基于人工智能的公共场所人群密集度监测方法及其系统

摘要

本申请公开了一种基于人工智能的公共场所人群密集度监测方法及其系统，其通过使用第一卷积核的第一卷积神经网络对由部署于公共场所的摄像头采集人群监控图像进行编码以得到第一尺度特征图，通过使用第二卷积核的第二卷积核对人群监控图像进行编码以得到第二尺度特征图，接着计算所述第一尺度特征图和所述第二尺度特征图之间的差分以得到差分特征图，然后对所述差分特征图中各个位置的特征值进行校正以得到校正后差分特征图，最后将所述校正后差分特征图通过分类器以得到分类结果，所述分类结果用于表示待监测公共场所的人群密集度是否超越安全标准。这样，有利于提高对公共场所的人群密度监测的精准度。

说明书

技术领域

本申请涉及人群监控技术领域，且更为具体地，涉及一种基于人工智能的公共场所人群密集度监测方法及其系统。

背景技术

随着国际局势的紧张以及我国多个公共场所聚集地的事故发生，这使得对公共场所的人群密度进行监控变得尤为重要。近年来，人工智能已经在大数据分析、计算机视觉、语义分析等各个领域做出了重大突破，卷积神经网络在人群密度估计研究上做出了一次又一次创新突破，但是，受空间透视，遮挡严重，光线变化等问题的影响，人群密度估计在研究上仍然面临一系列挑战。

因此，期待一种优化的公共场所人群密集度监测方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于人工智能的公共场所人群密集度监测系统、方法和电子设备，其通过使用第一卷积核的第一卷积神经网络对由部署于公共场所的摄像头采集人群监控图像进行编码以得到第一尺度特征图，通过使用第二卷积核的第二卷积核对人群监控图像进行编码以得到第二尺度特征图，接着计算所述第一尺度特征图和所述第二尺度特征图之间的差分以得到差分特征图，然后对所述差分特征图中各个位置的特征值进行校正以得到校正后差分特征图，最后将所述校正后差分特征图通过分类器以得到分类结果，所述分类结果用于表示待监测公共场所的人群密集度是否超越安全标准。这样，有利于提高对公共场所的人群密度监测的精准度。

根据本申请的一个方面，提供了一种基于人工智能的公共场所人群密集度监测系统，包括：

监控图像采集模块，用于通过部署于公共场所的摄像头采集人群监控图像；

第一尺度编码模块，用于将所述人群监控图像通过使用第一卷积核的第一卷积神经网络以得到第一尺度特征图；

第二尺度编码模块，用于将所述人群监控图像通过使用第二卷积核的第二卷积神经网络以得到第二尺度特征图；

差分模块，用于计算所述第一尺度特征图和所述第二尺度特征图之间的差分以得到差分特征图；

校正模块，用于对所述差分特征图中各个位置的特征值进行校正以得到校正后差分特征图；以及

人群密集度监测结果生成模块，用于将所述校正后差分特征图通过分类器以得到分类结果，所述分类结果用于表示待监测公共场所的人群密集度是否超越安全标准。

另一方面，本申请提供一种基于人工智能的公共场所人群密集度监测方法，包括：

通过部署于公共场所的摄像头采集人群监控图像；

将所述人群监控图像通过使用第一卷积核的第一卷积神经网络以得到第一尺度特征图；

将所述人群监控图像通过使用第二卷积核的第二卷积神经网络以得到第二尺度特征图；

计算所述第一尺度特征图和所述第二尺度特征图之间的差分以得到差分特征图；

对所述差分特征图中各个位置的特征值进行校正以得到校正后差分特征图；以及

将所述校正后差分特征图通过分类器以得到分类结果，所述分类结果用于表示待监测公共场所的人群密集度是否超越安全标准。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于人工智能的公共场所人群密集度监测方法。

