多视图同步却是个难题。法国科学家提出了一个新的系统，用于计算人群场景中多相机多方位拍摄的情况。该系统融合所有单个视图前景信息以定位场景中存在的每个人。结果证明融合策略可以实时运行并且有效地进行数据关联，减少人数统计的误差。在国内，基于计算机视觉的人数统计方法也有很多。其中包括复杂场景下利用多种高效人员检测技术应对不同的人员姿势和分布情况，并有效综合多种人员检测方法，以实现在复杂环境下对人员的高可靠度检测和计数的方法和基于归一化前景和角点信息的人数统计方法，以及静态场景中，提出一种基于LabVIEW的视觉计数系统，运用投影法以及"矩"方法实现人员计数。目前现有的人群计数方法在应用于室内场景中可能会出现性能显着下降的情况，因为移动前景分割可能会导致静止人员丢失并且计数结果会因为被遮挡等情况而出现偏差。为了解决上述问题，罗军提出了一种室内场景的计数方法，不仅可以有效地计算移动人群，还可以计算静止人群。另外，针对多摄像机多方位拍摄情景下的人员计数，中国科学院也提出了一种新的双通框架，多个摄像机提供不同的主体视图，通过利用摄像机捕获的补充信息，可以在摄像机之间传递知识，以解决人数计算的困难并提高性能。以上提出的都是基于一些基于视频监控的方法。中国科学院设计了一种新颖的光学传感系统，直接从一个光场相机获取场景的深度图，光场感应系统可以计算穿过通道的人数，并在没有任何辅助照明设备的情况下记录快照的光线方向和强度。在非计算机视觉领域，大多数是基于传感器来实现人员的计数。瑞士提供了一种DevCnt系统，这是第一个以非侵入方式实时统计Wi-Fi智能手机数量的系统，同时通过设计保护智能手机用户的隐私。除了通过探测Wi-Fi信号来进行人员的定位或计数，还可以使用RFID或蓝牙来达到同样的效果，使用蓝牙低功耗(BLE)标记作为标签，设计了一种用于感知人群的架构，不过在实际操作中有一定的局限性，需要为进入建筑物的每个活动人员配备标签。雷达也广泛应用于人数统计，但常规雷达技术需要我们将不同组的测量数据与每个检测到的目标相关联，为了解决此问题，Bartoletti提出了一种无设备计数系统设计的数学框架。通过依赖于模型阶次选择，开发了用于通过宽带信号反向散射进行计数的最大后验算法。国内在这些方面也一直在努力，为了克服大多数使用无线信号的现有研究仅适用于人们不断移动的情况的限制,香港理工大学在Wi-Count系统中，采用COTSWi-Fi设备计算通过门口的人。它不仅可以检测经过的方向，而且可以在不调节通过行为和预先训练的计数模型的情况下识别同时经过的人数。通过模拟双向通过行为对Wi-Fi信号的相位差的影响来识别通过方向，利用增强的信号分离算法获得通过的人数。由于脉冲无线电超宽带(IR-UWB)雷达信号的叠加和阻碍，当前解决方案的性能在拥挤的环境中受到限制。北京邮电大学提出了一种基于曲波变换和距离的混合特征提取方法。实验结果表明，所提出的混合特征提取方法性能稳定，效果显著，最高精度达到97％以上。相较于其他技术，红外传感器以安装简便、价格低廉、保护隐私等优势被大多数人选择用于人员的检测或计数。大多数情况下，设计了红外传感器为信号采集单元，单片机为控制核心的人员计数系统，并研究其主要算法。在国内，使用CD4017和74HC153芯片组成控制模块，完成智能车辆计数，或在分析红外传感的基础上，采用信号处理专用集成芯片设计了基于红外传感器的放大电路，研究其在不同人体运动状态下的输出波形；国外方面，基于由一对单向PIR传感器组成的自持式超低功率传感器节点，开发了一种用于空间的人员计数系统，通过观察向内和向外PIR传感器之间的时间差，简单地区分运动的方向，其错误率仅有百分之一。由于单方向检测的不精确性，研究人员用多对正交对齐的PIR传感器均匀分布在八个方向上检测人体运动的相对方向，收集不同方向、不同距离和不同速度下的数据，实现了98％正确的运动方向检测。还有通过使用背景均值方法对传感器输出进行二值化，通过模式识别算法识别过往人员的数量及其移动方向，可以以95％以上的准确率检测200厘米宽门上的过客人数。另外Zappi还提出了一种特征提取和传感器融合技术，该技术利用一组配备有PIR传感器的无线节点来跟踪在走廊中移动的人。能够实现100％正确的运动方向检测83.49％-95.35％的距离间隔的正确检测。对于红外传感器输出序列的处理，传统的前馈神经网络的输出只依赖当前的输入，没有考虑不同时刻输入的相互影响，且输入和输出的维度都是固定的，没有考虑到序列结构长度的不固定性，针对此问题，提出一种循环神经网络(RecurrentNeuralNetwork,RNN)。RNN是一种对序列数据建模的神经网络，以序列数据为输入，在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络。但在1991年，SeppHochreiter发现了循环神经网络的长期依赖问题，即在对序列进行学习时，循环神经网络会出现梯度消失现象，无法掌握长时间跨度的非线性关系，不能处理长期序列。
技术实现思路
本专利技术所要解决的技术问题在于如何解决现有技术循环神经网络对红外传感器输出序列处理时会出现梯度消失现象，不能处理长期序列的问题。本专利技术通过以下技术手段实现解决上述技术问题的：一种基于LSTM模型的人员计数方法，所述方法包括：步骤一：对双路多束型主动红外入侵探测器装置的输出数据进行标注得到标注数据集；步骤二：依据标注数据集划分模式数据集以及教师集；步骤三：将模式数据集和教师集作为训练集输入到LSTM神经网络模型中进行训练获取分类模型；步骤本文档来自技高网...

