一种基于深度学习的客流检测方法、系统及装置制造方法及图纸

本发明专利技术提出了一种基于深度学习的客流检测方法、系统及装置，涉及客流量监控的技术领域。包括采无行人时的图像信息和行人经过的图像信息；将采集的图像进行图像相减获得对应的特征图像样本；将预设人体动作图像样本与特征图像样本导入分类器模型中获得决策模型；采集待测环境实时的视频信息，将视频信息对应测试样本基于决策模型进行匹配；在测试样本上执行决策模型；当测试样本内的特征图像样本基于决策模型得出的结果符合预设第一范围内时，将对应特征图像进行位置对比，位置相同，则客流量数值不变；位置不同，则将客流量数值加一。其能够区别一个高度和轮廓和人类似物体，避免将物体误判为人，提高了监测的精度，扩大摄像头的监测范围。监测范围。监测范围。

【技术实现步骤摘要】
一种基于深度学习的客流检测方法、系统及装置


[0001]本专利技术涉及客流量监控的
，具体而言，涉及一种基于深度学习的客流检测方法、系统及装置。

技术介绍

[0002]现代社会，商场、连锁店等零售企业间的竞争不断加剧，而零售企业竞争的核心是客流量，以及客流量的购买转化率。如何对商场的客流量进行实时、动态监测统计，对数据进行分析并依据企业实际经营状况输出各种分析结果，为企业经营决策提供参考依据，成为了众多零售企业日益关注的问题。同时随着经济社会的发展，零售商业模式经过多年演化，已从传统的被动营销、广泛营销向主动营销、精准营销转变，日常客流规律分析日益受到企业管理决策层面的重视。
[0003]目前很多企业采用的客流计数器通过识别物体的轮廓和高度来判断该物体是否为一个人等方式对客流量进行统计，这些方式的弊端准确率不高、统计误差较大，如果一个物体高度和轮廓和人类似，则极有可能会误判为一个人。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度学习的客流检测方法，其能够区别一个高度和轮廓和人类似物体，避免将物体误判为人，提高了监测的精度。
[0005]本专利技术的另一目的在于提供一种基于深度学习的客流检测装置，其能够扩大摄像头的监测范围。
[0006]本专利技术的实施例是这样实现的：
[0007]第一方面，本申请实施例提供一种基于深度学习的客流检测方法，其包括：
[0008]采集待测环境中无行人时的图像信息作为背景样本；采集待测环境中多个时刻行人经过的图像信息作为训练样本；
[0009]将任一训练样本与背景样本进行图像相减获得对应的特征图像样本；
[0010]预设人体动作图像样本；
[0011]定义筛选模型，筛选模型包括分类器模型；将预设人体动作图像样本与特征图像样本导入分类器模型中获得决策模型；
[0012]采集待测环境实时的视频信息，视频信息的每一帧转换为实时图像信息作为测试样本，并基于决策模型进行匹配；
[0013]在测试样本上执行决策模型；当测试样本内的特征图像样本基于决策模型得出的结果符合预设第一范围内时，锁定特征图像，在预设时间内将任意两帧图像信息上对应特征图像进行位置对比，如果对比结果为位置相同，则客流量数值不变；如果对比结果为位置不同，则将客流量数值加一。
[0014]基于第一方面，在本专利技术的一些实施例中，在预设时间内将任意两帧图像信息上对应特征图像进行位置对比的步骤中还包括：如果对比结果为位置不同，对特征图像采用
人脸识别方法进行识别，若特征图像识别出人脸，则将客流量数值加一，若未能识别则客流量数值不变。
[0015]基于第一方面，在本专利技术的一些实施例中，人脸识别方法采用人脸规则法。
[0016]基于第一方面，在本专利技术的一些实施例中，图像相减的方法采用帧间差分法。
[0017]第二方面，本申请实施例提供一种基于深度学习的客流检测系统，其包括：
[0018]图像采集模块，用于采集待测环境中无行人时的图像信息作为背景样本；采集待测环境中多个时刻行人经过的图像信息作为训练样本；
[0019]比较模块，用于将任一训练样本与背景样本进行图像相减获得对应的特征图像样本；
[0020]预设输入模块，用于预设人体动作图像样本；
[0021]模型定义模块，用于定义筛选模型，筛选模型包括分类器模型；将预设人体动作图像样本与特征图像样本导入分类器模型中获得决策模型；
[0022]视频采集模块，用于采集待测环境实时的视频信息，视频信息的每一帧转换为实时图像信息作为测试样本，并基于决策模型进行匹配；
[0023]判断模块，用于在测试样本上执行决策模型；当测试样本内的特征图像样本基于决策模型得出的结果符合预设第一范围内时，锁定特征图像，在预设时间内将任意两帧图像信息上对应特征图像进行位置对比，如果对比结果为位置相同，则客流量数值不变；如果对比结果为位置不同，则将客流量数值加一。
