(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211016480.1 (22)申请日 2022.08.24 (71)申请人 浪潮通信 信息系统有限公司 地址 250100 山东省济南市高新区浪潮路 1036号浪潮科技园S0 6号楼 (72)发明人 梁秉豪　袁明明　王凯　李知澳　 王涛　 (74)专利代理 机构 济南信达专利事务所有限公 司 37100 专利代理师 孙园园 (51)Int.Cl. G06V 20/52(2022.01) G06V 20/40(2022.01) G06V 40/10(2022.01) G06V 40/16(2022.01)G06V 10/46(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于自适应集成模型的区域人数统计方法 和系统 (57)摘要 本发明公开了基于自适应集成模型的区域 人数统计方法和系统， 属于人工智能技术领域， 本发明要解决的技术问题为现有技术识别难以 适配不同的拍摄角度和距离场景下的区域人数 统计， 采用的技术方案为： 该方法具体如下： 通过 城市公共区域的摄像头获取视频数据， 从视频数 据中获取抽帧后的图像， 通过人体特征检测算法 得到图像中的人体目标数量和位置信息； 根据人 体目标数量和位置信息判断是否出现人体目标； 将人体目标高宽比AR与阈值ARth进行对比； 根据 平均目标大小 计算拍摄距离量化系数DR； 根 据所有的头部位置信息、 人体特征位置信息、 人 体骨骼位置信息和脸部骨骼位置信息， 并基于加 权非极大值抑制算法获取区域人数信息和位置 信息。 权利要求书5页 说明书11页 附图2页 CN 115331175 A 2022.11.11 CN 115331175 A 1.一种基于自适应集成模型的区域人 数统计方法， 其特 征在于， 该 方法具体如下： 通过城市公共区域的摄像头获取视频数据， 从视频数据中获取抽帧后的图像， 通过人 体特征检测算法得到图像中的人体目标 数量和位置信息； 根据人体目标 数量和位置信息判断是否出现人体目标： 若出现人体目标， 则计算人体目标平均高宽比AR； 若未出现人体目标， 则调用脸部特 征检测算法获取脸部骨骼位置信息； 将人体目标高宽比AR与阈值ARth进行对比： 当AR<ARth时， 则对应的城市公共区域的摄像头为高空俯拍摄像头， 并调用头部特征检 测算法获取头 部位置信息； 当AR>ARth时， 则对应的城市公共区域的摄像头不是高空俯拍摄像头， 并计算平均目标 大小 根据平均目标 大小 计算拍摄距离量 化系数DR； 具体情况如下： 当DR<DRmin时， 则判定为近距离拍摄， 并调用脸部特征检测算法和骨骼关键点检测算法 获取脸部骨骼位置信息和人体骨骼位置信息； 当DRmin<DR<DRmax时， 则判定为中距离拍摄， 调用骨骼关键点检测算法和人体特征检测 算法获取 人体骨骼位置信息和人体特 征位置信息； 当DR>DRmax时， 则判定为远距离拍摄， 调用人体特征检测算法和头部特征检测算法获取 人体特征位置信息和头 部位置信息； 其中， DRmin和DRmax分别为拍摄距离阈值， 最优值为DRmin＝0.5， DRmax＝2， 根据数据集实 际情况调整； 根据所有的头部位置信息、 人体特征位置信息、 人体骨骼位置信息和脸部骨骼位置信 息， 并基于加权非极大值抑制算法获取区域人 数信息和位置信息 。 2.根据权利要求1所述的基于自适应集成模型的区域人数统计方法， 其特征在于， 人体 目标平均高宽比AR的计算公式如下： 其中， N表示识别到的人体目标数量； XB1,i,XB2,i,YB1,i,YB2,i表示第i个 人体目标的四个坐 标位置； 平均目标 大小 的计算公式如下： 其中， N表示识别到的人体目标数量； XB1,i,XB2,i,YB1,i,YB2,i表示第i个 人体目标的四个坐 标位置； W表示图像宽度； H表示图像高度； 拍摄距离量 化系数DR计算公式如下： 权　利　要　求　书 1/5 页 2 CN 115331175 A 2其中， Sst表示目标大小的标准值， 自行设定或者以数据集中全部人体目标计算得到的 作为Sst。 3.根据权利要求1或2所述的基于自适应集成模型的区域人数统计方法， 其特征在于， 所述头部特征检测算法采用单阶段目标检测中的Y OLO系列算法， 通过头部特征检测算法训 练数据集进行模型训练， 训练后得到的模型检测出图像中所有头部外接矩形的二维坐标 (XH1,i,XH2,i,YH1,i,YH2,i)和置信度CHi； 在构建头部特征检测算法训练数据集时， 采用高空摄像头俯拍得到的图像数据， 高空 摄像头俯拍得到的图像数据包括若干人体头 部目标。 4.根据权利要求3所述的基于自适应集成模型的区域人数统计方法， 其特征在于， 所述 脸部特征检测算法采用MTCNN算法， 通过网络开源的人脸特征数据集进 行模型训练， 训练后 得到的模型检测出图像中所有人脸外接矩形的二维坐标(XF1,i,XF2,i,YF1,i,YF2,i)和置信度 CFi； 骨骼关键点检测算法采用OpenPose算法， 通过网络开源的骨骼关键点数据集进行模型 训练， 训练后得到的模型检测图像中所有人体骨骼外接矩形的二维坐标(XS1,i,XS2,i,YS1,i, YS2,i)和置信度CSi。 5.根据权利要求4所述的基于自适应集成模型的区域人数统计方法， 其特征在于， 所述 人体特征检测算法采用单阶段目标检测中的Y OLO系列算法， 通过自建的人体特征检测算法 训练数据集进 行模型训练， 训练后得到的模型检测出图像中所有 人体目标的外接矩形的二 维坐标(XB1,i,XB2,i,YB1,i,YB2,i)和置信度CBi； 在构建人体特征检测算法训练数据集时， 采用多种拍摄角度和距离的混合图像数据 集， 混合图像数据集包括俯拍头部目标、 正拍人脸 目标以及各种距离的人体全身和半身目 标。 6.根据权利要求5所述的基于自适应集成模型的区域人数统计方法， 其特征在于， 所述 加权非极大值抑制算法引入了权重参数对目标候选框的置信度进 行修正， 修正置信度具体 如下 C′Fi＝WCF×CFi； C′si＝WCS×CSi； C′Bi＝WCB×CBi； C′Hi＝WCH×CHi； 其中， WCF， WCS， WCB及WCH分别为脸部特征检测算法 的权重、 骨骼关键点检测算法的权重、 人体特征检测算法的权 重以及头 部特征检测算法的权 重； 脸部特征检测算法的权重WCF、 骨骼关键点检测算法的权重WCS、 人体特征检测算法的权 重WCB以及头部特征检测算法的权 重WCH的计算方式如下： 权　利　要　求　书 2/5 页 3 CN 115331175 A 3