CN111860261B - 一种客流值的统计方法、装置、设备及介质 - Google Patents

Abstract

本发明公开了一种客流值的统计方法、装置、设备及介质，用以解决现有客流值的统计方法精确度不高的问题。在客流统计过程中，对于待识别图像中包含的每个人头框，将该人头框与当前保存的验证队列中的每个验证人头框的第一相似度，与预设的第一阈值进行比较，并当该人头框对应的每个第一相似度均小于预设的第一阈值时，说明该人头框与每个验证人头框均不相似，确定该人头框为目标人头框，并进行后续的更新当前统计的客流值的步骤，从而避免将可能为海报或广告牌中的“假人”的人头框统计到客流中，提高了客流值统计的精确度。

Description

一种客流值的统计方法、装置、设备及介质

技术领域

本发明涉及图像处理技术领域，尤其涉及一种客流值的统计方法、装置、设备及介质。

背景技术

在商场、景点等开放场景下统计客流以及人员分布情况，分析该场景下的顾客的属性，向商家提供定量化服务，为商家能够做出更好的商业决策提供技术支持。因此，如何统计客流是近几年来人们日益关注的问题。

现有技术中，一般通过传统视觉算法，比如，局部二值模式(Local binarypattern，LBP)，先获取待识别图像中包含的人头框。再针对每个人头框，计算该人头框与当前跟踪队列中的每个标识信息对应的每个跟踪人头框的相似度，通过匈牙利算法，根据每个相似度，确定该人头框的目标标识信息，并在跟踪队列中保存该目标标识信息的人头框。最后根据更新后的跟踪队列中不同标识信息的数量，确定统计的客流值。

对于该方法，当应用场景下存在较多人物海报或者包含人物的广告牌，其无法识别出采集的图像中的每个人头框是否为海报或者广告牌中的“假人”，导致出现将海报或者广告牌中的“假人”也统计到客流值中，影响了统计的客流值的精确度。

发明内容

本发明实施例提供了一种客流值的统计方法、装置、设备及介质，用以解决现有客流值的统计方法精确度不高的问题。

本发明实施例提供了一种客流值的统计方法，所述方法包括：

获取待识别图像中包含的人头框；

对于每个人头框，若所述人头框与当前验证队列中的每个验证人头框的第一相似度均小于预设的第一阈值，确定所述人头框为目标人头框；

对于每个目标人头框，根据所述目标人头框与当前跟踪队列中的每个跟踪人头框的第二相似度，确定所述目标人头框的目标标识信息；若所述目标标识信息满足预设的更新条件，更新当前统计的客流值。

本发明实施例提供了一种客流值的统计装置，所述装置包括：

获取单元，用于获取待识别图像中包含的人头框；

判断单元，用于对于每个人头框，若该人头框与当前验证队列中的每个验证人头框的第一相似度均小于预设的第一阈值，确定该人头框为目标人头框；

处理单元，用于对于每个目标人头框，根据该目标人头框与当前跟踪队列中的每个跟踪人头框的第二相似度，确定该目标人头框的目标标识信息；若所述目标标识信息满足预设的更新条件，更新当前统计的客流值。

本发明实施例提供了一种电子设备，所述电子设备至少包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时实现如上述任一所述客流值的统计方法的步骤。

本发明实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一所述客流值的统计方法的步骤。

在客流统计过程中，对于待识别图像中包含的每个人头框，将该人头框与当前保存的验证队列中的每个验证人头框的第一相似度，与预设的第一阈值进行比较，并当该人头框对应的每个第一相似度均小于预设的第一阈值时，说明该人头框与每个验证人头框均不相似，确定该人头框为目标人头框，并进行后续的更新当前统计的客流值的步骤，从而避免将可能为海报或广告牌中的“假人”的人头框统计到客流中，提高了客流值统计的精确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种客流值的统计过程示意图；

图2为本发明实施例提供的具体的客流值的统计的流程示意图；

图3为本发明实施例提供的具体的客流值的统计流程示意图；

图4为本发明实施例提供的一种客流值的统计装置的结构示意图；

图5为本发明实施例提供的一种电子设备结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例1：图1为本发明实施例提供的一种客流值的统计过程示意图，该过程包括：

S101：获取待识别图像中包含的人头框。

本发明实施例提供的客流值的统计方法应用于电子设备，该电子设备可以为智能设备，例如智能机器人、监控设备等，也可以为服务器等。

获取到待识别图像后，基于本发明实施例提供的客流值的统计方法，对该待识别图像进行相应的处理，从而实现对当前统计的客流值进行更新。

其中，该待识别图像可以是电子设备自身采集的，也可以是接收其他图像采集设备发送的，在此不做限定。

具体实施过程中，可以通过传统视觉算法，比如LBP，获取接收到的待识别图像中包含的人头框。但由于传统视觉算法并不能很好地获取较大拍摄范围的待识别图像中的人头框，当希望能够获取较大拍摄范围的待识别图像中的人头框时，还可以通过预先训练完成的人头检测器或人体检测器，获取接收到的待识别图像中包含的人头框。

其中，获取待识别图像中包含的人头框，即获取待识别图像中各人头区域，可以根据每个人头框在待识别图像中的位置信息，比如，人头框左上角的像素点在待识别图像中的坐标值，以及人头框右下角的像素点在待识别图像中的坐标值，确定待识别图像中包含的每个人头框。

需要说明的是，可以通过深度学习的目标识别方法训练人头检测器或人体检测器，具体的训练过程，属于现有技术，在此不再赘述。

S102：对于每个人头框，若所述人头框与当前验证队列中的每个验证人头框的第一相似度均小于预设的第一阈值，确定所述人头框为目标人头框。

由于待识别图像中可能存在有海报或广告牌，而海报或广告牌中也可能存在人物图像，我们称之为“假人”，通过上述实施例获取人头框的时候，可能会将待识别图像中存在的“假人”的人头框提取出来，从而影响后续客流值的统计。因此，为了提高统计的客流值的精确度，在本发明实施例中，预先设置有验证队列，该验证队列中保存有验证人头框。其中，该验证人头框为已获取到的周围环境中的通过传播媒介显示的人头框，如海报或广告牌中的“假人”的人头框、视频播放设备中的“假人”的人头框等。在设置初始验证队列时，该验证队列可以为空，也可以包含有预先在周围环境中收集到的“假人”的人头框，在后续进行客流值的统计过程中，可以对该验证队列中的验证人头框进行实时的更新。针对获取的待识别图像中包含的每个人头框，分别确定该人头框与当前验证队列中的每个验证人头框的相似度(为了方便描述，记为第一相似度)，根据每个第一相似度以及预设的阈值(为了方便描述，记为第一阈值)，确定该人头框对应的对象是否为“假人”。

其中，在设置第一阈值时，可以根据场景的不同，设置不同的值，如果希望尽可能的筛选出待识别图像中可能为“假人”的人头框，则可以将该第一阈值设置的小一些；如果为了避免误识别待识别图像中不为“假人”的人头框，则可以将该第一阈值设置的大一些。具体实施中可以根据需求进行灵活设置，在此不做具体限定。

具体的，针对获取的待识别图像中包含的每个人头框，若该人头框的每个第一相似度均小于预设的第一阈值，说明该人头框对应的对象可能不是“假人”，则确定该人头框为目标人头框，并执行后续更新当前统计的客流值的处理。

例如，第一阈值为85，计算的三个第一相似度分别为24、17以及8，确定该三个第一相似度24、17以及8均小于第一阈值，说明该人头框与每个验证人头框的相似度不高，则认为该人头框对应的对象不是“假人”，进而将该人头框确定为目标人头框，执行后续更新当前统计的客流值的处理。

其中，确定人头框与验证人头框的第一相似度属于现有技术，其可以是通过网络模型确定，也可以是通过图像相似度算法确定。具体实施中可以根据实际需求进行灵活设置，在此不做具体限定。

