本技术涉及人流量监测，尤其涉及一种目标流量检测方法、装置、电子设备及存储介质。
背景技术：
1、随着人工智能技术和视频监控技术的普及，人流量统计在视频监控的智能分析中应用广泛。相关技术中，通常采用视频帧中的行人数量确定人流量检测结果，该统计方法一般无法同时适用于人流高密度场景和人流低密度场景。尤其不适用在演唱会，车站这种高密度人群场景。在演唱会，车站这种高密度人流量场景下现有方法容易造成漏检，容易造成一个人重复计数的情况。所以相关技术的技术问题是现有的人流量统计方法在面对高密度人流量场景时，会导致统计准确度低。
技术实现思路
1、本技术实施例提供的一种目标流量检测方法、装置、电子设备及存储介质，可以提高人流量统计方法的人流量统计结果的准确度。
2、本技术的技术方案是这样实现的：
3、本技术实施例提供了一种目标流量检测方法，包括：
4、针对视频流中的多个视频帧，确定每一所述视频帧中每一目标对应的特征框；其中，所述特征框是将每一所述目标抽象成坐标点后，基于所述坐标点扩张形成的；
5、将每一所述视频帧输入预设处理模型，针对每一所述特征框处理得到每一所述目标的目标特征；其中，目标特征包括以下至少之一：所述目标对应的位置特征和图像特征；
6、将多个所述视频帧中所述目标特征匹配的目标进行合并，确定所述视频流的目标流量结果。
7、上述方案中，所述针对视频流中的多个视频帧，确定每一所述视频帧中每一目标对应的特征框，包括：
8、基于预设目标检测算法处理每一所述视频帧中的每一所述目标得到对应的中间目标框；其中，所述中间目标框覆盖所述目标的非重叠部分；
9、确定处于每一所述中间目标框中心位置的所述坐标点；
10、从每一所述坐标点的位置扩张至当前预定面积得到所述特征框；其中，所述当前预定面积是基于所述视频帧中面积最大的所述中间目标框确定的。
11、上述方案中，所述将多个所述视频帧中所述目标特征匹配的目标进行合并，确定所述视频流的目标流量结果，包括：
12、基于每一所述目标特征确定第n个所述视频帧中的每一所述目标与k个历史目标中的每一所述历史目标之间的匹配度；其中，所述视频流包括：m个视频帧；m为大于1的整数，n为大于0小于m的整数；k个所述历史目标是前n-1个所述视频帧中共同包括的所述历史目标；k为大于1的整数；
13、基于所述匹配度确定所述第n个视频帧中每一所述目标的重现检测结果；其中，所述重现检测结果用于表征每一所述目标在前n-1个所述视频帧中是否出现过；
14、基于所述重现检测结果，将每一所述目标合并更新至k个所述历史目标，直至将第m个所述视频帧中对应的所述目标合并更新至前m-1个所述视频帧中的所述历史目标后停止，确定m个所述视频帧中合并更新后的所述目标流量结果。
15、上述方案中，所述基于每一所述目标特征确定第n个所述视频帧中的每一所述目标与k个历史目标中的每一所述历史目标之间的匹配度，包括：
16、基于第n个所述视频帧中的每一所述目标特征与预设特征库中k个历史特征集中每一所述历史特征集之间的特征距离，确定每一所述目标与每一所述历史目标的匹配度；其中，一个所述历史特征集是由一个所述历史目标的历史特征确定的。
17、上述方案中，每一所述历史特征集包括：t个所述历史特征；t为大于0的整数；所述基于第n个所述视频帧中的每一所述目标特征与预设特征库中k个历史特征集中每一所述历史特征集之间的特征距离，确定每一所述目标与每一所述历史目标的匹配度，包括：
18、确定每一所述目标特征与每一所述历史特征的余弦距离，得到每一所述目标特征对应每一所述历史特征集的t个所述余弦距离；
19、基于t个所述余弦距离的均值确定每一所述目标特征与每一所述历史特征集之间所述特征距离，并基于所述特征距离确定每一所述目标与每一所述历史目标之间的所述匹配度。
20、上述方案中，所述基于所述匹配度确定所述第n个视频帧中每一所述目标的重现检测结果，包括以下之一：
21、若k个所述匹配度中存在大于预设匹配度阈值的所述匹配度，则确定对应的所述目标在k个所述视频帧中出现过的所述重现检测结果；
22、若k个所述匹配度中不存在大于所述预设匹配度阈值的所述相似度，则确定对应的所述目标在k个所述视频帧中未出现过的所述重现检测结果。
23、上述方案中，所述基于所述重现检测结果，将每一所述目标合并更新至k个所述历史目标，直至将第m个所述视频帧中对应的所述目标合并更新至前m-1个所述视频帧中的所述历史目标后停止，确定m个所述视频帧中合并更新后所述目标的所述目标流量结果，包括：
24、基于所述重现检测结果将每一所述目标特征合并更新至k个所述历史特征集中，完成每一所述目标的合并更新，得到第n预设特征库；
