CN115527166A

CN115527166A - 图像处理方法、计算机可读存储介质以及电子设备

Info

Publication number: CN115527166A
Application number: CN202211182408.6A
Authority: CN
Inventors: 王健; 秦宇; 高思琦; 陶明渊
Original assignee: Alibaba China Co Ltd
Current assignee: Alibaba China Co Ltd
Priority date: 2022-09-27
Filing date: 2022-09-27
Publication date: 2022-12-27
Anticipated expiration: 2042-09-27
Also published as: CN115527166B

Abstract

本申请公开了一种图像处理方法、计算机可读存储介质以及电子设备。其中，该方法包括：获取待监测区域的监测图像，其中，监测图像包含目标对象；对监测图像进行密度估计，得到目标对象的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标对象的概率；基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标对象；基于目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果。本申请解决了相关技术的算法难以输出监测图像中目标对象的更多信息的技术问题。

Description

图像处理方法、计算机可读存储介质以及电子设备

技术领域

本申请涉及数据处理领域，具体而言，涉及一种图像处理方法、计算机可读存储介质以及电子设备。

背景技术

传统的群体态势感知，往往只需要实时估计视频画面中的总体对象的数量，进而把握整体对象的数量可能的变化趋势，然而，随着城市治理水平的快速发展，对于数量的变化态势提出了更加精确化的感知需求，对于一些包含大量对象的监测图像，目前的算法只能估计出图像中对象的总数量，输出信息有限，粒度不够精细。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种图像处理方法、计算机可读存储介质以及电子设备，以至少解决相关技术的算法难以输出监测图像中目标对象的更多信息的技术问题。

根据本申请实施例的一个方面，提供了一种图像处理方法，包括：获取待监测区域的监测图像，其中，监测图像包含目标对象；对监测图像进行密度估计，得到目标对象的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标对象的概率；基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标对象；基于目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果。

根据本申请实施例的一个方面，提供了一种图像处理方法，包括：通过监测设备监测活动区域得到监测图像，其中，监测图像包含目标人群；对监测图像进行密度估计，得到目标人群的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标人群的概率；基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标人群；基于目标像素点在监测图像中的位置，得到目标人群在活动区域中的目标定位结果。

根据本申请实施例的一个方面，提供了一种图像处理方法，包括：响应作用于操作界面上的输入指令，在操作界面上显示待监测区域的监测图像，其中，监测图像包含目标对象；响应作用于操作界面上的定位指令，在操作界面上显示目标对象在待监测区域中的目标定位结果，其中，目标定位结果通过从监测图像中多个像素点中确定的目标像素点在监测图像中的位置确定，目标像素点基于目标对象的密度估计结果确定，密度估计结果通过对监测图像进行密度估计得到，密度估计结果包含的多个密度值用于表征多个像素点存在目标对象的概率。

根据本申请实施例的一个方面，提供了一种图像处理方法，包括：通过监测设备监测待监测区域的监测图像，其中，监测图像包含目标对象；在虚拟现实VR设备或增强现实AR设备的呈现画面上展示监测图像；对监测图像进行密度估计，得到目标对象的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标对象的概率；基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标对象；基于目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果；驱动VR设备或AR设备渲染展示目标定位结果。

根据本申请实施例的一个方面，提供了一种图像处理方法，包括：通过调用第一接口获取待监测区域的监测图像，其中，第一接口包括第一参数，第一参数的参数值为监测图像，监测图像包含目标对象；对监测图像进行密度估计，得到目标对象的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标对象的概率；基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标对象；基于目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果；通过调用第二接口输出目标定位结果，其中，第二接口包括第二参数，第二参数的参数值为目标定位结果。

在本申请实施例中，首先待监测区域的监测图像，其中，监测图像包含目标对象；对监测图像进行密度估计，得到目标对象的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标对象的概率；基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标对象；基于目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果，实现了对监测图像中对象的定位。容易注意到的是，可以对监测图像进行密度估计，得到目标对象的密度估计结果，可以基于密度估计结果从多个像素点中确定出存在目标对象的像素点，避免对未包含目标对象的像素点进行定位，以便提高目标对象的定位结果的准确度，通过获取目标对象的定位结果，可以实现增加目标对象的输出信息的效果，进而解决了相关技术的算法难以输出监测图像中目标对象的更多信息的技术问题。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的一种图像处理方法的虚拟现实设备的硬件环境的示意图；

图2是根据本申请实施例的一种图像处理方法的计算环境的结构框图；

图3是根据本申请实施例1的一种图像处理方法的流程图；

图4是根据本申请实施例的一种图像处理过程的流程图；

图5是根据本申请实施例的另一种图像处理方法的流程图；

图6是根据本申请实施例2的一种图像处理方法的流程图；

图7是根据本申请实施例3的一种图像处理方法的流程图；

图8是根据本申请实施例4的一种图像处理方法的流程图；

图9是根据本申请实施例5的一种图像处理方法的流程图；

图10是根据本申请实施例6的一种图像处理装置的示意图；

图11是根据本申请实施例7的一种图像处理装置的示意图；

图12是根据本申请实施例8的一种图像处理装置的示意图；

图13是根据本申请实施例9的一种图像处理装置的示意图；

图14是根据本申请实施例10的一种图像处理装置的示意图；

图15是根据本申请实施例的一种计算机终端的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：

人群态势：人群态势分析指的是利用自动化算法获取人群的数量、密度、流向等量化指标，根据上述指标分析导出监测区域中人群的疏导及管理模型。

群体态势：包括人群态势、动物群落态势、机器人群体态势等，本申请的内容不限于上述几种群体态势，可以包括任何同类物体形成的群体态势计算。

密集计数：目的在于统计场景中的人群数目。人群计数在视频监测、交通监测、公共安全、城市规划等方面有着广泛应用，如监测某个人群易聚集区域的人群数目，防止发生踩踏等事件。

密度图：可以根据已知的每个目标位置，估计该位置目标的大小，得到该目标的覆盖区域，然后通过一些方法(几何自适应高斯核)将该区域转化为该区域内可能为目标的概率，该区域概率和为1(或者表示每个像素可能有多少个人)，由此可以得到该画面中的目标分布密度。

爬山算法(Hill Climbing)：可以是一种局部搜索算法，它在增加高度/值的方向上连续移动，以找到局部峰值。

N叉树：在树状数据结构中，如果每个父节点允许有两个以上的子节点，那么这个树就称为N叉树。

深度优先搜索(Depth First Search，简称DFS)：可以是一种用于遍历搜索树或图的算法，这个算法会尽可能深地搜索树的分支。当节点v的所在边都己被探寻过，搜索将回溯到发现节点v的那条边的起始节点。这一过程一直进行到已发现从源节点可达的所有节点为止。

目前，由于在密集场景下的总估计人数可能达到数千个对象，如果算法仅输出对象的总数量，那么人群态势的监测人员难以第一时间感知到算法识别效果的优劣，因此，需要算法能够提供画面中每一个对象的具体像素位置，同时，在与活动场所的三维建模相结合时，人群的密度分布图难以与三维模型精细贴合，将算法的感知能力映射到三维模型当中。