根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于人工智能的公共场所人群密集度监测方法。

与现有技术相比，本申请提供的基于人工智能的公共场所人群密集度监测系统及其方法，其通过使用第一卷积核的第一卷积神经网络对由部署于公共场所的摄像头采集人群监控图像进行编码以得到第一尺度特征图，通过使用第二卷积核的第二卷积核对人群监控图像进行编码以得到第二尺度特征图，接着计算所述第一尺度特征图和所述第二尺度特征图之间的差分以得到差分特征图，然后对所述差分特征图中各个位置的特征值进行校正以得到校正后差分特征图，最后将所述校正后差分特征图通过分类器以得到分类结果，所述分类结果用于表示待监测公共场所的人群密集度是否超越安全标准。这样，有利于提高对公共场所的人群密度监测的精准度。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的基于人工智能的公共场所人群密集度监测方法的一个应用场景图。

图2图示了根据本申请实施例的基于人工智能的公共场所人群密集度监测系统的结构框图；

图3图示了根据本申请实施例的基于人工智能的公共场所人群密集度监测系统的架构示意图；

图4图示了根据本申请实施例的基于人工智能的公共场所人群密集度监测方法的流程图；

图5图示了根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

经研究，本申请发明人发现在大多数现有的方案在进行人群密度估计是都是沿着目标检测和目标数量计量的思路，也就是，通过目标检测来识别图像中有多少人对象，进而通过计量来确定人对象在预定公共场所的分布密度是否超过预定标准，如果超过预定标准则产生人群密度过于密集的预警。但是，上述检测方案在实际运作过程中，其检测精度却难以满足应用要求，其原因为在实际应用场景中，在图像采集端会存在诸如遮挡严重、光线变化等问题，而在特征提取端，由于人对象在图像中属于小尺寸对象，易于其他对象产生混淆。

基于此，本申请发明人尝试从人群密度的相对指标来构建人群密度监测方案。也就是，如果公共场所的人群密集度较高，则其在不同感受野下的特征分布较为一致，而如果公共场所的人群密集度较低，则其在不同感受野下的特征分布差异较大。因此，可以基于人群监控图像在不同感受野下的特征分布的差异来构建人群密度监测方案。

具体地，首先通过部署于公共场所的摄像头采集人群监控图像。然后，将所述人群监控图像通过使用不同卷积核(为了便于说明定义为第一卷积核和第二卷积核)的第一卷积神经网络和第二卷积神经网络以得到第一特征图和第二特征图。应可以理解，对于卷积神经网络模型而言，不同卷积核表示不同的特征感受野，因此，所述第一特征图和所述第二特征图用于表示在不同感受野下的人群密度分布的特征表示。

在本申请实施例中，所述第一卷积核和所述第二卷积核可以是不同尺寸的实心卷积核，例如，所述第一卷积核的尺寸小于所述第二卷积核的尺寸。当然，在本申请其他示例中，所述第一卷积核和所述第二卷积核为空洞卷积核，所述第一卷积核的空洞率小于所述第二卷积核的空洞率，也就是，所述第一卷积核和所述第二卷积核具有相同的尺寸但具有不同的空洞率以使得所述第一卷积神经网络和所述第二卷积神经网络具有不同的感受野。

接着，计算所述第一特征图和所述第二特征图之间的差分并将所得到的差分特征图通过分类器就可以得到用于表示待监测公共场所的人群密集度是否超越安全标准的分类结果。

特别地，在本申请实施例中，在使用不用大小的卷积核得到所述第一尺度特征图和所述第二尺度特征图的情况下，所述第一尺度特征图和所述第二尺度特征图的特征值集合空间位置分布会具有偏差，从而在计算所述差分特征图时，容易导致所述差分特征图的特征分布的稀疏性。

因此，优选地，对所述差分特征图进行稀疏性隐式限制因数校正，即：

f为所述差分特征图的特征值，且

该稀疏性隐式限制因数校正通过类KL散度形式对特征的隐式表达进行稀疏性约束，来对所述第一卷积神经网络和所述第二卷积神经网络的参数空间进行稀疏限制，以提高模型参数的在训练时推断期望特性的激活单元的平均活跃度，从而提高了所述第一尺度特征图和所述第二尺度特征图相对彼此的群优化能力，改善了所述第一尺度特征图和所述第二尺度特征图的特征值集合空间位置分布的偏差。这样，提高对公共场所的人群密度监测的精准度。