[0024]第三方面，本申请实施例提供一种基于深度学习的客流检测装置，应用于上述的基于深度学习的客流检测方法，装置包括连接件、万向传动器、摄像头以及设置于连接件上的火灾报警器，万向传动器的一端与连接件连接，万向传动器的另一端与摄像头连接。
[0025]基于第三方面，在本专利技术的一些实施例中，万向传动器包括第一电机、第一传动件、第二电机、第二传动件和第三电机；第一电机的主体与连接件连接，第一电机的输出轴与第一传动件的一端连接；第二电机的主体与第一传动件的另一端连接，第二电机的输出轴与第二传动件的一端连接，第二传动件的另一端与第三电机的主体连接，第三电机的输出轴与摄像头连接。
[0026]基于第三方面，在本专利技术的一些实施例中，第一传动件呈S形。
[0027]基于第三方面，在本专利技术的一些实施例中，第二传动件呈L形。
[0028]基于第三方面，在本专利技术的一些实施例中，还包括设置于连接件上的保护伞。
[0029]相对于现有技术，本专利技术的实施例至少具有如下优点或有益效果：
[0030]一种基于深度学习的客流检测方法，针对识别物体的轮廓和高度来判断该物体是否为一个人的方式，从而对客流量进行统计弊端，本实施例采用识别物体的轮廓和高度来判断该物体是否为人后，再监测物体是否运动的方式，从而达到确定是否为人的目的，其具体实施方式包括：
[0031]S101：采集待测环境中无行人时的图像信息作为背景样本；采集待测环境中多个时刻行人经过的图像信息作为训练样本；
[0032]首先为了初次判断待测环境中与人相近的物体，采集待测环境中无行人时的图像信息作为背景样本，利用背景样本的不可移动性，从而作为基本参照，而后再采集待测环境中多个时刻行人经过的图像信息作为训练样本用于与背景样本进行对比。
[0033]S102：将任一训练样本与背景样本进行图像相减获得对应的特征图像样本；
[0034]针对背景样本和训练样本的对比，采用图像相减的方法，即将背景样本和训练样本之间对应像素做减法运算，由此检测出两幅图像的差异信息，即特征图像样本。
[0035]S103：预设人体动作图像样本；
[0036]为了对差异信息进行甄别是否为人，预设人体动作图像样本，其中人体动作图像样本包括人物走动、跑动、站立、坐下等姿势，用于和差异信息进行对比。
[0037]S104：定义筛选模型，筛选模型包括分类器模型；将预设人体动作图像样本与特征图像样本导入分类器模型中获得决策模型；
[0038]人体动作图像样本和差异信息对比方式主要采用分类器算法模型进行训练以及深度学习，其中为了提高深度学习的效率，本实施例中分类器采用支持向量机，从而得出准确率较高的决策模型。
[0039]S105：采集待测环境实时的视频信息，视频信息的每一帧转换为实时图像信息作为测试样本，并基于决策模型进行匹配；
[0040]在进行正式对客流监测时，为了尽可能准确地判断物体是否为人本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的客流检测方法，其特征在于，包括：采集待测环境中无行人时的图像信息作为背景样本；采集待测环境中多个时刻行人经过的图像信息作为训练样本；将任一所述训练样本与所述背景样本进行图像相减获得对应的特征图像样本；预设人体动作图像样本；定义筛选模型，所述筛选模型包括分类器模型；将预设人体动作图像样本与特征图像样本导入分类器模型中获得决策模型；采集待测环境实时的视频信息，所述视频信息的每一帧转换为实时图像信息作为测试样本，并基于所述决策模型进行匹配；在所述测试样本上执行所述决策模型；当所述测试样本内的特征图像样本基于所述决策模型得出的结果符合预设第一范围内时，锁定所述特征图像，在预设时间内将任意两帧图像信息上对应特征图像进行位置对比，如果对比结果为位置相同，则客流量数值不变；如果对比结果为位置不同，则将客流量数值加一。2.如权利要求1所述的一种基于深度学习的客流检测方法，其特征在于，所述预设时间内将任意两帧图像信息上对应特征图像进行位置对比的步骤中还包括：如果对比结果为位置不同，对所述特征图像采用人脸识别方法进行识别，若所述特征图像识别出人脸，则将客流量数值加一，若未能识别则客流量数值不变。3.如权利要求2所述的一种基于深度学习的客流检测方法，其特征在于，所述人脸识别方法采用人脸规则法。4.如权利要求1所述的一种基于深度学习的客流检测方法，其特征在于，所述图像相减的方法采用帧间差分法。5.一种基于深度学习的客流检测系统，其特征在于，包括：图像采集模块，用于采集待测环境中无行人时的图像信息作为背景样本；采集待测环境中多个时刻行人经过的图像信息作为训练样本；比较模块，用于将任一所述训练样本与所述背景样本进行图像相减获得对应的特征图像样本；预设输入模块，用于预设人体动作图像样本；模型定义模块，用...

【专利技术属性】
技术研发人员：余方敏，高尚，
申请(专利权)人：北京安吉升科技发展有限责任公司，
类型：发明
国别省市：