相关技术中通过如下方式解决上述问题：

(1)人群计数和定位网络(SCALNet)实现了从密度图到散点化坐标的转化，该方案仅适用一个3×3的最大池化滤波对密度图进行扫描，并使用一个根据验证集选出的阈值对峰值点进行选取，但是，该方案的缺点是难以保证得到的目标坐标数量与密度图估计人数相吻合，导致人数对应错误，该方法对阈值较为敏感。

(2)人群密度估计(FIDTM)实现了从密度图到散点化坐标的转化，该方案与SCALNet大体相同，其区别在于将阈值固定为密度图中最大值缩放100/255，避免了阈值的选取问题，但是，该方案也难以保证得到的目标坐标数量与密度图估计人数相吻合。

上述两个方案的缺点还在于使用了3×3区域内至多只有一个峰值点这一假设，在极度密集的情况下，可能会造成目标坐标的遗漏。

本申请中提供了一种图像处理方法，可以结合密度聚类算法和深度优先搜索算法，从密度图中产出了更加准确的目标坐标位置，提高了输出目标坐标位置的准确度。

实施例1

根据本申请实施例，还提供了一种图像处理方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本申请实施例的一种图像处理方法的虚拟现实设备的硬件环境的示意图。如图1所示，虚拟现实设备104与终端106相连接，终端106与服务器102通过网络进行连接，上述虚拟现实设备104并不限定于：虚拟现实头盔、虚拟现实眼镜、虚拟现实一体机等，上述终端104并不限定于PC、手机、平板电脑等，服务器102可以为媒体文件运营商对应的服务器，上述网络包括但不限于：广域网、城域网或局域网。

可选地，该实施例的虚拟现实设备104包括：存储器、处理器和传输装置。存储器用于存储应用程序，该应用程序可以用于执行：获取待监测区域的监测图像，其中，所述监测图像包含目标对象；对所述监测图像进行密度估计，得到所述目标对象的密度估计结果，其中，所述密度估计结果包含的多个密度值用于表征所述监测图像中多个像素点存在所述目标对象的概率；基于所述密度估计结果，从所述多个像素点中确定目标像素点，其中，所述目标像素点存在所述目标对象；基于所述目标像素点在所述监测图像中的位置，得到所述目标对象在所述待监测区域中的目标定位结果，从而解决了相关技术的算法难以输出监测图像中目标对象的更多信息的技术问题。

可选地，该实施例的虚拟现实设备104带有的眼球追踪的HMD(Head MountDisplay，头戴式显示器)头显与眼球追踪模块与上述实施例中的作用相同，也即，HMD头显中的屏幕，用于显示实时的画面，HMD中的眼球追踪模块，用于获取用户眼球的实时运动轨迹。该实施例的终端通过跟踪系统获取用户在真实三维空间的位置信息与运动信息，并计算出用户头部在虚拟三维空间中的三维坐标，以及用户在虚拟三维空间中的视野朝向。

图1示出的硬件结构框图，不仅可以作为上述AR/VR设备(或移动设备)的示例性框图，还可以作为上述服务器的示例性框图，一种可选实施例中，图2以框图示出了使用上述图1所示的AR/VR设备(或移动设备)作为计算环境201中计算节点的一种实施例。图2是根据本申请实施例的一种图像处理方法的计算环境的结构框图，如图2所示，计算环境201包括运行在分布式网络上的多个(图中采用210-1，210-2，…,来示出)计算节点(如服务器)。每个计算节点都包含本地处理和内存资源，终端用户202可以在计算环境201中远程运行应用程序或存储数据。应用程序可以作为计算环境301中的多个服务220-1,220-2,220-3和220-4进行提供，分别代表服务“A”，“D”，“E”和“H”。

终端用户202可以通过客户端上的web浏览器或其他软件应用程序提供和访问服务，在一些实施例中，可以将终端用户202的供应和/或请求提供给入口网关230。入口网关230可以包括一个相应的代理来处理针对服务220(计算环境201中提供的一个或多个服务)的供应和/或请求。

服务220是根据计算环境201支持的各种虚拟化技术来提供或部署的。在一些实施例中，可以根据基于虚拟机(VM)的虚拟化、基于容器的虚拟化和/或类似的方式提供服务220。基于虚拟机的虚拟化可以是通过初始化虚拟机来模拟真实的计算机，在不直接接触任何实际硬件资源的情况下执行程序和应用程序。在虚拟机虚拟化机器的同时，根据基于容器的虚拟化，可以启动容器来虚拟化整个操作系统(OS)，以便多个工作负载可以在单个操作系统实例上运行。

在基于容器虚拟化的一个实施例中，服务220的若干容器可以被组装成一个POD(例如，Kubernetes POD)。举例来说，如图2所示，服务220-2可以配备一个或多个POD 240-1，240-2，…，240-N(统称为POD 240)。每个POD 240可以包括代理245和一个或多个容器242-1，242-2，…，242-M(统称为容器242)。POD 240中一个或多个容器242处理与服务的一个或多个相应功能相关的请求，代理245通常控制与服务相关的网络功能，如路由、负载均衡等。其他服务220也可以陪陪类似于POD 240的POD。

在操作过程中，执行来自终端用户202的用户请求可能需要调用计算环境201中的一个或多个服务220，执行一个服务220的一个或多个功能坑你需要调用另一个服务220的一个或多个功能。如图2所示，服务“A”220-1从入口网关230接收终端用户202的用户请求，服务“A”220-1可以调用服务“D”220-2，服务“D”220-2可以请求服务“E”220-3执行一个或多个功能。

上述的计算环境可以是云计算环境，资源的分配由云服务提供上管理，允许功能的开发无需考虑实现、调整或扩展服务器。该计算环境允许开发人员在不构建或维护复杂基础设施的情况下执行响应事件的代码。服务可以被分割完成一组可以自动独立伸缩的功能，而不是扩展单个硬件设备来处理潜在的负载。

在上述运行环境下，本申请提供了如图3所示的图像处理方法。需要说明的是，该实施例的图像处理方法可以由图1所示实施例的移动终端执行。图3是根据本申请实施例1的一种图像处理方法的流程图。如图3所示，该方法可以包括如下步骤：

步骤S302，获取待监测区域的监测图像。

其中，监测图像包含目标对象。

上述监测图像中目标对象的数量可以为预设数量，在预设数量大于预设值时，则说明该监测图像为超密集图像，可以通过对监测图像中目标对象的数量进行估计得到预设数量，其中，预设值可以根据实际情况自行设置。

上述的待监测区域可以是大型活动场景、大型聚集场所等人群密度较大的区域。待监测区域还可以是物体密度较大的区域，例如，森林、群居动物栖居地等。待监测区域还可以是任意需要进行监测的区域，此处不做限定。