基于此，本申请提出了一种基于人工智能的公共场所人群密集度监测系统及其方法，其通过使用第一卷积核的第一卷积神经网络对由部署于公共场所的摄像头采集人群监控图像进行编码以得到第一尺度特征图，通过使用第二卷积核的第二卷积核对人群监控图像进行编码以得到第二尺度特征图，接着计算所述第一尺度特征图和所述第二尺度特征图之间的差分以得到差分特征图，然后对所述差分特征图中各个位置的特征值进行校正以得到校正后差分特征图，最后将所述校正后差分特征图通过分类器以得到分类结果，所述分类结果用于表示待监测公共场所的人群密集度是否超越安全标准。这样，有利于提高对公共场所的人群密度监测的精准度。

图1图示了根据本申请实施例的基于人工智能的公共场所人群密集度监测方法的场景示意图。如图1所示，在本申请的一个应用场景中，首先，获取由部署于公共场所(如图1中的B)的摄像头(如图1中的C)采集人群监控图像，然后，将人群监控图像输入至部署有基于人工智能的公共场所人群密集度监测算法的服务器(如图1中的S)中，其中，所述服务器能够通过基于人工智能的公共场所人群密集度监测算法对该人群监控图像进行处理，以输出用于表示待监测公共场所的人群密集度是否超越安全标准的分类结果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

图2图示了根据本申请实施例的基于人工智能的公共场所人群密集度监测系统的结构框图。

如图2所示，本申请实施例提供的基于人工智能的公共场所人群密集度监测系统100，包括：监控图像采集模块110，用于通过部署于公共场所的摄像头采集人群监控图像；第一尺度编码模块120，用于将所述人群监控图像通过使用第一卷积核的第一卷积神经网络以得到第一尺度特征图；第二尺度编码模块130，用于将所述人群监控图像通过使用第二卷积核的第二卷积神经网络以得到第二尺度特征图；差分模块140，用于计算所述第一尺度特征图和所述第二尺度特征图之间的差分以得到差分特征图；校正模块150，用于对所述差分特征图中各个位置的特征值进行校正以得到校正后差分特征图；人群密集度监测结果生成模块160，用于将所述校正后差分特征图通过分类器以得到分类结果，所述分类结果用于表示待监测公共场所的人群密集度是否超越安全标准。

图3图示了根据本申请实施例的基于人工智能的公共场所人群密集度监测系统的架构示意图。如图3所示，在该网络架构中，首先，将通过部署于公共场所的摄像头采集人群监控图像通过使用第一卷积核的第一卷积神经网络以得到第一尺度特征图，然后，将所述人群监控图像通过使用第一卷积核的第一卷积神经网络以得到第一尺度特征图，将所述人群监控图像通过使用第二卷积核的第二卷积神经网络以得到第二尺度特征图；接着，计算所述第一尺度特征图和所述第二尺度特征图之间的差分以得到差分特征图；然后，对所述差分特征图中各个位置的特征值进行校正以得到校正后差分特征图；最后，将所述校正后差分特征图通过分类器以得到分类结果，所述分类结果用于表示待监测公共场所的人群密集度是否超越安全标准。

以下举例地描述本申请实施例的基于人工智能的公共场所人群密集度监测系统100，用于输出表示待监测公共场所的人群密集度是否超越安全标准的分类结果。

经研究，本申请发明人发现在大多数现有的方案在进行人群密度估计是都是沿着目标检测和目标数量计量的思路，也就是，通过目标检测来识别图像中有多少人对象，进而通过计量来确定人对象在预定公共场所的分布密度是否超过预定标准，如果超过预定标准则产生人群密度过于密集的预警。但是，上述检测方案在实际运作过程中，其检测精度却难以满足应用要求，其原因为在实际应用场景中，在图像采集端会存在诸如遮挡严重、光线变化等问题，而在特征提取端，由于人对象在图像中属于小尺寸对象，易于其他对象产生混淆。