25、直至基于第m个所述视频帧中的每一所述目标的所述重现检测结果，将第m个所述视频帧中的每一所述目标的所述目标特征合并更新至第m-1个预设特征库中p个所述历史特征集中，得到最终特征库；p个所述历史特征集是基于前m-1个所述视频帧中共同包括的每一所述历史目标的历史特征确定的；p为大于1的整数；
26、基于所述最终特征库中所述历史特征集的数量确定所述目标流量结果。
27、上述方案中，所述目标特征包括：目标图像特征和目标位置特征；k个所述历史特征集中的每一所述历史特征集包括：历史图像特征集和历史轨迹特征集；
28、所述基于所述重现检测结果将每一所述目标特征合并更新至k个所述历史特征集，完成每一所述目标的合并更新，得到第n预设特征库，包括：
29、若所述重现检测结果表征所述目标在所述历史视频帧中出现过，则将所述目标图像特征合并至最大的所述匹配度对应的所述历史图像特征集，将所述目标位置特征与最大的所述匹配度对应所述历史轨迹特征集中的轨迹位置点融合，得到所述第n预设特征库。
30、上述方案中，所述目标特征包括：目标图像特征和目标位置特征；k个所述历史特征集中的每一所述历史特征集包括：历史图像特征集和历史轨迹特征集；
31、所述基于所述重现检测结果将每一所述目标特征合并更新至k个所述历史特征集，完成每一所述目标的合并更新，得到第n预设特征库，包括：
32、若所述重现检测结果表征所述目标在所述历史视频帧中未出现过，则将所述目标图像特征作为新的所述历史图像特征集加入所述预设特征库，将所述目标位置特征作为新的所述历史轨迹特征集加入所述预设特征库，得到所述第n预设特征库。
33、上述方案中，每一所述历史特征集包括：历史图像特征集和历史轨迹特征集；所述方法还包括：
34、针对每一所述历史轨迹特征集中的目标位置特征进行分析，确定每一所述历史目标的轨迹检测结果；其中，所述轨迹检测结果用于表征所述历史目标的轨迹消失、轨迹重叠、轨迹静止和轨迹突现中的任一个情况；
35、基于所述轨迹检测结果，对所述历史目标的所述历史特征集进行合并或者删除处理，对所述历史目标的所述历史轨迹特征集合进行合并或者删除处理，以更新所述预设特征库。
36、上述方案中，所述针对视频流中的多个视频帧，确定每一所述视频帧中每一目标对应的特征框之前，所述方法还包括：
37、在预定的所述视频帧中确定每一所述目标的第一检测框；其中，所述第一检测框覆盖所述目标的主体部分；
38、确定预定的所述视频帧中不同的所述第一检测框之间的重叠面积；
39、基于所述重叠面积在预定的所述视频帧的所述第一检测框所占总面积中的比重，确定所述密度检测结果；其中，所述密度检测结果用于表征所述视频流中所述目标的密度高低。
40、上述方案中，所述预设特征库包括：高密度预设特征库；所述针对视频流中的多个视频帧，确定每一所述视频帧中每一目标对应的特征框之前，所述方法还包括：
41、若所述密度检测结果表征所述视频流中所述目标的密度高，则确定前n-1个所述视频帧中的每一第二检测框的中心位置点；其中，每一所述第二检测框覆盖对应的所述视频帧中所述历史目标的头部；将每一所述视频帧中的每一所述中心位置点扩张至预定面积得到历史目标框；其中，所述预定面积是由每一所述视频帧中面积最大的所述第二检测框确定的；
42、利用预设目标跟踪算法处理每一所述视频帧中的每一所述历史目标框，得到每一所述视频帧中所述历史目标的第一历史特征；
43、基于第一个所述视频帧的每一所述第一历史特征，构建第一个所述视频帧中每一所述历史目标对应的第一历史特征集；
44、基于第一个所述视频帧对应的每一所述第一历史特征集形成第一高密度预设特征库，并利用第二个所述视频帧中每一所述第一历史特征对所述第一高密度预设特征库进行更新，直至更新至第n-1个所述视频帧后得到所述高密度预设特征库。
45、上述方案中，所述预设特征库包括：低密度预设特征库；所述针对视频流中的多个视频帧，确定每一所述视频帧中每一目标对应的特征框之前，所述方法还包括：
46、若所述密度检测结果表征所述视频流中所述目标的密度低，则利用预设目标跟踪算法处理前n-1个所述视频帧中的所述第一检测框，得到每一所述视频帧中所述历史目标的第二历史特征；每一所述第一检测框覆盖对应的所述视频帧中所述历史目标的主体部分；
47、基于第一个所述视频帧的每一所述第二历史特征，构建第一个所述视频帧中每一所述历史目标对应的第二历史特征集；
48、基于第一个所述视频帧对应的每一所述第二历史特征集形成第一低密度特征库，并利用第二个所述视频帧中每一所述第二历史特征对所述第一低密度预设特征库进行更新，直至更新至第n-1个所述视频帧后得到所述低密度预设特征库。
49、本技术实施例还提供了一种目标流量检测装置，包括：
50、图像处理单元，用于针对视频流中的多个视频帧，确定每一所述视频帧中每一目标对应的特征框；其中，所述特征框是将每一所述目标抽象成坐标点后，基于所述坐标点扩张形成的；