在另一种可能的实施方式中，所述方法还包括：

若所述人头框与当前验证队列中的任一验证人头框的第一相似度不小于所述第一阈值，则不执行更新当前统计的客流值的处理。

具体实施过程中，针对每个人头框，分别计算该人头框与当前验证队列中的每个验证人头框的第一相似度，只要该人头框与当前验证队列中的任一验证人头框的第一相似度不小于预设的第一阈值，则说明该人头框对应的对象可能是“假人”，根据该人头框进行客流值的统计将会影响统计的精确度，则不基于该人头框执行更新当前统计的客流值的处理。

其中，在确定待识别图像中包含的任一人头框是否为目标人头框时，可以按照预设的顺序，比如，每个验证人头框的存储顺序、每个验证人头框的采集时间，依次计算该人头框与验证队列中的验证人头框的第一相似度，当确定当前计算的第一相似度不小于预设的第一阈值时，则结束继续计算第一相似度的步骤；还可以在分别计算了该人头框与当前验证队列中的每个验证人头框的第一相似度之后，根据计算的每个第一相似度，确定是否存在任一不小于预设的第一阈值的第一相似度。当然，也可以随机计算该人头框与当前验证队列中的验证人头框的第一相似度，当确定当前计算的第一相似度不小于预设的第一阈值时，则结束继续计算第一相似度的步骤。具体实施中可以根据实际需求进行设置，在此不做具体限定。

例如，第一阈值为85，计算的第一相似度分别为24、31以及90，确定第一相似度90大于第一阈值85，说明该人头框对应的对象可能是“假人”，根据该人头框进行客流值的统计将会影响统计的精确度，则不基于该人头框执行更新当前统计的客流值的处理。

S103：对于每个目标人头框，根据所述目标人头框与当前跟踪队列中的每个跟踪人头框的第二相似度，确定所述目标人头框的目标标识信息；若所述目标标识信息满足预设的更新条件，更新当前统计的客流值。

当基于上述实施例获取到每个目标人头框后，针对每个目标人头框，分别确定该目标人头框与当前跟踪队列中的每个标识信息对应的每个跟踪人头框的相似度(为了方便描述，记为第二相似度)，基于该目标人头框对应的每个第二相似度，进行相应的处理，确定该目标人头框的目标标识信息。其中，该跟踪人头框为已获取到的周围环境中的行人的人头框。在设置初始跟踪队列时，该跟踪队列可以为空，在后续进行客流值的统计过程中，根据每个分配了目标标识信息的目标人头框，对该跟踪队列中的跟踪人头框进行实时的更新。

其中，在确定该目标人头框与当前跟踪队列中的每个跟踪人头框的第二相似度时，该第二相似度的确定方法可以与第一相似度的确定方法相同，也可以不同。当不同时，第二相似度可以是计算该目标人头框与当前跟踪队列中的每个跟踪人头框的区域重叠比例，即分别计算任一跟踪人头框所对应的区域与该目标人头框在待识别图像中的区域的重叠率，也可以是计算该目标人头框与当前跟踪队列中的每个跟踪人头框的空间距离，比如欧式距离、切比雪夫距离等。具体的，确定第二相似度的方式在此不作具体限定。

在一种可能的实施方式中，在确定每个目标人头框的目标标识信息时，针对每个目标人头框，分别确定该目标人头框与当前跟踪队列中的每个跟踪人头框的第二相似度，通过匈牙利算法以及每个第二相似度，确定与该目标人头框相似度较高的跟踪人头框的标识信息，若确定该标识信息对应的任一跟踪人头框与该目标人头框的第二相似度大于设定阈值，则确定该标识信息为目标人头框的标识信息(为了方便描述，记为目标标识信息)；否则，为该目标人头框分配新的标识信息，并将新分配的标识信息确定为该目标人头框的目标标识信息。

其中，人头框(包括：验证人头框、跟踪人头框、以及目标人头框)的标识信息用于唯一标识该人头框所归属的对象的身份信息，该标识信息可以为数字、字母、特殊符号、字符串等，也可以为其他形式的，只要能唯一标识该人头框所归属的对象的身份信息均可作为本发明实施例中的标识信息。

由于在实际应用过程中，当确定目标人头框的目标标识信息之后，若该目标标识信息为跟踪队列中已有的任一跟踪人头框对应的标识信息，则在获取到该目标人头框之前，便已经根据该目标标识信息对应的跟踪人头框执行了更新统计的客流值的处理，则无需再基于该目标人头框执行更新当前统计的客流值的处理。因此，为了进一步准确地统计客流值，在本发明实施例中配置有更新条件，该更新条件可以为目标标识信息是否与当前跟踪队列中的任一标识信息相同。当基于上述实施例确定任一目标人头框的目标标识信息之后，判断该目标标识信息是否满足预设的更新条件，即确定该目标标识信息是否与当前跟踪队列中的人头框的标识信息相同，从而确定是否更新当前统计的客流值。

具体的，若确定该目标标识信息与当前跟踪队列中的任一跟踪人头框的标识信息相同，说明已经根据该目标标识信息对应的跟踪人头框执行了更新统计的客流值的处理，则确定该目标标识信息不满足预设的更新条件，不再根据该目标标识信息更新当前统计的客流值。若确定该目标标识信息与当前跟踪队列中的任一标识信息均不相同，说明该目标标识信息的人头框对应的对象还未被统计到客流值中，则确定该目标标识信息满足预设的更新条件，更新当前统计的客流值。

实施例2：为了进一步地提高统计的客流值的精确度，在上述实施例的基础上，在本发明实施例中，确定所述人头框与当前验证队列中的每个验证人头框的第一相似度，包括：

根据所述人头框内的图像信息，确定所述人头框的哈希值；

针对每个验证人头框，确定所述人头框的哈希值与该验证人头框的哈希值的第一距离，将所述第一距离确定为所述人头框与该验证人头框的第一相似度。

在实际应用过程中，可以用哈希值表征每张图像中的内容信息，其相当于每张图像的一个“指纹”字符串，然后根据不同图像的哈希值，可以确定不同图像之间的相似度，该相似度越高，就说明两张图像越相似。基于此，在本发明实施例中，可以根据人头框中图像的哈希值以及每个验证人头框对应的哈希值，确定第一相似度，从而确定该人头框是否可能为“假人”的人头框。

具体实施过程中，当获取到待识别图像中包含的任一人头框后，根据该人头框内的图像信息，确定该人头框中图像的哈希值，然后针对当前验证队列中的每个验证人头框，确定该人头框中图像的哈希值与该验证人头框对应的哈希值的第一距离，比如，汉明距离，根据该第一距离，确定该人头框与该验证人头框的第一相似度。

在根据该第一距离，确定该人头框与该验证人头框的第一相似度时，可以直接将该第一距离作为该人头框与该验证人头框的第一相似度，也可以对该第一距离进行一定的处理，比如，加权、函数运算、量化等处理，将处理后得到的结果作为该人头框与该验证人头框的第一相似度。具体的根据第一距离确定第一相似度的方法，可以根据实际需求进行灵活设置，在此不做具体限定。

其中，当前验证队列中的每个验证人头框对应的哈希值可以是获取到该验证人头框时确定的，也可以是在确定第一相似度时，实时根据当前验证队列中的每个验证人头框确定的。具体实施中可以根据实际需求进行灵活设置，在此不做具体限定。

需要说明的是，确定人头框图像中的哈希值以及确定第一距离的过程，属于现有技术，在此不再赘述。

在一种可能的实施方式中，为了准确地确定每个人头框的哈希值，根据所述人头框内的图像信息，确定所述人头框的哈希值，包括：

根据所述人头框的尺寸以及设定倍数，确定目标尺寸；

在所述待识别图像中，确定包含所述人头框且尺寸为所述目标尺寸的图像区域；以及

根据所述图像区域内的图像信息，确定所述图像区域的哈希值，并将所述图像区域的哈希值确定为所述人头框的哈希值。

为了可以充分结合人头框中的背景信息，确定该人头框图像中的哈希值，可以先将该人头框所在的区域扩大设定倍数，再基于扩大后的图像区域，计算该人头框的哈希值。具体的，在本发明实施例中，针对待识别图像中包含的每个人头框，根据该人头框的尺寸以及设定倍数，确定目标尺寸；在待识别图像中，确定包含该人头框且尺寸为目标尺寸的图像区域，例如，在该识别图像中，基于该人头框的边框向外扩大，以得到尺寸为目标尺寸的图像区域；以及基于该图像区域内的图像信息，确定该人头框的哈希值。比如，获取的人头框的尺寸为10*10，在待识别图像中的位置信息为(10，20)、(20，30)，设定倍数为4倍，则确定目标尺寸为20*20，在待识别图像中，确定包含该人头框且尺寸为20*20的图像区域的位置信息为(5，15)、(25，35)。