上述的监测图像可以是待监测区域中目标对象的数量大于预设数量时采集到的图像。可选的，可以通过拍摄设备获取到监测图像；还可以通过摄像头获取待监测区域的视频信息，通过对视频信息进行裁剪，得到上述的监测图像，其中，可以将视频信息中目标对象的数量大于预设数量的视频帧作为监测图像。

上述的监测图像还可以是遥感图像。上述的监测图像还可以为人群热力分布图。

上述的目标对象可以人、动物、植物、物体等，此处不做限定，本申请以目标对象为人进行举例。

上述的预设数量可以自定设定。在监测图像中目标对象的数量大于预设数量的情况下，说明该待监测区域中目标对象的数量较多，即目标对象较为密集，此时需要对待监测区域中的目标对象进行监测。

在一种可选的实施例中，可以根据待监测区域确定预设数量。例如，可以根据待监测区域的面积确定预设数量，若待监测区域的面积越大，其可以容纳较多的目标对象，此时可以将预设数量设置的较大，当目标对象的数量大于该预设数量时，该待监测区域才会出现目标对象密集的情况。若待监测区域的面积较小，其可以容纳较小的目标对象，此时可以将预设数量设置的较小，只要目标对象的数量大于该预设数量，则确定该待监测区域出现了目标对象密集的情况。

步骤S304，对监测图像进行密度估计，得到目标对象的密度估计结果。

其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标对象的概率。

在一种可选的实施例中，可以通过密度估计模型对监测图像进行密度估计，得到目标对象的密度估计结果。其中，密度估计模型可以为通用的密度估计模型，此处不做任何限定。

在监测图像中包含密集人群的情况下，其密度估计结果可以为密集人群的大致数量。

上述的密度值可以用于表示区域内存在目标对象的概率，其中，密度值越大，其对应的目标对象的数量也越多，则说明该区域存在目标对象的可能性越大，密度值越小，其对应的目标对象的数量越少，则说明该区域存在目标对象的可能性越小。

通过上述的密度估计结果可以得到监测图像中多个区域内存在目标对象的概率，从而确定出监测图像整体的密度情况。

在另一种可选的实施例中，可以通过目前的人群密度估计模型在高密集的监测图像上进行密度估计，得到密度估计结果，可选的，对于一张从视频流中截取到的高分辨率彩色图像(Red、Green、Blue，简称为RGB图像)，其形状为(H，W，3)，通过一个人群密度估计模型，可以获得一个低分辨率下的密度图，即一个形状为(H/4，W/4)的矩阵M，矩阵中元素为浮点数，代表每一个像素位置可能出现目标对象的概率，因此，将矩阵中的元素求和，即可得到监测图像中目标对象的总数K，即

其中，i，j为矩阵M的行和列；h，w为图像的长和宽。

步骤S306，基于密度估计结果，从多个像素点中确定目标像素点。

其中，目标像素点存在目标对象。

在一种可选的实施例中，可以根据密度估计结果中的多个密度值，确定出密度值较大的目标像素点。

在另一种可选的实施例中，可以根据密度估计结果，将多个像素点划分为多个第一像素集合，对质量超过第一预设质量的第一像素集合进行分裂操作，得到多个第二像素集合，从第二像素集合中确定出目标像素点，建立多个目标树状结构，其中，每个目标树状结构包含的所有节点在密度估计结果中的密度值之和小于第一预设值，目标树状结构可以包含多个节点，每个节点可以包含一个目标对象。

上述的目标树状结构可以为N叉树结构。

上述的第一预设值可以为1。

可以根据密度估计结果建立密集人群中目标树状结构，其中，目标树状结构中包含的多个节点可以对应于多个像素点，可以将目标像素点作为目标树状结构中的父节点，对于其他的像素点，可以根据与目标像素点之间的距离确定为父节点的子节点。

在一种可选的实施例中，可以使用局部的密度爬山算法和深度优先质量聚合方法，根据密度估计结果搭建多个目标树状结构。其中，目标树状结构包含的节点在密度估计结果中密度值之和小于1，说明其节点代表一个目标对象，避免出现一个节点代表多个目标对象从而导致多个目标对象共同使用一个定位点。

步骤S308，基于目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果。

在一种可选的实施例中，可以目标像素点可以在监测图像中的位置，确定出该目标对象在待监测区域中的目标定位结果。

在另一种可选的实施例中，在搭建的多个目标树状结构中，可以确定出目标像素点对应于目标根节点，可以根据目标根节点的辐射范围确定出目标对象在待监测区域中的目标定位结果。上述的目标根节点的数量可以与目标对象的数量大致一致，或者目标根节点的数量可以与目标对象的数量相同。每个目标树状结构包含的所有节点在密度估计结果中的密度值之和小于第一预设值，则说明该节点对应的目标对象的数量大致为一个。基于上述目标树状结构包含的目标根节点对应在监测图像中的像素位置可以确定出密集人群中每个人大致对应的目标定位结果。

上述的目标定位结果可以是目标对象在监测图像中的坐标信息。

在一种可选的实施例中，由于目标根节点代表的是监测图像中的目标对象，因此，可以根据多个目标树状结构包含的目标根节点对应在监测图像中的像素点位置，确定目标对象在监测结果中的目标定位结果。

本申请的上述方法可以利用密度爬山算法和深度优选算法，在密集场景下从模糊的人群热力分布图中采样行人的具体位置，为密集人群的三维建模、趋势预测等提供重要的位置信息。

以人群密集场景的监测图像为例进行说明，可以先获取人群密集场景对应的监测图像，例如大型演唱会、大型活动的现场，对监测图像进行密度估计，得到人群的密度估计结果，也即可以大致估计出人群密集场景中的个体数量，可以根据密度估计结果，从多个像素点中确定目标像素点，可以根据该目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果。可选的，可以建立出人群密度团对应的初始树状结构，可以将人群密度团中质量较小的点叠加到人群密度团中的中心节点，得到多个聚合树状结构，对于多个聚合树状结构中人群密度值超过1的目标树状结构，由于其中包含了多个个体，因此，需要对目标树状结构进行分裂操作，得到多个目标初始树状结构，可以基于多个目标树状结构包含的目标根节点对应在监测图像中的目标像素点的位置，得到人群密集场景中每个个体在监测结果中的目标定位位置，从而获取到人群密集场景中与人群数量一致的定位结果。需要说明的是，人群密度团可以是监测图像中以密度较大的位置为中心形成的人群密度团，人群密度团可以是一个也可以是多个。