【技术保护点】
1.一种基于LSTM模型的人员计数方法，其特征在于，所述方法包括：/n步骤一：对双路多束型主动红外入侵探测器装置的输出数据进行标注得到标注数据集；/n步骤二：依据标注数据集划分模式数据集以及教师集；/n步骤三：将模式数据集和教师集作为训练集输入到LSTM神经网络模型中进行训练获取分类模型；/n步骤四：将双路多束型主动红外入侵探测器装置采集到的输出序列输入到分类模型得到人员进出的类别；/n步骤五：根据分类模型的类别辨识结果进行室内人数的统计。/n

【技术特征摘要】
20200226 CN 20201011837341.一种基于LSTM模型的人员计数方法，其特征在于，所述方法包括：
步骤一：对双路多束型主动红外入侵探测器装置的输出数据进行标注得到标注数据集；
步骤二：依据标注数据集划分模式数据集以及教师集；
步骤三：将模式数据集和教师集作为训练集输入到LSTM神经网络模型中进行训练获取分类模型；
步骤四：将双路多束型主动红外入侵探测器装置采集到的输出序列输入到分类模型得到人员进出的类别；
步骤五：根据分类模型的类别辨识结果进行室内人数的统计。


2.根据权利要求1所述的一种基于LSTM模型的人员计数方法，其特征在于，所述步骤一包括：所述双路多束型主动红外入侵探测器装置的输出数据为sn表示在Tn时刻输出数据，xn表示在Tn时刻进口方向红外探测器的状态，yn表示在Tn时刻出口方向红外探测器的状态，所述标注数据集为B＝(b1,...,bn-1,bn)，bn表示在Tn时刻对输出数据S中sn所对应的人员进出状态标注，bn＝1表示有人进，bn＝2表示有人出，bn＝3表示同时有人进出，bn＝4表示无人进出，bn＝0表示当前时刻无法判定人员的进出情况。


3.根据权利要求2所述的一种基于LSTM模型的人员计数方法，其特征在于，所述步骤二包括：对标注数据集B进行遍历，当bn≠0时，说明当前时刻触发人员进出事件，以此时刻为分割节点，对装置输出数据S进行处理，得到模式数据集Xdata＝(X1,X2...Xm)，其中，为这段时间内第m次触发的人员进出事件对应的模式数据；对所述模式数据集进行标注得到教师集Ydata＝(Y1,Y2...Ym)，Ym为模式数据集Xdata中第m个进出事件Xm对应的进出情形的标注。


4.根据权利要求1所述的一种基于LSTM模型的人员计数方法，其特征在于，所述步骤三包括：所述LSTM神经网络模型包括LSTM层、全连接层以及分类层，LSTM神经网络模型的训练过程包括两个部分，前向过程和后向传播过程，前向过程中训练集经LSTM神经网络学习后得到输出序列，将此输出序列的最后一个时刻输出数据送入全连接层，全连接层将该输出序列映射成类别个数维度后送入分类层中，从而确定人员进出类别，反向传播过程使用BPTT算法，根据损失函数求解各参数梯度，实现梯度的更新，完成参数的优化，实现模型收敛，完成LSTM神经网络模型的训练，获取分类模型。


5.根据权利要求1所述的一种基于LSTM模型的人员计数方法，其特征在于，所述步骤四包括：
步骤401：初始化参数，mid为用于存放输出序列的缓冲区，初始为空；Patterndata为待判别数据；judgeResult则为待判别数据对应的人员的进出辨识结果，初始状态为0；judgeCollection则是用于存放judgeResult的集合；
步骤402：获取输出序列中有效信号的个数sLen；
步骤403：以步长为1对输出序列中有效信号进行遍历；
步骤404：判别当前时刻输出数据是否符合划分标志的条件，若是，则执行步骤405，若否，返回步骤执行步骤403，直到符合划分标志的条件；
步骤405：将缓冲区中数...

【专利技术属性】
技术研发人员：张振亚，聂芹芹，王萍，程红梅，宋博，王翠翠，董梦杰，骆丽春，王越，彭浩，方潜生，
申请(专利权)人：安徽建筑大学，
类型：发明
国别省市：安徽;34