其中，在设置设定倍数的值时，可以根据场景的不同，设置不同的值，如果希望尽可能多的学习到人头框中的背景信息，则可以将该值设置的大一些；如果为了避免图像区域包含其他对象的人头框的信息，则可以将该设定倍数设置的小一些，较佳的，该设定倍数可以是2倍。

实施例3：本实施例提供了再一种确定目标标识信息是否满足预设的更新条件的方式，具体如下：

在当前跟踪队列中，获取所述目标标识信息对应的跟踪人头框；

根据采集时间相邻的每两个跟踪人头框的图像信息，确定该两个跟踪人头框对应的移动距离，并根据每个所述移动距离，确定距离之和；以及

若所述目标标识信息对应的跟踪人头框的数量大于设定的数量阈值，且所述距离之和大于设定的距离阈值，确定所述目标标识信息满足预设的更新条件。

在实际应用中，有可能出现获取的待识别图像是在如办事大厅、商场、公交车等应用场景的门口处采集的，虽然在这些应用场景的门口处采集的待识别图像中可能包含每一个进入该应用场景的对象的人头框，但又极易包含有从该应用场景的门口路过的对象的人头框。比如，统计进入公交车的客流值的场景下，一般待识别图像是在公交车上车车门的门口处采集的，在该采集的待识别图像中，不仅包含有要上公交车的对象的人头框，还可能包含从公交车门口处路过的对象的人头框，如果后续直接根据当前跟踪队列中是否保存有与该目标标识信息相同的标识信息，确定该目标标识信息是否满足预设的更新条件的话，则容易造成统计的客流值不准确。此外，在应用场景下也可能会存在进行视频播放的投屏电视或投影仪等视频播放设备，若采集到的待识别图像中包含该视频播放设备正在播放的包含有人物的画面，则也会造成统计的客流值不准确。

因此，在确定目标标识信息是否满足预设的更新条件时，若该目标标识信息为新分配的标识信息，则可以根据上述实施例中的方式，当确定当前跟踪队列中不存在与该目标标识信息相同的标识信息时，直接对当前统计的客流值进行更新。

但为了进一步提高统计的客流值的精确度，当确定当前跟踪队列中不存在与该目标标识信息相同的标识信息时，不更新当前统计的客流值，并将该目标人头框及其对应的目标标识信息保存到跟踪队列中，以使后续可以基于当前跟踪队列中目标标识信息对应的跟踪人头框的数量，以及该目标标识信息对应的跟踪人头框所归属的对象的在拍摄范围内的移动距离，确定该目标标识信息是否满足预设的更新条件。

一般情况下，待识别图像是按照预设的时间间隔采集的，也可以是实时采集的，而进入应用场景的对象从进入到拍摄范围到离开拍摄范围是需要一定的时间，因此，可以采集到包含有该对象的人头框的多张待识别图像。并且对象从进入到拍摄范围到离开拍摄范围所走过的距离一般会大于通过该拍摄范围的最短距离，即该对象从进入到拍摄范围到离开拍摄范围所走过的距离一般会大于一定的阈值。因此，在本发明实施例中，为了进一步提高统计的客流值的准确性，可以根据预设的图像采集的时间间隔、预设的拍摄范围以及对象的平均速度设置数量阈值，并根据预设的拍摄范围，设置距离阈值。

具体实施过程中，若当前跟踪队列中目标标识信息对应的跟踪人头框的数量大于数量阈值，且该目标标识信息对应的跟踪人头框对应的对象在拍摄范围内走过的距离大于距离阈值，则确定该目标标识信息满足预设的更新条件。

当基于上述实施例获取到目标人头框的目标标识信息之后，在当前跟踪队列中，获取该目标标识信息对应的跟踪人头框，然后根据采集时间相邻的每两个跟踪人头框的图像信息，确定该两个跟踪人头框对应的移动距离。然后根据获取到的每个移动距离，确定距离之和。判断该目标标识信息对应的跟踪人头框的数量是否大于数量阈值，且获取的距离之和是否大于距离阈值。

若该目标标识信息对应的跟踪人头框的数量大于数量阈值，且获取的距离之和大于距离阈值，说明该目标标识信息的人头框对应的对象不为“假人”，则确定该目标标识信息满足预设的更新条件；

若该目标标识信息对应的跟踪人头框的数量不大于数量阈值，或获取的距离之和不大于距离阈值，说明该目标标识信息的人头框对应的对象很可能是从应用场景的门口处经过的路人，或，在视频播放设备上播放的视频中包含的“假人”，则确定该目标标识信息不满足预设的更新条件，且不执行更新当前统计的客流值的处理。

其中，确定该两个跟踪人头框对应的移动距离时，可以根据该两个跟踪人头框设定位置的像素点在待识别图像中的位置信息确定。比如，根据该两个跟踪人头框左上角的像素点在待识别图像的坐标值的距离、跟踪人头框右下角的像素点在待识别图像的坐标值的距离、跟踪人头框对角线中点处的像素点在待识别图像的坐标值的距离等。

其中，该数量阈值一般不大于，根据预设的拍摄范围中最大拍摄距离与时间间隔和平均速度的乘积所确定的商。为了提高统计的客流值的准确性，该数量阈值不宜过小；为了避免由于对象的行走速度过快，从而出现漏统计该对象的情况，该数量阈值不宜过大。具体实施中可以根据实际需求进行灵活设置，在此不做具体限定。

该距离阈值一般不大于预设的拍摄范围中最大拍摄距离。为了提高统计的客流值的准确性，该距离阈值不宜过小；为了避免由于对象的行走速度过快，从而出现漏统计该对象的情况，该距离阈值不宜过大。具体实施中可以根据实际需求进行灵活设置，在此不做具体限定。

本发明实施例中，若当前跟踪队列中该目标标识信息对应的跟踪人头框的数量大于设定的数量阈值，且获取的距离之和大于设定的距离阈值时，才确定目标标识信息满足预设的更新条件，从而排除采集的待识别图像中可能出现从应用场景的门口处经过的路人，或，在视频播放设备上播放的视频中包含的“假人”的人头框，进一步提高统计的客流值的精确度。

实施例4：由于可能出现将“假人”保存到跟踪队列中从而影响对当前统计的客流值的更新的情况，在实际应用过程中，一般不为“假人”的对象在应用场景下是运动的，且获取的每张待识别图像也均是按照设定时间间隔采集的，因此，同一对象进入应用场景的过程中采集的多张待识别图像中会包含该对象的图像。此外，由于在应用场景中一般会包含有许多行人对象，因为每个行人对象均是运动的，因此每个行人对象的背景及其位置也一般会发生变化。而对于应用场景中海报、广告牌中的“假人”，由于这些“假人”往往是不动的，因此每个“假人”的背景及其位置一般不会发生变化。基于此，为了进一步地提高统计的客流值的精确度，可以根据当前跟踪队列中的任一标识信息的任意两个跟踪人头框对应的区域之间的相似度(为了方便描述，即为第三相似度)，以及预设的阈值(为了方便描述，记为第二阈值)，确定该标识信息对应的每个跟踪人头框对应的对象是否为“假人”，从而实现对当前跟踪队列中的跟踪人头框进行更新。

其中，确定任意两个跟踪人头框之间的第三相似度的方法可以与上述确定人头框与验证人头框的第一相似度的方法类似，比如，分别根据该两个跟踪人头框内的图像信息，确定该两个跟踪人头框对应的哈希值，然后确定该两个跟踪人头框的哈希值的距离，根据该距离，确定该两个跟踪人头框的第三相似度。