以动物密集场景的监测图像为例进行说明，可以先获取动物密集场景对应的监测图像，例如动物迁徙场景、动物群居场景，对监测图像进行密度估计，得到动物的密度估计结果，也即可以大致估计出动物密集场景中的个体数量，可以根据密度估计结果，从多个像素点中确定目标像素点，可以根据该目标像素点在监测图像中的位置，得到动物在待监测区域中的目标定位结果。可选的，可以建立出动物密度团对应的初始树状结构，可以将动物密度团中质量较小的点叠加到动物密度团中的中心节点，得到多个聚合树状结构，对于多个聚合树状结构中动物密度值超过1的目标树状结构，由于其中包含了多个动物个体，因此，需要对目标树状结构进行分裂操作，得到多个目标初始树状结构，可以基于多个目标树状结构包含的目标根节点对应在监测图像中的目标像素点的位置，得到动物密集场景中每个动物个体在监测结果中的目标定位位置，从而获取到动物密集场景中与动物数量一致的定位结果。需要说明的是，动物密度团可以是监测图像中以密度较大的位置为中心形成的动物密度团，动物密度团可以是一个也可以是多个。

以物体密集场景的监测图像为例进行说明，可以先获取物体密集场景对应的监测图像，例如包含有多个同类物体的场景，对监测图像进行密度估计，得到物体的密度估计结果，也即可以大致估计出物体密集场景中的个体数量，可以根据密度估计结果，从多个像素点中确定目标像素点，可以根据该目标像素点在监测图像中的位置，得到物体在待监测区域中的目标定位结果。可选的，可以建立出物体密度团对应的初始树状结构，可以将物体密度团中质量较小的点叠加到物体密度团中的中心节点，得到多个聚合树状结构，对于多个聚合树状结构中物体密度值超过1的目标树状结构，由于其中包含了多个物体，因此，需要对目标树状结构进行分裂操作，得到多个目标初始树状结构，可以基于多个目标树状结构包含的目标根节点对应在监测图像中的目标像素点的位置，得到物体密集场景中每个物体在监测结果中的目标定位位置，从而获取到物体密集场景中与物体数量一致的定位结果。需要说明的是，物体密度团可以是监测图像中以密度较大的位置为中心形成的物体密度团，物体密度团可以是一个也可以是多个。

通过上述步骤，首先待监测区域的监测图像，其中，监测图像包含目标对象；对监测图像进行密度估计，得到目标对象的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标对象的概率；基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标对象；基于目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果，实现了对监测图像中对象的定位。容易注意到的是，可以对监测图像进行密度估计，得到目标对象的密度估计结果，可以基于密度估计结果从多个像素点中确定出存在目标对象的像素点，避免对未包含目标对象的像素点进行定位，以便提高目标对象的定位结果的准确度，通过获取目标对象的定位结果，可以实现增加目标对象的输出信息的效果，进而解决了相关技术的算法难以输出监测图像中目标对象的更多信息的技术问题。

本申请上述实施例中，基于密度估计结果，从多个像素点中确定目标像素点，包括：基于密度估计结果，将多个像素点划分为多个第一像素集合，其中，不同第一像素集合中的像素点存在不同对象；对对每个第一像素集合中像素点对应的密度值进行聚合，得到每个第一像素集合对应的质量；基于多个第一像素集合对应的质量对多个第一像素集合中预设像素集合进行分裂操作，得到多个第二像素集合，其中，预设像素集合对应的质量大于第一预设质量；基于多个第二像素集合对应的质量，从多个第二像素集合中确定目标像素点。

上述的多个第一像素集合可以是多个初始树状结构的形式，每个初始树状结构包含的每个节点的质量为该节点在密度估计结果中的密度值；将多个初始树状结构中所有节点的质量进行聚合，得到多个聚合树状结构，也即上述的每个第一像素集合对应的质量；对多个聚合树状结构中目标树状结构进行分裂操作，得到多个第一树状结构，其中，目标树状结构为上述的预设像素结构，第一树状结构为上述的第一像素集合，第一树状结构的第一根节点的质量大于第一预设质量。

上述的密度值可以是浮点密度值。上述的第一预设质量可以为1，但不仅限于此，可以根据实际需求设置。

在密集人群中，多个初始树状结构可以为密集人群中密度团对应的树状结构，其中，密度团密度值较大的像素点可以对应于树状结构中的父节点，该像素点附近范围的其他像素点可以为父节点的后代子节点。

在一种可选的实施例中，可以在得到密度估计结果后，逐一扫描密度矩阵M中的元素，判断该元素是否是自己3×3领域内的最大浮点数密度值点，如果是则将其推入候选点的栈S，如果不是，则将其推入其邻域内峰值点C的子节点栈C_S中，此处在入栈时，可以同时存储每个元素的像素坐标(i，j)和其在M中的浮点密度值V，同时存储每个元素的辐射范围为自身坐标，此处辐射范围指每个元素作为父节点所后继的后代节点的坐标范围。

进一步地，由于候选点的质量仅为自身质量，因此，可以通过深度优先搜索算法，将候选点的全部后代节点(包括子节点、子节点的子节点等)的质量加到自身，更新为自身质量v'，同时，可以将辐射范围值更新为全部后代节点中，最远离候选节点自身坐标的左上、右下位置，即将候选点的辐射范围更新为自身所有后代节点的最大范围。

在另一种可选的实施例中，可以根据密度估计结果，将多个像素点划分为多个第一像素集合，不同第一像素集合中的像素点存在不同的对象，可选的，可以将密度估计结果以密度值较大的一个或多个区域对应的像素点为中心，将多个像素点划分为多个第一像素集合。

进一步的，可以对每个第一像素集合中的像素点对应的密度值进行聚合，可选的，可以对每个第一像素集合中的所有像素点进行扫描，将其中密度值最大的像素点作为目标像素点，可以将该像素点辐射范围内的其他像素点的密度值叠加到质量最大的像素点上，更新密度值最大的像素点自身的质量，其中，对像素点的密度值进行叠加的过程实质上就是对像素点的密度值进行聚合的过程，从而达到对每个第一像素集合中像素点对应的密度值进行聚合，得到每个第一像素集合对应的质量。

又进一步的，由于预设像素集合对应的质量大于第一预设质量，说明该预设像素集合对应的目标对象数量超过1，此时，需要对预设像素集合进行分类操作，得到多个第二像素集合。

表现在树状结构中，可以根据密度估计结果，先建立多个初始树状结构，每个初始树状结构包含的每个节点的质量为该节点在密度估计结果中的密度值，可以对每个初始树状结构中的所有节点进行扫描，得到其中质量最大的节点作为候选节点，可以将该候选节点辐射范围内的子节点的质量叠加到质量最大的节点上，更新质量最大节点自身的质量，其中，对节点质量进行叠加的过程实质上就是对节点质量进行聚合的过程，从而达到将多个初始树状结构中所有节点的质量进行聚合，得到多个聚合树状结构。

在另一种可选的实施例中，对于父节点质量超过1的目标树状结构，可以从递归进行分裂操作，使得每个父节点对应的坐标数量恰好等于总质量的取整，由此可以避免在极度密集区域丢失目标对象数量的问题。

本申请上述实施例中，基于密度估计结果，将多个像素点划分为多个第一像素集合，包括：遍历监测图像中每个像素点，确定密度估计结果中该像素点对应的密度值是否为预设区域内所有像素点对应的密度值中的最大密度值，其中，预设区域用于表征监测图像中以该像素点为中心，与该像素点相邻的像素点组成的区域；在该像素点对应的密度值为最大密度值的情况下，建立新集合，并将该像素点存储至新集合，其中，新集合用于生成多个第一像素集合；在该像素点对应的密度值不为最大密度值的情况下，将该像素点存储至多个第一像素集合中存储有最大密度值的集合。

