[发明专利]人群计数模型的选择方法、装置、设备及其存储介质

说明书

本发明涉及监控领域，公开了一种人群计数模型的选择方法、装置、设备及其存储介质。本发明中的人群计数模型的选择方法包括：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；计算对应每个第二摄像头的人数随时间变化的第一类曲线；对得到的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平均曲线进行匹配，得到每一个人群计数模型相对于平均曲线的时间匹配度；基于时间匹配度，从多个人群计数模型中选择适用于第一摄像头的人群计数模型。本发明可根据摄像头的拍摄场景为其从已有的人群计数模型中选取最为合适的人群计数模型，从而提高对人数统计的准确性。

技术领域

本发明涉及监控领域，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。

背景技术

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局部像素之间的特定特征具有很好的效果，当网络层数加深以后，深度卷积网络能够获取到抽象的语义信息。第二种，深度循环神经网络(RNN)，可以获得时序信号上的特定特征，在时间上定时的输入数据，然后网络或累积历史信息和接受当前时刻输入信息，综合考虑输出最终数据，循环神经网络主要用于自然语言处理，语音处理等领域。第三种，策略网络(Policynetwork)，算法的目的是为一个与环境交互的代理(agent)生成策略，在各个状态下，来生成当前策略下的最优策略。

在算法的落地应用方面，自动驾驶、安防监控、自然语言处理等等已经处于大量转化应用阶段。虽然算法非常强大，但是落地应用时还是面临着各种问题，对训练网络模型时的陌生数据，陌生场景存在一个泛化的问题。解决泛化问题可以有多种方法，比如调整网络参数，增加正则项；增加数据集合；或者改变网络结构，采用迁移学习等等方法。

在视频监控领域，同样存在针对不同的拍摄场景的泛化问题。例如，对于图像中的人数统计技术，目前主要利用深度卷积网络来预测当前输入图像的人员分布密度，然后通过对密度图的累加，获得当前输入图像的总人数。这项应用具有很强的社会价值，可以为城市管理人员提供很好的管理工具，目前有很多研究人员在此先方向进行深入的研究，代表的论文有:“CrowdNet:A Deep Convolutional Network for Dense Crowd Counting”,“Single-Image Crowd Counting via Multi-Column Convolutional Neural Network”等。这些研究的核心出发点是对于所有的摄像头角度设计不同的网络结构。算法的精度在标准测试数据集合上有好有坏，但是经过测试发现，各种算法的精度对于不同的摄像头角度很难有一个统一的表现。实际摄像头的场景多种多样，场景背景，摄像头高度，角度都不一样，如图1所示，展示了不同摄像头的场景不一样。而不同的摄像头在同一个模型下实际测试的精度很难达到一致。

发明内容

本发明的目的在于提供一种人群计数模型的选择方法、装置、设备及其存储介质，可根据摄像头的拍摄场景为其从已有的人群计数模型中选取最为合适的人群计数模型，从而提高对人数统计的准确性。

为解决上述技术问题，本发明的实施方式公开了一种人群计数模型的选择方法，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；