具体的，可以通过以下两种方式对当前跟踪队列中的跟踪人头框进行更新：

方式一、为了能够及时将当前跟踪队列中的跟踪人头框进行更新，可以在获取到任一目标人头框的目标标识信息之后，实时对当前跟踪队列中该目标标识信息对应的跟踪人头框进行更新。具体的，当基于上述实施例获取到目标人头框的目标标识信息之后，在当前跟踪队列中，获取该目标标识信息对应的任意两个跟踪人头框之间的第三相似度，判断每个第三相似度是否均大于预设的第二阈值。

若该目标标识信息对应的任意两个跟踪人头框的第三相似度均大于预设的第二阈值，说明该目标标识信息对应的任意两个跟踪人头框之间相似度极高，即该目标标识信息的每个跟踪人头框中的背景等图像信息均没有发生变化，确定该目标标识信息对应的跟踪人头框对应的对象可能为假人，则在当前跟踪队列中删除该目标标识信息对应的每个跟踪人头框的相关信息，且不执行更新当前统计的客流值的处理。

其中，每个跟踪人头框的相关信息包括但不限于位置信息、哈希值、采集时间中的至少一种。

例如，预设的第二阈值为89，获取跟踪队列中目标标识信息为2对应的跟踪人头框为3个，其中任意两个跟踪人头框的第三相似度分别为92、90、95，确定该目标标识信息为2对应的每个第三相似度均大于第二阈值89，说明该目标标识信息2对应的每个跟踪人头框中的背景等图像信息没有发生较大的变化，确定该目标标识信息2对应的跟踪人头框对应的对象可能为“假人”，则在当前跟踪队列中删除该目标标识信息2对应的每个跟踪人头框的相关信息，且不执行更新当前统计的客流值的处理。

方式二、为了减少当前跟踪队列中的跟踪人头框进行更新时所耗费的资源，预设有更新周期。按照预设的更新周期，对当前跟踪队列中的每个标识信息对应的跟踪人头框进行更新，即针对当前跟踪队列中的每个标识信息，获取该标识信息对应的任意两个跟踪人头框之间的第三相似度，判断每个第三相似度是否均大于预设的第二阈值，从而确定是否删除该标识信息对应的跟踪人头框。

需要说明的是，具体确定是否删除该标识信息对应的跟踪人头框与上述方式一中的确定方法类似，重复之处不做赘述。

为了有利于后续过滤出待识别图像中包含的假人，所述方法还包括：在当前验证队列中保存所述目标标识信息对应的每个跟踪人头框的相关信息。

为了有利于后续从待识别图像中筛选出“假人”的人头框，在本发明实施例中，当基于上述实施例确定跟踪队列中该目标标识信息对应的跟踪人头框对应的对象为“假人”之后，可以在当前验证队列中保存该目标标识信息对应的每个跟踪人头框的相关信息，以便后续根据该更新后的验证队列，可以进一步筛选出待识别图像中包含的“假人”的人头框，提高统计的客流值的精确度。

实施例5：本实施例提供了再一种根据目标人头框与当前跟踪队列中的每个跟踪人头框的第二相似度，确定该目标人头框的目标标识信息的方式，包括：

分别确定所述目标人头框与当前跟踪队列中的每个跟踪人头框的第二相似度；

根据匈牙利算法以及每个所述第二相似度，确定第一标识信息；

若当前跟踪队列中所述第一标识信息对应的跟踪人头框与所述目标人头框的第二相似度均小于设定的匹配阈值，根据所述目标人头框与当前跟踪队列中的每个跟踪人头框的特征相似度、以及所述目标人头框对应的目标阈值，确定所述目标人头框的目标标识信息。

一般情况下，获取的待识别图像是按照预设的时间间隔采集的，比如2s、3s等，并且为了保证可以实时采集到所有进入拍摄范围的对象的图像，该预设的时间间隔不会设置的很大。但是因为在实际应用的过程中，同一对象从进入到拍摄范围到离开拍摄范围所花费的时间，一般是大于预设的时间间隔，因此，可能出现采集的多张待识别图像中均包含有同一对象的人头框。如果直接根据从待识别图像获取的每个目标人头框的数量，统计客流值的话，则会将同一对象多次统计，使统计的客流值精确度不高。

为了准确地统计客流值，当基于上述实施例获取到每个目标人头框后，针对每个目标人头框，分别确定该目标人头框与当前跟踪队列中的每个跟踪人头框的第二相似度，并针对当前跟踪队列中的每个标识信息，根据获取到的该目标人头框与当前跟踪队列中的该标识信息对应的每个跟踪人头框的第二相似度，确定第二相似度的最大值。根据匈牙利算法以及每个第二相似度的最大值，确定第一标识信息。

具体实施过程中，由于匈牙利算法的输入必须是行列相等的矩阵，因此，在确定该输入矩阵时，根据当前确定的目标人头框的数量、当前跟踪队列中保存的标识信息的数量中的最大值，从而确定输入矩阵的维数(为了方便描述，该矩阵的维数为N*N)。

其中，该N*N维的输入矩阵是基于每个目标人头框与当前跟踪队列中的每个标识信息对应的跟踪人头框的第二相似度的最大值确定的。其中，该N*N维的输入矩阵中的第i行第j列的元素为第i个目标人头框与第j个标识信息对应的每个跟踪人头框的第二相似度中的最大值，其中，i＝1,2,…,A，A为目标人头框的数量；j＝1,2,…,B，B为前跟踪队列中的标识信息的数量；N取A和B中的最大值。

若该目标人头框的数量与当前跟踪队列中的标识信息的数量相等，则N为目标人头框的数量或当前跟踪队列中的标识信息的数量，根据匈牙利算法以及N*N的输入矩阵，获取N*1的向量，基于该输出的向量，确定每个目标人头框对应的第一标识信息，即该输出的向量中的每维元素分别为该N个目标人头框对应的第一标识信息。

在另一种可能的实施方式中，当获取的目标人头框的数量与当前跟踪队列中的标识信息的数量不相等时，为了方便确定第一标识信息，则可以对当前确定的输入矩阵缺少的行或列进行增补，以生成N*N的输入矩阵。具体的，增补方法可以是随机选取不小于当前确定的输入矩阵中的最大值的数值，对上述的输入矩阵缺少的行或列进行增补。

需要说明的是，该增补的行或列中的每维元素一般是相同的，但不排除该增补的行或列中的每维元素也可以是不同的数值。

例如，当前确定了2个目标人头框，而跟踪队列中的标识信息保存有4个，则确定的N为4，而根据每个目标人头框与当前跟踪队列中的4个标识信息对应的跟踪人头框的第二相似度的最大值，只能确定2*4的输入矩阵，为了方便确定第一标识信息，则可以对该2*4的输入矩阵缺少的行进行增补，确定该2*4的输入矩阵中的最大值为0.8，随机选取不小于该0.8的任一数值，比如1，采用2*4的由1组成的第一填充矩阵对上述确定的2*4的输入矩阵缺少的行进行增补，从而生成4*4的输入矩阵。

又例如，当前确定了4个目标人头框，而跟踪队列中的标识信息保存有2个，则确定的N为4，而根据每个目标人头框与当前跟踪队列中的2个标识信息对应的跟踪人头框的第二相似度的最大值，只能确定4*2的输入矩阵，为了方便确定第一标识信息，则可以对该4*2的输入矩阵缺少的列进行增补，确定该4*2的输入矩阵中的最大值为0.95，随机选取不小于该0.95的任一数值，比如0.95，采用4*2的由0.95组成的第一填充矩阵对上述确定的4*2的输入矩阵缺少的列进行增补，从而生成4*4的输入矩阵。

为了准确地确定目标人头框的目标标识信息，当基于上述实施例获取到第一标识信息之后，确定该第一标识信息对应的跟踪人头框，并获取上述实施例中确定的该目标人头框与该第一标识信息对应的跟踪人头框的第二相似度，将每个第二相似度与设定的匹配阈值进行比较，从而确定该目标人头框的目标标识信息。

