基于人群密度图的疫情防控预警方法和装置制造方法及图纸

本发明专利技术提供了一种基于人群密度图的疫情防控预警方法和装置，涉及大数据预警领域，可用于金融领域，该方法包括：获取实时采集的监控区域的人群图像数据；对所述人群图像数据进行预处理以实现图像增强；将增强后的人群图像数据输入人群密度识别模型得到输出的人群密度图；基于所述人群密度图进行疫情防控预警。本发明专利技术采用了深度残差网络ResNet作为密度估计网络进行模型训练，其构建的人群密度识别模型识别精度更高，对于疫情防控预警可以提供更加精准的数据。加精准的数据。加精准的数据。

【技术实现步骤摘要】
基于人群密度图的疫情防控预警方法和装置


[0001]本专利技术涉及大数据预警领域，可用于金融领域，尤其涉及一种基于人群密度图的疫情防控预警方法和装置。

技术介绍

[0002]传统的人群监控系统基本是靠离散布设的大量监控摄像的特定区域，由监控室的工作人员针对监控场景进行人工判断。这种方法具有相当的主观性，不仅不能够定量分析，而且耗费人力，且工作人员精神不可能一直集中，有可能会忽视某些突发状况从而导致不可预知的后果。因此，实现一种由计算机运行的对人流进行监控和报警的系统很有必要。
[0003]近年来，卷积神经网络在计算机视觉领域中取得了十分显著的成绩。由监督学习算法学习到的卷积核不仅在数量上极大地超越了传统手工设计的各种滤波器，而且借助神经网络的思想，其在图像特征提取的效率以及模型的泛化性能上也有了大幅的提高。基于此设计出的各种卷积神经网络，在图像分类，目标检测，图像分割等任务中都显示出了极高的表现能力，同样能够有效解决各种状况下的人群计数以及密度估计问题。下面是几种卷积神经网络的描述：
[0004]MCNN：多列卷积神经网络Multi
‑
column Convolutional Neural Network(MCNN) 是较早提出通过单张静态图像估计人群密度的方法，也是首次结合密度图回归和深度学习算法，实现了从图像到其密度图的直接映射模型。通过全卷积的网络，使得网络可以接受任意大小的图像。通过三列不同尺寸的卷积核，以期望各列网络能够学到不同尺度上的人头图像，从而实现对任意视角任意尺寸图像的精准密度估计。
[0005]Switch
‑
CNN：Switch
‑
CNN同样是一个多列的全卷积神经网络。该文首先设计了一个三分类的分支选择结构网络，然后再通过分类的结果判断图像是在那个等级的密度类型中，然后输入相应的分支网络中进行回归。注意，其中的三列卷积神经网络和 MCNN中的完全相同，而仅仅是在图像输入之前增加了一个基于VGG
‑
16的分支选择网络。由于分支结构的引入，所以同样引入了一个较为复杂的训练流程：预训练 (Pretraining)差异训练(Differential Training)，分支训练(Switch Training)以及集成训练(Coupled Training)。
[0006]CSRNet：CSRNet与前述模型不同，大胆放弃了多列全卷积网络加上密度等级分类器的思想，仅仅使用单列的卷积神经网络加上空洞卷积就将回归效果提升了一个档次，尤其是针对高密度人群场景。空洞卷积在不增加参数量和计算量的情况下显著提升了感受野，这和池化层的思路类似，但是并没有降低图像分辨率，从而保留了空域信息，在分割问题中亦有不错的表现。
[0007]以上MCNN和Switch
‑
CNN都有着如下的问题：1)难以训练，需要分别训练三支网络，再将其融合，使得不同尺寸卷积核的多尺度预测的想法难以被正确训练。2) 效率低，大尺寸的卷积核已经被证明不如小尺寸的卷积核叠加，低效的卷积核设计也使得网络效果不佳。而CSRNet虽然对上述问题有良好的解决手段，但其后端卷积网络仍采用的是VGG的网络
结构，且后续的改进网络，多为从参数量入手，鲜有使用深层的网络结构。
[0008]因此，上述三种现有神经网络在人流密度识别上的精度都还不尽如人意。