在一种可选的实施例中，可以遍历监测图像中的每个像素点，确定密度估计结果中该像素点对应的密度值是否为预设区域内所有像素点对应的密度值中的最大密度值，在密度值为大于预设区域内最大密度值的情况下，可以建立新集合，并将该像素点存储至新集合中，该新集合表现在监测图像中密集人群中人群数量较多的密度团。

上述的预设区域可以为3×3的区域，还可以为其他大小的区域，此处对预设区域的面积不做限定。该像素点的预设区域内不包含该像素点的密度值。

在一种可选的实施例中，可以对监测图像中每个像素点的密度值进行遍历，判断该密度值是否为预设区域内的最大的密度值，若该密度值为预设区域内的最大密度值，则可以根据该密度值建立新集合。

在密度值不为预设区域内的最大密度值的情况下，可以将该像素点存储在多个第一像素集合中存储有最大密度值的集合，该

在另一种可选的实施例中，可以将遍历过程中预设区域内的最大密度值作为初始根节点，将预设区域内小于最大密度值的其他密度值作为初始根节点的子节点，从而建立多个初始树状结构。可选的，可以将最大密度值推入到候选点的栈S，可以将其他密度值推入到其邻域内峰值点C的子节点栈C_S中，在入栈的过程中，可以同时存储每个像素对应的像素值和像素坐标。

本申请上述实施例中，每个第一像素集合采用树状结构，每个第一像素集合中的像素点对应于树状结构中的节点，每个第一像素集合中像素点之间的相邻关系对应于树状结构中节点之间的连接关系，其中，对每个第一像素集合中像素点对应的密度值进行聚合，得到每个第一像素集合对应的质量，包括：确定树状结构中父节点对应的密度值和子节点对应的密度值，其中，子节点为树状结构中的父节点的后代节点；对父节点对应的密度值和子节点对应的密度值进行聚合，得到父节点的质量；确定树状结构中根节点的质量为每个第一像素集合对应的质量。

上述的父节点可以是状结构中质量最大的节点，上述的子节点可以是初始树状结构中质量小于最大质量的节点。

在一种可选的实施例中，每个树状结构中都包含有父节点和子节点，可以将子节点的密度值叠加到父节点的密度值上，得到父节点的质量，这样就达到了对父节点的密度值和子节点的密度值进行聚合的目的，通过对父节点对应密度值和子节点对应的密度值进行聚合，使得父节点的质量提高，从而增加该区域存在目标对象的概率，可以确定树状结构中父节点的质量为每个第一像素集合对应的质量，从而将第一像素集合中存在目标对象对应像素的可能性提高。

在另一种可选的实施例中，父节点的质量仅为自身密度值，可以通过深度优先搜索算法，将父节点的全部后代子节点的密度值加到父节点上，得到父节点的质量，同时，可以将辐射范围值更新到全部后代节点中，最远离目标父节点自身坐标的左上、右下位置，即可以将父节点的辐射范围更新为自身所有后代节点的最大范围。

本申请上述实施例中，基于多个第一像素集合对应的质量对多个第一像素集合中预设像素集合进行分裂操作，得到多个第二像素集合，包括：步骤A，获取预设像素集合的辐射范围，其中，辐射范围用于表征预设像素集合中的所有像素点的坐标范围；步骤B，确定辐射范围内最大密度值对应的像素点，得到候选像素；步骤C，基于候选像素对预设像素集合进行分裂操作，得到分裂后的第一集合和第二集合，其中，分裂后的第一集合包含候选像素和与候选像素具有关联关系的关联像素，分裂后的第二集合包含预设像素集合中除分裂后的第一集合中的像素点之外的其他像素点；步骤D，在分裂后的第二集合对应的质量大于第二预设值时，将辐射范围更新为分裂后的第二集合中的所有像素点的坐标范围，并重复执行上述步骤B和步骤C，直至分裂后的第二集合对应的质量小于或等于第二预设值，得到多个第二像素集合，其中，第二预设值小于第一预设值。

上述候选像素的密度值可以为大于1的值。

上述的第一预设值可以为1，上述的第二预设值可以为0，但不限于此，具体的第一预设值和第二预设值可以根据需求自行设置。

上述的预设像素集合中的父节点的密度值大于1，若父节点的密度值大于1，则说明该预设像素集合表示多个目标对象，因此，需要对该预设像素集合进行分裂，使得每个目标对象都可以对应于一个像素集合。映射在监测图像中，是将多个目标对象的位置信息聚合在一个位置信息中，因此，需要对预设像素集合进行分裂，得到每个目标对象单独对应的集合，从而实现对监测图像中密集的目标对象进行定位的目的。

在一种可选的实施例中，可以获取预设像素集合的辐射范围，其中，预设像素集合的辐射范围为预设像素集合中所有像素点的坐标范围，可以确定辐射范围内的最大密度值对应的像素点，得到候选像素，可以根据候选像素的密度值对预设像素集合进行分裂操作，得到分裂后的第一集合和第二集合，此时，第一集合包含的候选像素和与候选像素具有关联关系的关联像素，若分裂后的第二集合对应的质量大于第二预设值，则说明第二集合代表多个目标对象，此时可以将辐射范围更新为分裂后的第二集合中的所有像素点的坐标范围，并对第二集合重复执行上述的操作，直至分裂后的第二集合对应的质量小于或等于第二预设值，得到多个第二像素集合，若第二集合对应的质量小于或等于第二预设值，则说明第二集合中仅表示一个目标对象，此时不需要对第二集合再次进行分裂操作，使用该第二集合可以准确的表示其对应目标对象的位置。

本申请上述实施例中，基于候选像素对预设像素集合进行分裂操作，得到分裂后的第一集合和第二集合，包括：以候选像素为中心进行多次扩散，将预设像素集合中每次扩散位置上像素点对应的密度值与前一次扩散位置的累加结果进行累加，得到该扩散位置的累加结果，其中，第一次扩散位置的累加结果通过将第一次扩散位置上像素点对应的密度值与候选像素点对应的密度值进行累加得到，每次扩散位置为监测图像中与前一次扩散位置上像素点相邻，且远离候选像素点的像素点所在的位置，第一次扩散位置为与候选像素相邻的像素点所在的位置；在该扩散位置的累加结果大于第一预设值的情况下，基于候选像素和该扩散位置之前所有扩散位置上的像素点，得到分裂后的第一集合；将分裂后的第一集合中的像素点从预设像素集合中删除，得到分裂后的第二集合。