具体的，若当前跟踪队列中第一标识信息对应的任一跟踪人头框与目标人头框的第二相似度大于设定的匹配阈值，即确定当前跟踪队列中第一标识信息对应的任一跟踪人头框与目标人头框的第二相似度大于设定的匹配阈值，说明该目标人头框与该第一标识信息对应的跟踪人头框的相似度较高，则确定该目标人头框的目标标识信息为该第一标识信息。

由于可能出现在不同的待识别图像中获取的同一对象的人头框中包含的脸部特征发生遮挡等情况，降低了同一对象的人头框之间的第二相似度，从而造成后续将同一对象的人头框误识别为不同的对象的人头框。比如获取的包含该某人A的连续两张待识别图像中，在其中一张待识别图像中获取的某人A的人头框被物体B遮挡，而另一张待识别图像中获取的某人A的人头框没有被物体遮挡，则从该两张待识别图像中，确定的该某人A的人头框之间的第二相似度会很小。因此，为了进一步地准确地确定目标人头框的目标标识信息，在本发明实施例中，当基于上述实施例确定当前跟踪队列中第一标识信息对应的跟踪人头框与目标人头框的第二相似度均小于设定的匹配阈值时，获取该目标人头框的特征向量，以及预先保存的当前跟踪队列中的每个跟踪人头框对应的特征向量，然后针对当前跟踪队列中的每个跟踪人头框，根据该目标人头框的特征向量，以及预先保存的该跟踪人头框对应的特征向量，确定该目标人头框与该跟踪人头框的特征相似度。基于获取的每个特征相似度以及该目标人头框对应的目标阈值，进行进一步地分析，确定该目标人头框的目标标识信息。

其中，目标人头框的特征向量可以是通过图像识别模型获取的，也可以是通过其他算法确定的，在此不做具体限定。较佳的，在本发明实施例中是通过图像识别模型获取的。

在一种可能的实施方式中，若目标人头框的特征向量是通过图像识别模型获取的，则为了准确地获取目标人头框的特征向量，要预先训练图像识别模型。具体的，图像识别模型通过如下方式获取：

获取样本集中任一样本人头框，及其对应的样本标识信息；

通过深度学习网络模型，获取所述样本人头框对应的第三标识信息；

根据所述样本标识信息以及所述第三标识信息，对所述深度学习网络模型进行训练，得到图像识别模型。

其中，可以通过该图像识别模型中的特征提取层，获取目标人头框的特征向量。

为了准确地获取目标人头框的特征向量，可以根据预先获取的样本集中的每个样本人头框及其对应的样本标识信息，对深度学习网络模型进行训练。其中，样本标识信息是用于标识对应样本人头框对应的对象的身份特征，其可以用数字、字母、字符串等进行表示，也可以用其它形式进行表示，只需保证不同的对象的样本人头框的样本标识信息不同即可。

此外，为了增加样本人头框的多样性，同一样本标识信息的样本人头框包括不同角度的样本人头框，比如包含正脸的样本人头框、包含向右转45度的侧脸的样本人头框，包含向左转45度的侧脸的样本人头框等。

需要说明的是，该训练图像识别模型的设备可以与后续进行客流值的统计的电子设备相同，也可以不同。

通过深度学习网络模型，可以识别样本人头框对应的标识信息(为了方便说明，记为第三标识信息)，根据该第三标识信息以及该样本人头框对应的样本标识信息，对深度学习网络模型进行训练，以调整深度学习网络的各参数的参数值，得到图像识别模型。

比如，样本人头框对应的样本标识信息为A，通过深度学习网络模型，识别该样本人头框对应的第三标识信息为B，该第三标识信息B与对应的样本标识信息A不一致，确定该样本人头框的标识信息被深度学习网络模型误识别。

样本集中包含大量的样本人头框，对每个样本人头框都进行上述操作，当满足预设的收敛条件时，模型训练完成。

其中，满足预设的收敛条件可以为样本集中的样本人头框通过图像识别模型，被正确识别的样本人头框个数大于设定数量，或对图像识别模型进行训练的迭代次数达到设置的最大迭代次数等。具体实施中可以灵活进行设置，在此不做具体限定。

在一种可能的实施方式中，在进行图像识别模型训练时，可以把样本集中的样本人头框分训练样本和测试样本，先基于训练样本人头框对图像识别模型进行训练，再基于测试样本人头框对上述已训练的图像识别模型的可靠程度进行验证。

当获取到训练完成的图像识别模型以后，后续可以通过图像识别模型中的特征提取层，获取目标人头框的特征向量。

为了进一步准确地确定目标人头框的目标标识信息，在上述实施例的基础上，在本发明实施例中，根据所述目标人头框与当前跟踪队列中的每个跟踪人头框的特征相似度、以及所述目标人头框对应的目标阈值，确定所述目标人头框的目标标识信息，包括：

根据所述匈牙利算法以及所述每个特征相似度，确定第二标识信息；

若当前跟踪队列中所述第二标识信息对应的任一跟踪人头框与所述目标人头框的特征相似度大于所述目标人头框对应的目标阈值，确定所述目标人头框的目标标识信息为所述第二标识信息；否则，将为所述目标人头框分配新的标识信息作为所述目标人头框的目标标识信息。

当基于上述实施例获取到目标人头框与当前跟踪队列中的每个跟踪人头框的特征相似度后，根据每个特征相似度以及匈牙利算法，确定该目标人头框对应的第二标识信息。

具体实施过程中，由于匈牙利算法的输入必须是行列相等的矩阵，因此，根据当前确定的目标人头框的数量、当前跟踪队列中保存的跟踪人头框的数量中的最大值，确定匈牙利算法所需的输入矩阵的维数。

其中，该输入矩阵是基于每个目标人头框与当前跟踪队列中的每个跟踪人头框的特征相似度确定的。其中，该N*N维的输入矩阵中的第i行第j列的元素为第i个目标人头框与第j个跟踪人头框的特征相似度，i＝1,2,…,A，A为目标人头框的数量，j＝1,2,…,C，C为前跟踪队列中的跟踪人头框的数量，N取A和C中的最大值。

需要说明的是，通过匈牙利算法以及每个特征相似度，确定第二标识信息的过程与上述确定第一标识信息的方法类似，重复之处不再赘述。

为了准确地确定目标人头框的目标标识信息，当基于上述实施例获取到第二标识信息之后，确定该第二标识信息对应的跟踪人头框，并获取上述实施例中确定的该目标人头框与该第二标识信息对应的跟踪人头框的特征相似度，将该特征相似度与目标人头框对应的目标阈值进行比较，从而确定该第二标识信息是否为该目标人头框的目标标识信息。

具体的，若当前跟踪队列中第二标识信息对应的任一跟踪人头框与该目标人头框的特征相似度大于该目标人头框对应的目标阈值，说明该目标人头框与该第二标识信息对应的跟踪人头框的相似度较高，则确定该目标人头框的目标标识信息为该第二标识信息；若当前跟踪队列中该第二标识信息对应的每个跟踪人头框与该目标人头框的特征相似度均不大于该目标人头框对应的目标阈值，说明该目标人头框与该第二标识信息对应的跟踪人头框的相似度不高，该目标人头框很有可能为刚进入到应用场景中的对象的人头框，则为该目标人头框分配新的标识信息，并确定该目标人头框的目标标识信息为该新的标识信息。

其中，目标人头框对应的目标阈值可以是预先设定的值，也可以是根据目标人头框的尺寸确定的。具体可以根据灵活进行设置，在此不做具体限定。

实施例6：下面通过具体的实施例对本发明实施例提供的客流值的统计方法进行说明，图2为本发明实施例提供的具体的客流值的统计的流程示意图，该流程包括：

S201：获取待识别图像中包含的人头框。

由于通过上述的步骤，可能获取到待识别图像包含的多个人头框，为了方便说明，针对获取的待识别图像中的任一人头框，执行以下步骤：

S202：根据该人头框内包含的图像信息，确定该人头框的哈希值，判断该人头框的哈希值与当前验证队列中的每个验证人头框的哈希值的汉明距离是否均小于预设的第一阈值，若是，则执行S204，否则，执行S203。