技术实现思路

[0009]有鉴于此，本专利技术提供一种基于人群密度图的疫情防控预警方法和装置，以解决上述提及的至少一个问题。
[0010]为了实现上述目的，本专利技术采用以下方案：
[0011]根据本专利技术的第一方面，提供一种基于人群密度图的疫情防控预警方法，所述方法包括：获取实时采集的监控区域的人群图像数据；对所述人群图像数据进行预处理以实现图像增强；将增强后的人群图像数据输入人群密度识别模型得到输出的人群密度图，所述人群密度识别模型由深度残差网络训练得到；基于所述人群密度图进行疫情防控预警。
[0012]根据本专利技术的第二方面，提供一种基于人群密度图的疫情防控预警装置，所述装置包括：图像数据获取单元，用于获取实时采集的监控区域的人群图像数据；预处理单元，用于对所述人群图像数据进行预处理以实现图像增强；密度图获取单元，用于将增强后的人群图像数据输入人群密度识别模型得到输出的人群密度图，所述人群密度识别模型由深度残差网络训练得到；防控预警单元，用于基于所述人群密度图进行疫情防控预警。
[0013]根据本专利技术的第三方面，提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述方法的步骤。
[0014]根据本专利技术的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
[0015]根据本专利技术的第五方面，提供一种计算机程序产品，包括计算机程序/指令，其所述计算机程序/指令被处理器执行时实现上述方法的步骤。
[0016]由上述技术方案可知，本专利技术采用了深度残差网络ResNet作为密度估计网络进行模型训练，其构建的人群密度识别模型识别精度更高，对于疫情防控预警可以提供更加精准的数据。
附图说明
[0017]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本专利技术的一些实施例，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。在附图中：
[0018]图1是本申请实施例提供的一种基于人群密度图的疫情防控预警方法的流程示意图；
[0019]图2是本申请实施例提供人群密度识别模型训练方法的流程示意图；
[0020]图3是本申请实施例提供的一种基于人群密度图的疫情防控预警装置的结构示意图；
[0021]图4是本申请另一实施例提供的一种基于人群密度图的疫情防控预警装置的结构示意图；
[0022]图5是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0023]为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并不作为对本专利技术的限定。
[0024]需要说明的是，本申请公开的基于人群密度图的疫情防控预警方法和装置可用于金融
，也可用于除金融
之外的任意领域，本申请公开的基于人群密度图的疫情防控预警方法和装置的应用领域不做限定。
[0025]本申请中技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。本申请实施例中的用户信息均是通过合法合规途径获得，并且对用户信息的获取、存储、使用、处理等经过客户授权同意的。
[0026]如图1所示为本申请实施例提供的一种基于人群密度图的疫情防控预警方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人群密度图的疫情防控预警方法，其特征在于，所述方法包括：获取实时采集的监控区域的人群图像数据；对所述人群图像数据进行预处理以实现图像增强；将增强后的人群图像数据输入人群密度识别模型得到输出的人群密度图，所述人群密度识别模型由深度残差网络训练得到；基于所述人群密度图进行疫情防控预警。2.如权利要求1所述的基于人群密度图的疫情防控预警方法，其特征在于，所述方法还包括：获取网络上公开的人流密度图数据作为训练集；基于所述训练集通过采用深度残差网络作为密度估计网络来进行模型训练得到所述人群密度识别模型。3.如权利要求2所述的基于人群密度图的疫情防控预警方法，其特征在于，所述网络上公开的人流密度图数据包括：已经打好标签的公开数据集和需要额外处理的公开数据，所述方法还包括：对需要额外处理的公开数据进行如下额外处理：获取图像增强后人群图像数据中的人头标注图片；将所述人头标注图片转化为01矩阵图；通过高斯函数卷积生成密度图。4.如权利要求1所述的基于人群密度图的疫情防控预警方法，其特征在于，对所述人群图像数据进行预处理以实现图像增强包括：对人群图像数据进行滤波、和/或锐化、和/或灰度处理进行图像增强。5.如权利要求1所述的基于人群密度图的疫情防控预警方法，其特征在于，基于所述人群密度图进行疫情防控预警包括：将所述人群密度图转化为人流量统计数据；当所述人流量统计数据超过预设阈值时，触发预警系统进行疫情防控预警。6.一种基于人群密度图的疫情防控预警装置，其特征在于，所述装置包括：图像数据获取单元，用于获取实时采集的监控区域的人群图像数据；预处理单元，用于对所述人群图像数据进行预处理以实现图像增强；密度图获取单元，用于将增强后的人群图像数据输入人群密度识别模型得到输出的人群密度图，所述人群密度识别模型由深度残差网络训练得到；防控预警单元，用...

【专利技术属性】
技术研发人员：昌德川，史杰，李二壮，樊笑冰，谢红艳，王镇，李文博，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：