[发明专利]行人流量的监测方法、系统、计算机设备和存储介质

权利要求书

1.一种行人流量的监测方法，其特征在于，所述方法包括：

获取实时视频，从所述实时视频中提取图像帧，将所述图像帧输入到已训练的目标检测模型，得到所述已训练的目标检测模型输出的人脸图像；其中，所述已训练的目标检测模型为利用人脸图像样本集训练后获得的用于人脸目标检测的神经网络模型；

对所述人脸图像进行预处理，得到待测人脸图像；

将所述待测人脸图像输入到已训练的人脸识别模型进行特征提取，得到对应的待测人脸图像特征；

将每个所述待测人脸图像特征分别与其它待测人脸图像特征进行余弦相似度计算获得计算结果；

通过所述计算结果与预设余弦相似度阈值比较判断所述待测人脸图像是否存在相似人脸图像，如果是，将所述待测人脸图像和所述相似人脸图像输入图像超分辨模型，获得峰值信噪比最高的图像作为最终人脸图像保存至行人流量文件夹中，如果否，将所述待测人脸图像作为最终人脸图像直接保存至行人流程文件夹中，其中，将所述计算结果超过所述预设余弦相似度阈值对应的其它待测人脸图像作为所述待测人脸图像的相似人脸图像；

统计所述行人流量文件夹中所述最终人脸图像的数量得到行人流量。

2.根据权利要求1所述的行人流量的监测方法，其特征在于，所述已训练的目标检测模型包括特征提取网络和预测网络；

获取实时视频，从所述实时视频中提取图像帧，将所述图像帧输入到已训练的目标检测模型，得到所述已训练的目标检测模型输出的人脸图像包括：

获取实时视频；

根据所述实时视频得到连续一段时间内同一地点的待检测图像；

将所述待检测图像输入到特征提取网络中，经过所述特征提取网络中复数个残差模块，得到所述待检测图像的浅层特征图、中层特征图及深层特征图；其中，每个所述残差模块包括至少一个残差块，在所述残差块中通过学习和利用特征图通道之间的相关性，筛选出针对通道的注意力，将所述残差块的输出项和旁路连接支路的特征图进行拼接作为下一个残差块的输入特征图；

将所述浅层特征图、所述中层特征图及所述深层特征图输入到所述预测网络中进行融合，得到所述待检测图像中的一个或多个人脸图像。

3.根据权利要求1所述的行人流量的监测方法，其特征在于，对所述人脸图像进行预处理包括，得到所述待测人脸图像包括：

定位所述人脸图像中的人脸特征点，根据所述人脸特征点中的人眼坐标校正人脸至平面内水平，得到待测人脸图像。

4.根据权利要求2所述的行人流量的监测方法，其特征在于，所述已训练的图像超分辨率模型为所述已训练的目标检测模型中的所述已训练的特征提取网络。

5.根据权利要求4所述的行人流量的监测方法，其特征在于，在所述残差块中通过学习和利用特征图通道之间的相关性，筛选出针对通道的注意力，将所述残差块的输出项和旁路连接支路的特征图进行拼接作为下一个残差块的输入特征图包括：

将所述图像进行1*1卷积升维后经过混合深度可分离卷积进行特征提取，输出特征图；

将所述特征图分别输入到通道注意力模块和特征图注意力模块；

在所述通道注意力模块对所述特征图进行池化、重塑、升维、特征压缩操作，将输出项与所述通道注意力模块的输入项相乘并进行降维卷积；

在所述特征图注意力模块对所述特征图分组后经过混合深度可分离卷积进行特征提取，对每组的输出项进行拼接并进行降维卷积；

将所述通道注意力模块和所述特征图注意力模块的得到的结果进行元素级相加操作，将所述残差块的输出项和旁路连接支路的特征图进行拼接作为下一个残差块的输入特征图。

6.根据权利要求2所述的行人流量的监测方法，其特征在于，所述预测网络为交叉双向特征金字塔模块。