51、特征确定单元，用于将每一所述视频帧输入预设处理模型，针对每一所述特征框处理得到每一所述目标的目标特征；其中，目标特征包括以下至少之一：所述目标对应的位置特征和图像特征；
52、合并单元，用于将多个所述视频帧中所述目标特征匹配的目标进行合并，确定所述视频流的目标流量结果。
53、本技术实施例还提供了一种电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法中的步骤。
54、本技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法中的步骤
55、本技术实施例中，针对视频流中的多个视频帧，确定每一视频帧中每一目标对应的特征框；其中，特征框是将每一目标抽象成坐标点后，基于坐标点扩张形成的；将每一视频帧输入预设处理模型，针对每一特征框处理得到每一目标的目标特征；其中，目标特征包括以下至少之一：目标对应的位置特征和图像特征；将多个视频帧中目标特征匹配的目标进行合并，确定视频流的目标流量结果。由于本技术中，特征框是将每一目标抽象成坐标点后，基于坐标点扩张形成的，这样每一目标的特征框之间是无法完全重叠的，这样可以精确的提取每一目标的目标特征的提取精度，这种提取特征的方法解决了高密度场景下的人群遮挡问题，进而提高了人流量的检测准确度。同时，将多个视频帧中目标特征匹配的目标进行合并，确定视频流的目标流量结果的方法，有效的剔除了多个视频帧中重复出现的目标，防止了人流量检测过程中的行人误检和行人坐标漂移现象的发生，同样的提高了人流量的检测准确度。
1.一种目标流量检测方法，其特征在于，包括：
2.根据权利要求1所述的目标流量检测方法，其特征在于，所述针对视频流中的多个视频帧，确定每一所述视频帧中每一目标对应的特征框，包括：
3.根据权利要求1所述的目标流量检测方法，其特征在于，所述将多个所述视频帧中所述目标特征匹配的目标进行合并，确定所述视频流的目标流量结果，包括：
4.根据权利要求3所述的目标流量检测方法，其特征在于，所述基于每一所述目标特征确定第n个所述视频帧中的每一所述目标与k个历史目标中的每一所述历史目标之间的匹配度，包括：
5.根据权利要求4所述的目标流量检测方法，其特征在于，每一所述历史特征集包括：t个所述历史特征；t为大于0的整数；所述基于第n个所述视频帧中的每一所述目标特征与预设特征库中k个历史特征集中每一所述历史特征集之间的特征距离，确定每一所述目标与每一所述历史目标的匹配度，包括：
6.根据权利要求5所述的目标流量检测方法，其特征在于，所述基于所述匹配度确定所述第n个视频帧中每一所述目标的重现检测结果，包括以下之一：
7.根据权利要求5所述的目标流量检测方法，其特征在于，所述基于所述重现检测结果，将每一所述目标合并更新至k个所述历史目标，直至将第m个所述视频帧中对应的所述目标合并更新至前m-1个所述视频帧中的所述历史目标后停止，确定m个所述视频帧中合并更新后所述目标的所述目标流量结果，包括：
8.根据权利要求7所述的目标流量检测方法，其特征在于，所述目标特征包括：目标图像特征和目标位置特征；k个所述历史特征集中的每一所述历史特征集包括：历史图像特征集和历史轨迹特征集；
9.根据权利要求7所述的目标流量检测方法，其特征在于，所述目标特征包括：目标图像特征和目标位置特征；k个所述历史特征集中的每一所述历史特征集包括：历史图像特征集和历史轨迹特征集；
10.根据权利要求4至9任一项所述的目标流量检测方法，其特征在于，每一所述历史特征集包括：历史图像特征集和历史轨迹特征集；所述方法还包括：
11.根据权利要求4所述的目标流量检测方法，其特征在于，所述针对视频流中的多个视频帧，确定每一所述视频帧中每一目标对应的特征框之前，所述方法还包括：
12.根据权利要求11所述的目标流量检测方法，其特征在于，所述预设特征库包括：高密度预设特征库；所述针对视频流中的多个视频帧，确定每一所述视频帧中每一目标对应的特征框之前，所述方法还包括：
13.根据权利要求11所述的目标流量检测方法，其特征在于，所述预设特征库包括：低密度预设特征库；所述针对视频流中的多个视频帧，确定每一所述视频帧中每一目标对应的特征框之前，所述方法还包括：
14.一种目标流量检测装置，其特征在于，包括：
15.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至13任一项所述方法中的步骤。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至13任一项所述方法中的步骤。