基于此，本申请发明人尝试从人群密度的相对指标来构建人群密度监测方案。也就是，如果公共场所的人群密集度较高，则其在不同感受野下的特征分布较为一致，而如果公共场所的人群密集度较低，则其在不同感受野下的特征分布差异较大。因此，可以基于人群监控图像在不同感受野下的特征分布的差异来构建人群密度监测方案。

具体地，所述监控图像采集模块110、所述第一尺度编码模块120核所述第二尺度编码模块130用于通过部署于公共场所的摄像头采集人群监控图像，将所述人群监控图像通过使用第一卷积核的第一卷积神经网络以得到第一尺度特征图，将所述人群监控图像通过使用第二卷积核的第二卷积神经网络以得到第二尺度特征图。具体地，首先通过部署于公共场所的摄像头采集人群监控图像。然后，将所述人群监控图像通过使用不同卷积核(为了便于说明定义为第一卷积核和第二卷积核)的第一卷积神经网络和第二卷积神经网络以得到第一特征图和第二特征图。应可以理解，对于卷积神经网络模型而言，不同卷积核表示不同的特征感受野，因此，所述第一特征图和所述第二特征图用于表示在不同感受野下的人群密度分布的特征表示。

在本申请实施例中，所述第一卷积核和所述第二卷积核可以是不同尺寸的实心卷积核，例如，所述第一卷积核的尺寸小于所述第二卷积核的尺寸。当然，在本申请其他示例中，所述第一卷积核和所述第二卷积核为空洞卷积核，所述第一卷积核的空洞率小于所述第二卷积核的空洞率，也就是，所述第一卷积核和所述第二卷积核具有相同的尺寸但具有不同的空洞率以使得所述第一卷积神经网络和所述第二卷积神经网络具有不同的感受野。

具体地，所述第一尺度编码模块120进一步用于：使用第一卷积神经网络的各层在各层的正向传递中对输入数据进行：

基于所述第一卷积核对所述输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图进行基于特征矩阵的全局池化处理以得到池化特征向量；以及

对所述池化特征向量中各个位置的特征值进行非线性激活以得到激活特征向量；

其中，所述第一卷积神经网络的最后一层的输出为所述第一尺度特征图，所述第一卷积神经网络的第一层的输入为所述人群监控图像。

也就是，所述第一尺度编码模块120进一步用于使用所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述第一尺度特征图，所述第一卷积神经网络的第一层输入为由所述人群监控图像。这样，通过基于第一卷积核的第一卷积神经网络从所述人群监控图像内提取人群中较小尺度对象的高维局部行为特征，即第一尺度特征图。

具体地，所述第二尺度编码模块130进一步用于：使用第二卷积神经网络的各层在各层的正向传递中对输入数据进行：

基于所述第二卷积核对所述输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图进行基于特征矩阵的全局池化处理以得到池化特征向量；以及

对所述池化特征向量中各个位置的特征值进行非线性激活以得到激活特征向量；

其中，所述第二卷积神经网络的最后一层的输出为所述第二尺度特征图，所述第二卷积神经网络的第一层的输入为所述人群监控图像。

也就是，所述第二尺度编码模块130进一步用于使用所述第二卷积神经网络的各层在层的正向传递中对输入数据分别进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络的最后一层输出所述第二尺度特征图，所述第二卷积神经网络的第一层输入为由所述人群监控图像。这样，通过基于第二卷积核的第二卷积神经网络从所述人群监控图像内提取人群密度中较大尺寸对象的高维局部行为特征，即第二尺度特征图。

所述差分模块140用于计算所述第一尺度特征图和所述第二尺度特征图之间的差分以得到差分特征图。接着，计算所述第一特征图和所述第二特征图之间的差分并将所得到的差分特征图通过分类器就可以得到用于表示待监测公共场所的人群密集度是否超越安全标准的分类结果。