S203：确定不执行S205～S213。

S204：确定该人头框为目标人头框。

当基于上述S202～S204的步骤，确定了待识别图像中包含的每个目标人头框之后，为了方便说明，针对获取的任一目标人头框，执行以下步骤：

S205：确定该目标人头框与当前跟踪队列中的每个标识信息的跟踪人头框的区域重叠比例。

S206：根据匈牙利算法以及每个区域重叠比例，确定第一标识信息，判断当前跟踪队列中第一标识信息对应的任一跟踪人头框与目标人头框的区域重叠比例是否大于设定的匹配阈值，若是，则执行S207，否则，执行S208。

S207：确定该目标人头框的目标标识信息为第一标识信息，然后执行S212。

S208：根据通过图像识别模型中的特征提取层获取的该目标人头框的特征向量，以及当前跟踪队列中的每个跟踪人头框对应的特征向量，获取该目标人头框与每个跟踪人头框的特征相似度。

S209：根据匈牙利算法以及每个特征相似度，确定第二标识信息，判断当前跟踪队列中该第二标识信息对应的任一跟踪人头框与该目标人头框的特征相似度是否大于该目标人头框对应的目标阈值，若是，则执行S210，否则，执行S211。

S210：确定该目标人头框的目标标识信息为第二标识信息，然后执行S212。

S211：为目标人头框分配新的标识信息，并确定该目标人头框的目标标识信息为该新的标识信息，然后执行S212。

S212：判断该目标标识信息对应的任意两个跟踪人头框的第三相似度是否均大于预设的第二阈值，若是，则执行S213，否则，执行S215。

S213：在验证队列中保存该目标标识信息对应的每个跟踪人头框的相关信息。

S214：在当前跟踪队列中删除该目标标识信息对应的每个跟踪人头框的相关信息，且不执行S215～S219。

S215：在当前跟踪队列中，获取该目标标识信息对应的跟踪人头框。

S216：根据采集时间相邻的每两个跟踪人头框的图像信息，确定该两个跟踪人头框对应的移动距离，并根据每个移动距离，确定距离之和。

S217：判断该目标标识信息对应的跟踪人头框的数量是否大于设定的数量阈值，且获取的距离之和是否大于设定的距离阈值，若是，则执行S218，否则，执行S219。

S218：更新当前统计的客流值。

S219：将该目标人头框的相关信息保存到当前跟踪队列中。

实施例7：为了进一步地提高统计的客流值的精确度，在上述实施例的基础上，在本发明实施例中，确定所述目标人头框对应的目标阈值包括：通过图像尺寸与阈值的对应关系，确定所述目标人头框的尺寸对应的目标阈值。

由于在实际应用过程中，通过多张待识别图像，获取同一人在不同位置处的人头框中所包含的脸部特征会不同，且不同位置处的人头框在待识别图像中的尺寸也会不同。比如，某人C在待识别图像的左上角处时，该某人C的人头框比较小且包含的脸部特征比较模糊，而某人C在另一张待识别图像的中央处时，该某人C的人头框比较大且包含的脸部特征比较清晰，使后续根据同一对象的脸部特征清晰的人头框的特征向量，与脸部特征模糊的人头框的特征向量计算特征相似度时，该特征相似度会很低，且一般无法大于设定的阈值，极易将同一人误识别两个人，降低统计的客流值的精确度。

因此，为了进一步地提高统计的客流值的精确度，在本发明实施例中，预先保存有图像尺寸与阈值的对应关系，当需要根据目标人头框对应的每个特征相似度，以及目标人头框对应的目标阈值，确定该目标人头框的目标标识信息时，根据预先保存的图像尺寸与阈值的对应关系，确定该目标人头框的尺寸对应的目标阈值。

作为一种可能的实施方式，根据如下方式确定图像尺寸与阈值的对应关系：

获取样本集中每个样本人头框的样本特征向量，每个样本人头框均对应有样本标识信息；

针对每个样本标识信息对应的样本人头框，获取该样本人头框的样本特征向量、与该样本标识信息对应的目标样本人头框的样本特征向量的样本特征相似度；以及

根据每个样本人头框的尺寸及其对应的样本特征相似度，确定每个图像尺寸分别对应的阈值。

为了可以根据不同位置的目标人头框，准确地确定对应的阈值，在本发明实施例中，预先采集有样本集，该样本集中包含有每个样本人头框、每个样本人头框对应的样本标识信息。通过上述的图像识别模型，分别获取每个样本人头框的样本特征向量后，针对样本集中的每个样本标识信息对应的样本人头框，获取该样本人头框的样本特征向量、与该样本标识信息对应的目标样本人头框的样本特征向量的样本特征相似度。

由于在实际应用场景中，同一对象是从远处逐渐靠近图像采集设备的，因此该图像采集设备最早采集到的包含有该对象的待识别图像中该对象的人头框的尺寸一般是最小的，且人头框中包含的特征也最少，而之后连续采集的多张包含有该对象的待识别图像中，该对象的人头框的尺寸会随着对象的靠近越来越大，人头框中图像的特征也会越来越清晰，从而使根据同一对象的图像的特征越清晰的两个人头框，该两个人头框的图像尺寸会越大，根据该两个人头框的特征，确定的特征相似度会越大，而同一对象的图像的特征越模糊的两个人头框，该两个人头框的图像尺寸会越小，根据该两个人头框的特征，确定的特征相似度会越小。基于此可知，人头框的图像尺寸与特征相似度具有一定的线性关系。而在实际应用过程中，一般可以将采集时间最早的样本人头框确定为该样本标识信息对应的目标样本人头框。此外，该样本标识信息对应的目标样本人头框也不排除存在其他可能的方式，上述实施例并非对样本标识信息对应的目标样本人头框的限定。

当基于上述实施例获取到每个样本人头框对应的样本特征相似度后，根据每个样本人头框的尺寸以及对应的样本特征相似度，确定每个图像尺寸分别对应的阈值。具体的，将样本人头框的尺寸作为横轴，样本特征相似度作为纵轴，根据每个样本人头框的尺寸以及对应的样本特征相似度，进行拟合，确定拟合曲线，比如D＝F(x)，其中，x为样本人头框的尺寸，D为阈值。根据该拟合曲线，即确定图像尺寸与阈值的对应关系。其中，具体的拟合过程属于现有技术，在此不再赘述。

实施例8：下面通过具体的实施例对本申请的客流值的统计方法进行说明，图3为本发明实施例提供的具体的客流值的统计流程示意图，该流程包括图像识别模型的训练、人头框的面积与动态阈值的对应关系的确定、客流值的统计三个部分，下面针对每个部分进行详细说明：

第一部分：图像识别模型的训练。

S301：训练深度学习网络模型，以获得图像识别模型。

第一电子设备获取样本集中任一样本人头框及其对应的样本标识信息；通过深度学习网络模型，获取样本人头框对应的第三标识信息；根据样本标识信息以及第三标识信息，对深度学习网络模型进行训练，得到图像识别模型，以使后续可以通过该图像识别模型中的特征提取层，获取目标人头框的特征向量。

其中，在训练图像识别模型的过程中，一般采用离线的方式，第一电子设备预先根据样本集中的样本人头框以及对应的样本标识信息，对深度学习网络模型进行训练，以获得图像识别模型。

需要说明的是，第一电子设备与后续进行客流值统计的第二电子设备可以相同也可以不同，在此不做具体限定。

第二部分：人头框的面积与动态阈值的对应关系的确定。

S302：确定图像尺寸与阈值的对应关系。

第一电子设备通过深度学习网络模型，分别获取样本集中每个样本人头框的样本特征向量，每个样本人头框均对应有样本标识信息；针对每个样本标识信息对应的样本人头框，获取该样本人头框的样本特征向量、与该样本标识信息对应的目标样本人头框的样本特征向量的样本特征相似度；根据每个样本人头框的尺寸及其对应的样本特征相似度，确定每个图像尺寸分别对应的阈值。

