[发明专利]一种基于深度学习的人数预测方法、装置、设备及介质

说明书

本发明公开了一种基于深度学习的人数预测方法、装置、设备及存储介质，本发明通过对训练视频数据进行第一处理，包括：对训练视频数据进行量化处理，得到时间连续的若干个第一图像,对第一图像进行预处理并对预处理结果进行背景化处理得到背景图像；根据预处理结果和背景图像的像素差确定第二图像，将第二图像与第一图像合并得到合并数据，将合并数据输入至神经网络模型进行训练得到预测模型，使得输入至神经网络模型进行训练的合并数据是时间上连续的图像，利用空间和时间上的合成表示，即使出现某一阶段的跳帧也只会丢失其中的某个第一图像，降低跳帧对训练视频数据的连续性影响，使得人数预测结果更加准确，本发明可广泛应用于深度学习领域。

技术领域

本发明涉及深度学习领域，尤其是一种基于深度学习的人数预测方法、装置、设备及存储介质。

背景技术

监控系统广泛应用于实际生活中，传统的监控系统只能起到简单的录像和报警作用，随着图像处理、计算机视觉和人工智能技术的融入，智能视频监控的概念越来越普及。现今，人工智能技术各大设计厂家针对人工智能算法专门设计了智能处理部件，然而智能处理部件对于部署平台的计算能力要求较高，边缘计算平台的处理能力可能会限制智能处理部件的处理性能，这样在监控视频处理过程中，上一阶段的跳帧处理会降低视频的连续性，影响智能处理部件分析结果，进而降低人数统计准确性。

发明内容

有鉴于此，为了解决上述技术问题的至少之一，本发明的目的是提供一种基于深度学习的人数预测方法、装置、设备及存储介质，提高人数预测的准确性。

本发明实施例采用的技术方案是：

一种基于深度学习的人数预测方法，包括：

获取训练视频数据；

对所述训练视频数据进行第一处理，所述第一处理包括：对所述训练视频数据进行量化处理，得到时间连续的若干个第一图像；对所述第一图像进行预处理，并对预处理结果进行背景化处理，得到背景图像；根据所述预处理结果和所述背景图像的像素差确定第二图像，将所述第二图像与所述第一图像合并，得到合并数据；

将所述合并数据输入至神经网络模型进行训练，得到预测模型；

获取待检测视频数据，对所述待检测视频数据进行第二处理，并将第二处理结果输入至所述预测模型，得到人数预测结果；所述第二处理为将所述待检测视频数据作为所述训练视频数据进行的所述第一处理。

进一步，所述对所述第一图像进行预处理，包括：

对所述第一图像进行重采样处理至预设通道级别，得到若干个不同量化级别的量化图像。

进一步，所述对预处理结果进行背景化处理，得到背景图像，包括：

根据预设采用速率以及预设数量，通过循环图像缓冲器积累预处理结果，得到采样图像；

计算所述循环图像缓冲器中所述采样图像的每一像素的直方图；所述直方图包括若干个量化级别的元素，每一所述元素表征一个量化级别出现在所述采样图像中的像素位置的频率；

根据所述频率最高的像素位置的像素值得到背景图像。

进一步，所述方法还包括：

获取新的第一图像以得到新的采样图像；

根据所述背景图像计算新的直方图以得到新的元素和新的频率；

当所述新的频率的最大值大于等于预设阈值，根据新的所述频率最高的像素位置的像素值得到背景图像对应的像素值更新背景图像。

进一步，所述根据所述预处理结果和所述背景图像的像素差确定第二图像，包括：

计算所述预处理结果与所述背景图像的每一像素的像素差的绝对值；