具体地，所述差分模块140进一步用于以如下公式计算所述第一尺度特征图和所述第二尺度特征图之间的按位置差分以得到所述差分特征图；

其中，所述公式为：

其中，F

特别地，在本申请实施例中，在使用不用大小的卷积核得到所述第一尺度特征图和所述第二尺度特征图的情况下，所述第一尺度特征图和所述第二尺度特征图的特征值集合空间位置分布会具有偏差，从而在计算所述差分特征图时，容易导致所述差分特征图的特征分布的稀疏性。

因此，所述校正模块150用于对所述差分特征图中各个位置的特征值进行校正以得到校正后差分特征图。也就是，对所述差分特征图进行稀疏性隐式限制因数校正。

具体地，所述校正模块150进一步用于以如下公式对所述差分特征图中各个位置的特征值进行校正以得到校正后差分特征图，其中，所述公式为：

其中，f'为校正后差分特征图，f为所述差分特征图的特征值，且

该稀疏性隐式限制因数校正通过类KL散度形式对特征的隐式表达进行稀疏性约束，来对所述第一卷积神经网络和所述第二卷积神经网络的参数空间进行稀疏限制，以提高模型参数的在训练时推断期望特性的激活单元的平均活跃度，从而提高了所述第一尺度特征图和所述第二尺度特征图相对彼此的群优化能力，改善了所述第一尺度特征图和所述第二尺度特征图的特征值集合空间位置分布的偏差。这样，提高对公共场所的人群密度监测的精准度。

所述人群密集度监测结果生成模块160用于将所述校正后差分特征图通过分类器以得到分类结果，所述分类结果用于表示待监测公共场所的人群密集度是否超越安全标准。

在本申请一些实施例中，所述人群密集度监测结果生成模块160的分类过程包括：使用所述分类器的多个全连接层对所述校正后差分特征图进行全连接编码以将所述校正后差分特征图转化为分类特征向量，将所述分类特征向量输入Softmax分类函数以获得所述分类特征向量分别归属于待监测公共场所的人群密集度是否超越安全标准的概率值；若待监测公共场所的人群密集度超越安全标准的概率值大于或等于待监测公共场所的人群密集度未超越安全标准的概率值，则输出分类结果为待监测公共场所的人群密集度超越安全标准，若待监测公共场所的人群密集度超越安全标准的概率值小于待监测公共场所的人群密集度未超越安全标准的概率值，则输出分类结果为待监测公共场所的人群密集度未超越安全标准。

所述人群密集度监测结果生成模块160进一步用于：使用所述分类器以如下公式对所述校正后差分特征图进行处理以生成分类结果，其中，所述公式为：softmax{(W

综上，本申请实施例的基于人工智能的公共场所人群密集度监测系统被阐明，其通过使用第一卷积核的第一卷积神经网络对由部署于公共场所的摄像头采集人群监控图像进行编码以得到第一尺度特征图，通过使用第二卷积核的第二卷积核对人群监控图像进行编码以得到第二尺度特征图，接着计算所述第一尺度特征图和所述第二尺度特征图之间的差分以得到差分特征图，然后对所述差分特征图中各个位置的特征值进行校正以得到校正后差分特征图，最后将所述校正后差分特征图通过分类器以得到分类结果，所述分类结果用于表示待监测公共场所的人群密集度是否超越安全标准。这样，有利于提高对公共场所的人群密度监测的精准度。

如上所述，根据本申请实施例的基于人工智能的公共场所人群密集度监测系统100可以实现在各种终端设备中，例如基于人工智能的公共场所人群密集度监测的服务器等。在一个示例中，根据本申请实施例的基于人工智能的公共场所人群密集度监测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，基于人工智能的公共场所人群密集度监测系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于人工智能的公共场所人群密集度监测系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于人工智能的公共场所人群密集度监测系统100与该终端设备也可以是分立的设备，并且该基于人工智能的公共场所人群密集度监测系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图4图示了根据本申请实施例的基于人工智能的公共场所人群密集度监测方法的流程图。如图4所示，根据本申请实施例的基于人工智能的公共场所人群密集度监测方法，包括：