其中，该部分也可以在后续用于客流值的统计的第二电子设备中完成，本实施例中不对该部分的执行主体进行限定。

第三部分：客流值的统计，基于上述第一电子设备训练得到的图像识别模型，通过第二电子设备进行客流值的统计，具体实现包括如下步骤：

S303：获取待识别图像中包含的人头框。

由于通过上述的步骤，可能获取到待识别图像包含的多个人头框，为了方便说明，针对获取的待识别图像中的任一人头框，执行以下步骤：

S304：判断该人头框与当前验证队列中的每个验证人头框的第一相似度均小于预设的第一阈值，若是，则执行S305，否则，执行S306。

S305：确定该人头框为目标人头框。

S306：确定不执行S307～S310。

当基于上述S304～S306的步骤，确定了待识别图像中包含的每个目标人头框之后，为了方便说明，针对获取的任一目标人头框，执行以下步骤：

S307：根据该目标人头框与当前跟踪队列中的每个跟踪人头框的第二相似度，确定该目标人头框的目标标识信息。

S308：判断目标标识信息是否满足预设的更新条件，若是，则执行S309，否则，执行S310。

S309：更新当前统计的客流值。

S310：将该目标人头框的相关信息保存到当前跟踪队列中。

实施例9：图4为本发明实施例提供的一种客流值的统计装置的结构示意图，本发明实施例提供了一种客流值的统计装置，所述装置包括：

获取单元41，用于获取待识别图像中包含的人头框；

判断单元42，用于对于每个人头框，若该人头框与当前验证队列中的每个验证人头框的第一相似度均小于预设的第一阈值，确定该人头框为目标人头框；

处理单元43，用于对于每个目标人头框，根据所述目标人头框与当前跟踪队列中的每个跟踪人头框的第二相似度，确定所述目标人头框的目标标识信息；若所述目标标识信息满足预设的更新条件，更新当前统计的客流值。

在一种可能的实施方式中，所述判断单元42，具体用于：

根据所述人头框内的图像信息，确定所述人头框的哈希值；针对每个验证人头框，确定所述人头框的哈希值与该验证人头框的哈希值的第一距离，将所述第一距离确定为所述人头框与该验证人头框的第一相似度。

在一种可能的实施方式中，所述判断单元42，具体用于：

根据所述人头框的尺寸以及设定倍数，确定目标尺寸；在所述待识别图像中，确定包含所述人头框且尺寸为所述目标尺寸的图像区域；以及根据所述图像区域中包含的图像信息，确定所述图像区域的哈希值，并将所述图像区域的哈希值确定为所述人头框的哈希值。

在一种可能的实施方式中，所述判断单元42，还用于若所述人头框与当前验证队列中的任一验证人头框的第一相似度不小于所述第一阈值，则不执行更新当前统计的客流值的处理。

在一种可能的实施方式中，所述处理单元43，具体用于：

在当前跟踪队列中，获取所述目标标识信息对应的跟踪人头框；根据采集时间相邻的每两个跟踪人头框的图像信息，确定该两个跟踪人头框对应的移动距离，并根据每个所述移动距离，确定距离之和；以及若所述目标标识信息对应的跟踪人头框的数量大于设定的数量阈值，且所述距离之和大于设定的距离阈值，确定所述目标标识信息满足预设的更新条件。

在一种可能的实施方式中，所述处理单元43，还用于若所述目标标识信息对应的任意两个跟踪人头框的第三相似度均大于预设的第二阈值，则在当前跟踪队列中删除所述目标标识信息对应的每个跟踪人头框的相关信息，且不执行更新当前统计的客流值的处理。

在一种可能的实施方式中，所述处理单元43，还用于在当前验证队列中保存所述目标标识信息对应的每个跟踪人头框的相关信息。

在一种可能的实施方式中，所述处理单元43，具体用于：

分别确定所述目标人头框与当前跟踪队列中的每个跟踪人头框的第二相似度；根据匈牙利算法以及每个所述第二相似度，确定第一标识信息；若当前跟踪队列中所述第一标识信息对应的跟踪人头框与所述目标人头框的第二相似度均小于设定的匹配阈值，根据所述目标人头框与当前跟踪队列中的每个跟踪人头框的特征相似度、以及所述目标人头框对应的目标阈值，确定所述目标人头框的目标标识信息。

在一种可能的实施方式中，所述处理单元43，具体用于：

根据所述匈牙利算法以及所述每个特征相似度，确定第二标识信息；若当前跟踪队列中所述第二标识信息对应的任一跟踪人头框与所述目标人头框的特征相似度大于所述目标人头框对应的目标阈值，确定所述目标人头框的目标标识信息为所述第二标识信息；否则，将为所述目标人头框分配新的标识信息作为所述目标人头框的目标标识信息。

在一种可能的实施方式中，所述处理单元43，具体用于：通过图像尺寸与阈值的对应关系，确定所述目标人头框的尺寸对应的目标阈值。

在一种可能的实施方式中，所述获取单元41，还用于获取样本集中每个样本人头框的样本特征向量，每个样本人头框均对应有样本标识信息；

所述处理单元43，还用于针对每个样本标识信息对应的样本人头框，获取该样本人头框的样本特征向量、与该样本标识信息对应的目标样本人头框的样本特征向量的样本特征相似度；根据每个样本人头框的尺寸及其对应的样本特征相似度，确定每个图像尺寸分别对应的阈值。

实施例9：如图5为本发明实施例提供的一种电子设备结构示意图，在上述各实施例的基础上，本发明实施例还提供了一种电子设备，如图5所示，包括：处理器51、通信接口52、存储器53和通信总线54，其中，处理器51，通信接口52，存储器53通过通信总线54完成相互间的通信；

所述存储器53中存储有计算机程序，当所述程序被所述处理器51执行时，使得所述处理器51执行如下步骤：

获取待识别图像中包含的人头框；对于每个人头框，若所述人头框与当前验证队列中的每个验证人头框的第一相似度均小于预设的第一阈值，确定所述人头框为目标人头框；对于每个目标人头框，根据所述目标人头框与当前跟踪队列中的每个跟踪人头框的第二相似度，确定所述目标人头框的目标标识信息；若所述目标标识信息满足预设的更新条件，更新当前统计的客流值。

由于上述电子设备解决问题的原理与客流值的统计方法相似，因此上述电子设备的实施可以参见方法的实施，重复之处不再赘述。

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口52用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述处理器可以是通用处理器，包括中央处理器、网络处理器(NetworkProcessor，NP)等；还可以是数字指令处理器(Digital Signal Processing，DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。

实施例10：在上述各实施例的基础上，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有可由处理器执行的计算机程序，当所述程序在所述处理器上运行时，使得所述处理器执行时实现如下步骤：

获取待识别图像中包含的人头框；对于每个人头框，若所述人头框与当前验证队列中的每个验证人头框的第一相似度均小于预设的第一阈值，确定所述人头框为目标人头框；对于每个目标人头框，根据所述目标人头框与当前跟踪队列中的每个跟踪人头框的第二相似度，确定所述目标人头框的目标标识信息；若所述目标标识信息满足预设的更新条件，更新当前统计的客流值。

由于计算机可读存储介质解决问题的原理与上述客流值的统计方法相似，因此具体实施可以参见客流值的统计方法的实施，重复之处不再赘述。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (24)

1.一种客流值的统计方法，其特征在于，所述方法包括：

获取待识别图像中包含的人头框；

对于每个人头框，若所述人头框与当前验证队列中的每个验证人头框的第一相似度均小于预设的第一阈值，确定所述人头框为目标人头框，其中，所述验证人头框为已获取到的周围环境中的通过传播媒介显示的人头框；

对于每个目标人头框，根据所述目标人头框与当前跟踪队列中的每个跟踪人头框的第二相似度，确定所述目标人头框的目标标识信息；若所述目标标识信息满足预设的更新条件，更新当前统计的客流值。