在一种可选的实施例中，可以以候选像素为中心进行多次扩散，将预设像素集合中每次扩散位置上像素点对应的密度值与前一次扩散位置的累加结果进行累加，得到该扩散位置的累加结果，通过对扩散位置进行累加，可以将预设像素集合中表示多个目标对象的像素逐渐分裂出来，在扩散位置的累加结果大于第一预设值的情况下，可以根据候选像素和该扩散位置之前的所有扩散位置上的像素点，得到分裂后的第一集合，可以将分裂后的第一集合中的像素点从预设像素集合中删除，也即，可以将预设集合中关于第一集合中的像素点的密度值置为0，从而得到分裂后的第二集合，这样，分裂后的第二集合质量可以减少，继续对第二集合进行分裂操作，直至第二集合的质量小于0，说明分裂完毕。

需要说明的是，由于分裂后的第一集合是候选像素和该扩散位置之前所有扩散位置上的像素点，其并未将超过第一预设值的扩散位置加进去，因此，分裂后的第一集合的累加结果应该是小于第一预设值，也即，分裂后的第一集合代表的是一个目标对象。

在另一种可选的实施例中，在质量聚合的步骤之后，对于质量超出1.0的候选节点(即上述的预设像素集合)，表示在该候选节点的辐射范围内，存在不止一个目标对象，因此需要对该候选节点执行分裂操作，可选的，可以先将该候选节点出栈，然后以该候选节点的辐射范围内中密度最大的位置C'(即上述的候选像素对应的位置)作为起始位置，逐渐向周围扩散，可以将这些被扩散位置作为C'的子节点，可以将所有子节点的质量和加到C'(第一集合)中，直至C'的质量超过1.0，可以将C'加入到候选节点栈中，并将原候选节点C(预设像素集合)范围中属于C'的位置密度值设置为0，因此节点C的总质量相应被减少重复上一步骤，直至原节点C的质量和低于0，说明此时原节点C中已经提取出所有的候选节点，该过程代表向上取整。

本申请上述实施例中，每个第一像素集合采用树状结构，在基于候选像素对预设像素集合进行分裂操作，得到分裂后的第一集合和第二集合之后，将候选像素点对应的节点的质量设定为第三预设值。

上述的第三预设值可以为0，但不仅限于此，可以根据需求自行设定。

在一种可选的实施例中，在根据候选像素对预设像素集合进行分裂操作，得到分裂后的第一集合和第二集合之后，将候选像素点对应的节点的质量设定为第三预设值，也即，可以将辐射范围内候选像素节点对应的节点的质量设定为0，说明此时已经从预设像素集合中将候选像素节点提取出来了。

本申请上述实施例中，基于多个第二像素集合对应的质量，从多个第二像素集合中确定目标像素点，包括：按照多个第二像素集合对应的质量对多个第二像素集合进行排序，得到排序结果；获取排序结果中预设数量的第二像素集合，得到目标像素集合，其中，预设数量为目标对象的数量；从目标像素集合中的像素点中确定最大密度值对应的像素点为目标像素点。

在一种可选的实施例中，可以按照多个第二像素集合对应的质量对多个第二像素集合从小到大进行排序，质量越大的第二像素集合说明其中包含目标对象的概率越大，此时可以根据第二像素集合确定目标对象的目标定位结果，可以根据大致估计出的目标对象的数量，确定出需要保留的第二像素集合的数量，也即，上述的目标像素集合的数量，可以从目标像素集合中的像素点中确定最大密度值对应的像素点为目标像素点，由于目标对象的数量等于预设数量，因此得到的目标定位结果需要与目标对象的数量一致，以获取排序结果中最大密度值对应的像素点作为目标像素点，并确定该目标像素点为目标对象的目标定位结果。

通过上述步骤，可以从密度估计结果中提取出较为准确的目标对象的定位结果，并且定位结果的总数与监测图像中目标对象的数量基本一致。

图4是根据本申请实施例的一种图像处理过程的流程图。如图4所示，首先获取到监测图像，其中，监测图像中可以是包含密集人群的密集图像，可以利用人群密度估计模型对监测图像进行人群密度估计，得到密度估计结果，然后利用密度爬山算法的方法遍历密度估计结果中的每个密度值，确定该密度值是否为预设区域内的最大密度值，在该密度值大于预设区域内最大密度值的情况下，建立新集合，并将该像素点存储至新集合，并根据新集合生成多个第一像素集合，图中的漩涡中心可以为最大密度值的像素点所在的位置，在像素点对应的密度值不为最大密度值的情况下，可以将该像素点存储至多个第一像素集合中存储有最大密度值的集合，其中，该像素点可以是图中的漩涡中心点以外区域的节点，可以根据像素点对应的密度值建立多个第一像素集合；可以对每个第一像素集合进行聚合，得到每个第一像素集合对应的质量，由于多个第一像素集合会出现质量大于1的情况，也即，一个第一像素集合可能会代表多个目标对象，因此，需要对多个第一像素集合进行分裂，得到多个第二像素集合，可以对多个第二像素集合进行质量排序，选取质量处于监测图像中估计出的总人数数量的节点坐标，将这些坐标作为监测图像中人群的目标定位结果。

图5是根据本申请实施例的另一种图像处理方法的流程图，如图5所示，该方法包括：

步骤S501，获取通用的人群密度估计模型在高密集图像上的密度估计输出。

上述的高密集图像可以为监测图像。

可选的，对于一张从视频流中截取的高分辨率RGB图像，其形状为(H，W，3)，通过一个人群密度估计模型，一般获得一个低分辨率下的密度图，即一个形状为(H/4，W/4)的矩阵M，矩阵中元素为浮点数，代表每一个像素位置可能出现目标的概率，因此将矩阵中的元素求和，即可得到画面中的总人数K，即

步骤S502，逐一扫描密度矩阵M中元素，判断该元素是否是自己3x3邻域内的最大浮点数密度值点，如果是则将其推入候选点的栈S，如果不是，则将其推入其邻域内峰值点C的子节点栈C_S中。

上述的最大浮点数密度值点可以为预设区域内的最大密度值。

上述的候选点可以为候选像素。

此处在入栈时，同时存储每个元素的像素坐标(i，j)和其在M中的浮点数密度值v(后文称之为质量)，同时存储每个元素的辐射范围为自身坐标，此处辐射范围指每个元素作为父节点所后继的后代节点的坐标范围。

步骤S503，候选点的质量仅为自身质量，可以通过深度优先搜索算法，将候选点的全部后代节点的质量加和到自身，更新为自身质量v'；

上述的全部后代节点可以包括子节点，子节点的子节点等。

同时，将辐射范围值更新为全部后代节点中，最远离候选节点自身坐标的左上、右下位置，即将候选点的辐射范围更新为自身所有后代节点的最大范围，为步骤S504中提取候选节点提供坐标依据。

步骤S504，以该候选节点的辐射范围中密度最大的位置C'为起始位置，逐渐向周围扩散，将这些被扩散位置作为C'的子节点，将其质量加和到C'中，直到C'质量和超过1.0，将C'加入到候选节点栈中，并将原节点C范围中属于C'的位置的密度值置为0，此时节点C的总质量相应被减少，并重复该步骤，直至原节点C的质量和低于0。