S101、通过部署于公共场所的摄像头采集人群监控图像；

S102、将所述人群监控图像通过使用第一卷积核的第一卷积神经网络以得到第一尺度特征图；

S103、将所述人群监控图像通过使用第二卷积核的第二卷积神经网络以得到第二尺度特征图；

S104、计算所述第一尺度特征图和所述第二尺度特征图之间的差分以得到差分特征图；

S105、对所述差分特征图中各个位置的特征值进行校正以得到校正后差分特征图；以及

S106、将所述校正后差分特征图通过分类器以得到分类结果，所述分类结果用于表示待监测公共场所的人群密集度是否超越安全标准。

在其中一个示例中，在上述基于人工智能的公共场所人群密集度监测方法中，所述第一卷积核的尺寸小于所述第二卷积核的尺寸。

在其中一个示例中，在上述基于人工智能的公共场所人群密集度监测方法中，所述第一卷积核和所述第二卷积核为空洞卷积核，所述第一卷积核的空洞率小于所述第二卷积核的空洞率。

在其中一个示例中，在上述基于人工智能的公共场所人群密集度监测方法中，所述将所述人群监控图像通过使用第一卷积核的第一卷积神经网络以得到第一尺度特征图，包括：使用第一卷积神经网络的各层在各层的正向传递中对输入数据进行：

基于所述第一卷积核对所述输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图进行基于特征矩阵的全局池化处理以得到池化特征向量；以及

对所述池化特征向量中各个位置的特征值进行非线性激活以得到激活特征向量；

其中，所述第一卷积神经网络的最后一层的输出为所述第一尺度特征图，所述第一卷积神经网络的第一层的输入为所述人群监控图像。

在其中一个示例中，在上述基于人工智能的公共场所人群密集度监测方法中，所述将所述人群监控图像通过使用第二卷积核的第二卷积神经网络以得到第二尺度特征图，包括：使用第二卷积神经网络的各层在各层的正向传递中对输入数据进行：

基于所述第二卷积核对所述输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图进行基于特征矩阵的全局池化处理以得到池化特征向量；以及

对所述池化特征向量中各个位置的特征值进行非线性激活以得到激活特征向量；

其中，所述第二卷积神经网络的最后一层的输出为所述第二尺度特征图，所述第二卷积神经网络的第一层的输入为所述人群监控图像。

在其中一个示例中，在上述基于人工智能的公共场所人群密集度监测方法中，以如下公式计算所述第一尺度特征图和所述第二尺度特征图之间的按位置差分以得到所述差分特征图；

其中，所述公式为：

其中，F

在其中一个示例中，在上述基于人工智能的公共场所人群密集度监测方法中，以如下公式对所述差分特征图中各个位置的特征值进行校正以得到校正后差分特征图，其中，所述公式为：

其中，f'为校正后差分特征图，f为所述差分特征图的特征值，且

在其中一个示例中，在上述基于人工智能的公共场所人群密集度监测方法中，所述将所述校正后差分特征图通过分类器以得到分类结果，包括：

使用所述分类器以如下公式对所述校正后差分特征图进行处理以生成分类结果，其中，所述公式为：softmax{(W

这里，本领域技术人员可以理解，上述基于人工智能的公共场所人群密集度监测方法中的的具体功能和步骤已经在上面参考图2到图3的基于人工智能的公共场所人群密集度监测系统的描述中得到了详细介绍，并因此，将省略其重复描述。

可以理解的是，上述实施例中的部分或全部步骤或操作仅是示例，本申请实施例还可以执行其它操作或者各种操作的变形。此外，各个步骤可以按照上述实施例呈现的不同的顺序来执行，并且有可能并非要执行上述实施例中的全部操作。

下面，参考图5来描述根据本申请实施例的电子设备。

图5图示了根据本申请实施例的电子设备的框图。

如图5所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于人工智能的公共场所人群密集度监测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如参数等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括分类结果或警示提示等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于人工智能的公共场所人群密集度监测方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于人工智能的公共场所人群密集度监测方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。