2.根据权利要求1所述的方法，其特征在于，确定所述人头框与当前验证队列中的每个验证人头框的第一相似度，包括：

根据所述人头框内的图像信息，确定所述人头框的哈希值；

针对每个验证人头框，确定所述人头框的哈希值与该验证人头框的哈希值的第一距离，将所述第一距离确定为所述人头框与该验证人头框的第一相似度。

3.根据权利要求2所述的方法，其特征在于，所述根据所述人头框内的图像信息，确定所述人头框的哈希值，包括：

根据所述人头框的尺寸以及设定倍数，确定目标尺寸；

在所述待识别图像中，确定包含所述人头框且尺寸为所述目标尺寸的图像区域；以及

根据所述图像区域内的图像信息，确定所述图像区域的哈希值，并将所述图像区域的哈希值确定为所述人头框的哈希值。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

若所述人头框与当前验证队列中的任一验证人头框的第一相似度不小于所述第一阈值，则不执行更新当前统计的客流值的处理。

5.根据权利要求1所述的方法，其特征在于，确定所述目标标识信息满足预设的更新条件，包括：

在当前跟踪队列中，获取所述目标标识信息对应的跟踪人头框；

根据采集时间相邻的每两个跟踪人头框的图像信息，确定该两个跟踪人头框对应的移动距离，并根据每个所述移动距离，确定距离之和；以及

若所述目标标识信息对应的跟踪人头框的数量大于设定的数量阈值，且所述距离之和大于设定的距离阈值，确定所述目标标识信息满足预设的更新条件。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

若所述目标标识信息对应的任意两个跟踪人头框的第三相似度均大于预设的第二阈值，则在当前跟踪队列中删除所述目标标识信息对应的每个跟踪人头框的相关信息，且不执行更新当前统计的客流值的处理。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

在当前验证队列中保存所述目标标识信息对应的每个跟踪人头框的相关信息。

8.根据权利要求1所述的方法，其特征在于，所述根据所述目标人头框与当前跟踪队列中的每个跟踪人头框的第二相似度，确定所述目标人头框的目标标识信息，包括：

分别确定所述目标人头框与当前跟踪队列中的每个跟踪人头框的第二相似度；

根据匈牙利算法以及每个所述第二相似度，确定第一标识信息；

若当前跟踪队列中所述第一标识信息对应的跟踪人头框与所述目标人头框的第二相似度均小于设定的匹配阈值，根据所述目标人头框与当前跟踪队列中的每个跟踪人头框的特征相似度、以及所述目标人头框对应的目标阈值，确定所述目标人头框的目标标识信息。

9.根据权利要求8所述的方法，其特征在于，所述根据所述目标人头框与当前跟踪队列中的每个跟踪人头框的特征相似度、以及所述目标人头框对应的目标阈值，确定所述目标人头框的目标标识信息，包括：

根据所述匈牙利算法以及所述每个特征相似度，确定第二标识信息；

若当前跟踪队列中所述第二标识信息对应的任一跟踪人头框与所述目标人头框的特征相似度大于所述目标人头框对应的目标阈值，确定所述目标人头框的目标标识信息为所述第二标识信息；否则，将为所述目标人头框分配新的标识信息作为所述目标人头框的目标标识信息。

10.根据权利要求9所述的方法，其特征在于，确定所述目标人头框对应的目标阈值包括：

通过图像尺寸与阈值的对应关系，确定所述目标人头框的尺寸对应的目标阈值。

11.根据权利要求10所述的方法，其特征在于，根据如下方式确定图像尺寸与阈值的对应关系：

获取样本集中每个样本人头框的样本特征向量，每个样本人头框均对应有样本标识信息；

针对每个样本标识信息对应的样本人头框，获取该样本人头框的样本特征向量、与该样本标识信息对应的目标样本人头框的样本特征向量的样本特征相似度；

根据每个样本人头框的尺寸及其对应的样本特征相似度，确定每个图像尺寸分别对应的阈值。

12.一种客流值的统计装置，其特征在于，所述装置包括：

获取单元，用于获取待识别图像中包含的人头框；

判断单元，用于对于每个人头框，若所述人头框与当前验证队列中的每个验证人头框的第一相似度均小于预设的第一阈值，确定所述人头框为目标人头框，其中，所述验证人头框为已获取到的周围环境中的通过传播媒介显示的人头框；

处理单元，用于对于每个目标人头框，根据所述目标人头框与当前跟踪队列中的每个跟踪人头框的第二相似度，确定所述目标人头框的目标标识信息；若所述目标标识信息满足预设的更新条件，更新当前统计的客流值。

13.根据权利要求12所述的装置，其特征在于，所述判断单元具体用于：

根据所述人头框内的图像信息，确定所述人头框的哈希值；针对每个验证人头框，确定所述人头框的哈希值与该验证人头框的哈希值的第一距离，将所述第一距离确定为所述人头框与该验证人头框的第一相似度。

14.根据权利要求13所述的装置，其特征在于，所述判断单元具体用于：

根据所述人头框的尺寸以及设定倍数，确定目标尺寸；在所述待识别图像中，确定包含所述人头框且尺寸为所述目标尺寸的图像区域；以及根据所述图像区域内的图像信息，确定所述图像区域的哈希值，并将所述图像区域的哈希值确定为所述人头框的哈希值。

15.根据权利要求12所述的装置，其特征在于，所述判断单元，还用于：

若所述人头框与当前验证队列中的任一验证人头框的第一相似度不小于所述第一阈值，则不执行更新当前统计的客流值的处理。

16.根据权利要求15所述的装置，其特征在于，所述处理单元具体用于：

在当前跟踪队列中，获取所述目标标识信息对应的跟踪人头框；根据采集时间相邻的每两个跟踪人头框的图像信息，确定该两个跟踪人头框对应的移动距离，并根据每个所述移动距离，确定距离之和；以及若所述目标标识信息对应的跟踪人头框的数量大于设定的数量阈值，且所述距离之和大于设定的距离阈值，确定所述目标标识信息满足预设的更新条件。

17.根据权利要求12所述的装置，其特征在于，所述处理单元，还用于：

若所述目标标识信息对应的任意两个跟踪人头框的第三相似度均大于预设的第二阈值，则在当前跟踪队列中删除所述目标标识信息对应的每个跟踪人头框的相关信息，且不执行更新当前统计的客流值的处理。

18.根据权利要求17所述的装置，其特征在于，所述处理单元，还用于：

在当前验证队列中保存所述目标标识信息对应的每个跟踪人头框的相关信息。

19.根据权利要求12所述的装置，其特征在于，所述处理单元具体用于：

分别确定所述目标人头框与当前跟踪队列中的每个跟踪人头框的第二相似度；根据匈牙利算法以及每个所述第二相似度，确定第一标识信息；若当前跟踪队列中所述第一标识信息对应的跟踪人头框与所述目标人头框的第二相似度均小于设定的匹配阈值，根据所述目标人头框与当前跟踪队列中的每个跟踪人头框的特征相似度、以及所述目标人头框对应的目标阈值，确定所述目标人头框的目标标识信息。

20.根据权利要求19所述的装置，其特征在于，所述处理单元具体用于：

根据所述匈牙利算法以及所述每个特征相似度，确定第二标识信息；若当前跟踪队列中所述第二标识信息对应的任一跟踪人头框与所述目标人头框的特征相似度大于所述目标人头框对应的目标阈值，确定所述目标人头框的目标标识信息为所述第二标识信息；否则，将为所述目标人头框分配新的标识信息作为所述目标人头框的目标标识信息。

21.根据权利要求20所述的装置，其特征在于，所述处理单元具体用于：

通过图像尺寸与阈值的对应关系，确定所述目标人头框的尺寸对应的目标阈值。

22.根据权利要求21所述的装置，其特征在于，

所述获取单元，还用于获取样本集中每个样本人头框的样本特征向量，每个样本人头框均对应有样本标识信息；

所述处理单元，还用于针对每个样本标识信息对应的样本人头框，获取该样本人头框的样本特征向量、与该样本标识信息对应的目标样本人头框的样本特征向量的样本特征相似度；根据每个样本人头框的尺寸及其对应的样本特征相似度，确定每个图像尺寸分别对应的阈值。

23.一种电子设备，其特征在于，所述电子设备至少包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-11中任一所述客流值的统计方法的步骤。

24.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-11中任一所述客流值的统计方法的步骤。