若原节点C的质量和低于0，说明此时原节点C中已经提取出个候选节点

在质量聚合步骤之后，质量超出1.0的候选节点(如质量为V)表示在该候选节点的辐射范围内，存在不止1个目标。因此需要对该候选节点执行分裂操作。具体来讲，可以先将该候选节点C出栈。

步骤S505，对全部候选点进行质量排序，选取质量处于TOPK节点的坐标。

上述的K为高密集图像中估计出的总人数。

本申请中使用了局部密度的爬山算法，从密度图中建立了严格的节点树结构，将密度图划分为质量不一的密度团，利用深度优先算法对节点质量进行聚合，每一个父节点的质量都包含了自己的全部子节点的质量。对于每一个质量超过1的父节点(人数超过1)，可以递归进行分裂操作，使得每个父节点所对应的坐标数量恰好等于它的总质量的取整，由此避免了在极度密集区域丢失目标数量的问题。在聚合和分裂操作完成之后，可以对全部候选节点进行质量排序，若总人数为N，可以选取前N个候选节点作为最终坐标的输出，由此避免了坐标数量与总人数不符的问题，同时避免了阈值敏感问题。

本申请中基于自主设计的密度爬山算法以及深度优先质量聚合操作，从密度估计结果中产出了更加准确的目标对象的坐标位置，本申请中的目标对象的数量与密度估计结果中坐标的数量一致，为人群密度监测提供了更加精细化的结构化输出，为该算法提供了更加直观的展现形式和更加广泛的利用场景。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例的方法。

实施例2

图6是根据本申请实施例2的一种图像处理方法的流程图，如图6所示，该方法可以包括如下步骤：

步骤S602，通过监测设备监测活动区域得到监测图像。

其中，监测图像包含目标人群。

步骤S604，对监测图像进行密度估计，得到目标人群的密度估计结果。

其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标人群的概率。

步骤S606，基于密度估计结果，从多个像素点中确定目标像素点。

其中，目标像素点存在目标人群。

步骤S608，基于目标像素点在监测图像中的位置，得到目标人群在活动区域中的目标定位结果。

需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。

实施例3

图7是根据本申请实施例3的一种图像处理方法的流程图，如图7所示，该方法可以包括如下步骤：

步骤S702，响应作用于操作界面上的输入指令，在操作界面上显示待监测区域的监测图像。

其中，监测图像包含目标对象。

步骤S704，响应作用于操作界面上的定位指令，在操作界面上显示目标对象在待监测区域中的目标定位结果。

其中，目标定位结果通过从监测图像中多个像素点中确定的目标像素点在监测图像中的位置确定，目标像素点基于目标对象的密度估计结果确定，密度估计结果通过对监测图像进行密度估计得到，密度估计结果包含的多个密度值用于表征多个像素点存在目标对象的概率。

实施例4

根据本申请实施例，还提供了一种可以应用于虚拟现实VR设备、增强现实AR设备等虚拟现实场景下的图像处理方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图8是根据本申请实施例4的一种图像处理方法的流程图。如图8所示，该方法可以包括如下步骤：

步骤S802，通过监测设备监测待监测区域的监测图像。

其中，监测图像包含目标对象。

步骤S804，在虚拟现实VR设备或增强现实AR设备的呈现画面上展示监测图像。

步骤S806，基于密度估计结果，从多个像素点中确定目标像素点。

其中，目标像素点存在目标对象。

步骤S808，基于目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果。

步骤S810，驱动VR设备或AR设备渲染展示目标定位结果。

可选地，在本实施例中，上述图像处理方法可以应用于由服务器、虚拟现实设备所构成的硬件环境中。在虚拟现实VR设备或增强现实AR设备的呈现画面上展示目标定位结果，服务器可以为媒体文件运营商对应的服务器，上述网络包括但不限于：广域网、城域网或局域网，上述虚拟现实设备并不限定于：虚拟现实头盔、虚拟现实眼镜、虚拟现实一体机等。

可选地，虚拟现实设备包括：存储器、处理器和传输装置。存储器用于存储应用程序，该应用程序可以用于执行：

通过监测设备监测待监测区域的监测图像，其中，监测图像包含目标对象；在虚拟现实VR设备或增强现实AR设备的呈现画面上展示监测图像；对监测图像进行密度估计，得到目标对象的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标对象的概率；基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标对象；基于目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果；驱动VR设备或AR设备渲染展示目标定位结果。

需要说明的是，该实施例的上述应用在VR设备或AR设备中的图像处理方法可以包括图8所示实施例的方法，以实现驱动VR设备或AR设备展示目标定位结果的目的。

可选地，该实施例的处理器可以通过传输装置调用上述存储器存储的应用程序以执行上述步骤。传输装置可以通过网络接收服务器发送的媒体文件，也可以用于上述处理器与存储器之间的数据传输。

可选地，在虚拟现实设备中，带有眼球追踪的头戴式显示器，该HMD头显中的屏幕，用于显示展示的视频画面，HMD中的眼球追踪模块，用于获取用户眼球的实时运动轨迹，跟踪系统，用于追踪用户在真实三维空间的位置信息与运动信息，计算处理单元，用于从跟踪系统中获取用户的实时位置与运动信息，并计算出用户头部在虚拟三维空间中的三维坐标，以及用户在虚拟三维空间中的视野朝向等。

在本申请实施例中，虚拟现实设备可以与终端相连接，终端与服务器通过网络进行连接，上述虚拟现实设备并不限定于：虚拟现实头盔、虚拟现实眼镜、虚拟现实一体机等，上述终端并不限定于PC、手机、平板电脑等，服务器可以为媒体文件运营商对应的服务器，上述网络包括但不限于：广域网、城域网或局域网。

实施例5

图9是根据本申请实施例5的一种图像处理方法的流程图，如图9所示，该方法可以包括如下步骤：

步骤S902，通过调用第一接口获取待监测区域的监测图像。

其中，第一接口包括第一参数，第一参数的参数值为监测图像，监测图像包含目标对象。

步骤S904，对监测图像进行密度估计，得到目标对象的密度估计结果。

步骤S906，基于密度估计结果，从多个像素点中确定目标像素点。

其中，目标像素点存在目标对象。

步骤S908，基于目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果。

步骤S910，通过调用第二接口输出目标定位结果。

其中，第二接口包括第二参数，第二参数的参数值为目标定位结果。

实施例6

根据本申请实施例，还提供了一种用于实施上述图像处理方法的图像处理装置，图10是根据本申请实施例6的一种图像处理装置的示意图，如图10所示，该装置1000包括：获取模块1002、估计模块1004、确定模块1006、生成模块1008。

其中，获取模块用于获取待监测区域的监测图像，其中，监测图像包含目标对象；估计模块用于对监测图像进行密度估计，得到目标对象的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标对象的概率；确定模块用于基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标对象；生成模块用于基于目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果。。

此处需要说明的是，上述获取模块1002、估计模块1004、确定模块1006、生成模块1008对应于实施例1中的步骤S302至步骤S308，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端中。

本申请上述实施例中，确定模块，包括：划分单元、聚合单元、分裂单元、第一确定单元。

其中，划分单元用于基于密度估计结果，将多个像素点划分为多个第一像素集合，其中，不同第一像素集合中的像素点存在不同对象；聚合单元用于对每个第一像素集合中像素点对应的密度值进行聚合，得到每个第一像素集合对应的质量；分裂单元用于基于多个第一像素集合对应的质量对多个第一像素集合中预设像素集合进行分裂操作，得到多个第二像素集合，其中，预设像素集合对应的质量大于第一预设质量；第一确定单元用于基于多个第二像素集合对应的质量，从多个第二像素集合中确定目标像素点。

本申请上述实施例中，划分单元还用于遍历监测图像中每个像素点，确定密度估计结果中该像素点对应的密度值是否为预设区域内所有像素点对应的密度值中的最大密度值，其中，预设区域用于表征监测图像中以该像素点为中心，与该像素点相邻的像素点组成的区域；划分单元还用于在该像素点对应的密度值为最大密度值的情况下，建立新集合，并将该像素点存储至新集合，其中，新集合用于生成多个第一像素集合；划分单元还用于在该像素点对应的密度值不为最大密度值的情况下，将该像素点存储至多个第一像素集合中存储有最大密度值的集合。

本申请上述实施例中，聚合单元还用于确定树状结构中父节点对应的密度值和子节点对应的密度值，其中，子节点为树状结构中父节点的后代节点；聚合单元还用于对父节点对应的密度值和子节点对应的密度值进行聚合，得到父节点的质量；聚合单元还用于确定树状结构中父节点的质量为每个第一像素集合对应的质量。

本申请上述实施例中，分裂单元还用于执行步骤A，获取预设像素集合的辐射范围，其中，辐射范围用于表征预设像素集合中的所有像素点的坐标范围；步骤B，确定辐射范围内最大密度值对应的像素点，得到候选像素；步骤C，基于候选像素对预设像素集合进行分裂操作，得到分裂后的第一集合和第二集合，其中，分裂后的第一集合包含候选像素和与候选像素具有关联关系的关联像素，分裂后的第二集合包含预设像素集合中除分裂后的第一集合中的像素点之外的其他像素点；步骤D，在分裂后的第二集合对应的质量大于第二预设值时，将辐射范围更新为分裂后的第二集合中的所有像素点的坐标范围，并重复执行上述步骤B和步骤C，直至分裂后的第二集合对应的质量小于或等于第二预设值，得到多个第二像素集合，其中，第二预设值小于第一预设值。

本申请上述实施例中，分裂单元还用于以候选像素为中心进行多次扩散，将预设像素集合中每次扩散位置上像素点对应的密度值与前一次扩散位置的累加结果进行累加，得到该扩散位置的累加结果，其中，第一次扩散位置的累加结果通过将第一次扩散位置上像素点对应的密度值与候选像素点对应的密度值进行累加得到，每次扩散位置为监测图像中与前一次扩散位置上像素点相邻，且远离候选像素点的像素点所在的位置，第一次扩散位置为与候选像素相邻的像素点所在的位置；分裂单元还用于在该扩散位置的累加结果大于第一预设值的情况下，基于候选像素和该扩散位置之前所有扩散位置上的像素点，得到分裂后的第一集合；分裂单元还用于将分裂后的第一集合中的像素点从预设像素集合中删除，得到分裂后的第二集合。

本申请上述实施例中，确定模块包括：排序单元、获取单元、第二确定单元。

其中，排序单元用于按照多个第二像素集合对应的质量对多个第二像素集合进行排序，得到排序结果；获取单元用于获取排序结果中预设数量的第二像素集合，得到目标像素集合，其中，预设数量为目标对象的数量；第二确定单元用于从目标像素集合中的像素点中确定最大密度值对应的像素点为目标像素点。

实施例7

根据本申请实施例，还提供了一种用于实施上述图像处理方法的图像处理装置，图11是根据本申请实施例7的一种图像处理装置的示意图，如图11所示，该装置1100包括：监测模块1102、估计模块1104、确定模块1106、生成模块1108、输出模块1110。

其中，监测模块通过监测设备监测活动区域得到监测图像，其中，监测图像包含目标人群；估计模块用于对监测图像进行密度估计，得到目标人群的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标人群的概率；确定模块用于基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标人群；生成模块用于基于目标像素点在监测图像中的位置，得到目标人群在活动区域中的目标定位结果。

此处需要说明的是，上述监测模块1102、估计模块1104、确定模块1106、生成模块1108、输出模块1110对应于实施例2中的步骤S602至步骤S608，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端中。

实施例8

根据本申请实施例，还提供了一种用于实施上述图像处理方法的图像处理装置，图12是根据本申请实施例8的一种图像处理装置的示意图，如图12所示，该装置1200包括：第一显示模块1202、第二显示模块1204。

其中，第一显示模块用于响应作用于操作界面上的输入指令，在操作界面上显示待监测区域的监测图像，其中，监测图像包含目标对象；第二显示模块用于

响应作用于操作界面上的定位指令，在操作界面上显示目标对象在待监测区域中的目标定位结果，其中，目标定位结果通过从监测图像中多个像素点中确定的目标像素点在监测图像中的位置确定，目标像素点基于目标对象的密度估计结果确定，密度估计结果通过对监测图像进行密度估计得到，密度估计结果包含的多个密度值用于表征多个像素点存在目标对象的概率。

此处需要说明的是，上述第一显示模块1202、第二显示模块1204对应于实施例3中的步骤S702至步骤S704，两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端中。

实施例9

根据本申请实施例，还提供了一种用于实施上述图像处理方法的图像处理装置，图13是根据本申请实施例9的一种图像处理装置的示意图，如图13所示，该装置1300包括：监测模块1302、展示模块1304、估计模块1306、确定模块1308、生成模块1310、驱动模块1312。

其中，监测模块用于通过监测设备监测待监测区域的监测图像，其中，监测图像包含目标对象；展示模块用于在虚拟现实VR设备或增强现实AR设备的呈现画面上展示监测图像；估计模块用于对监测图像进行密度估计，得到目标对象的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标对象的概率；确定模块用于基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标对象；生成模块用于基于目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果；驱动模块用于驱动VR设备或AR设备渲染展示目标定位结果。

此处需要说明的是，上述监测模块1302、展示模块1304、估计模块1306、确定模块1308、生成模块1310、驱动模块1312对应于实施例4中的步骤S802至步骤S812，五个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端中。

实施例10

根据本申请实施例，还提供了一种用于实施上述图像处理方法的图像处理装置，图14是根据本申请实施例10的一种图像处理装置的示意图，如图14所示，该装置1400包括：调用模块1402、估计模块1404、确定模块1406、生成模块1408、输出模块1410。

其中，调用模块用于通过调用第一接口获取待监测区域的监测图像，其中，第一接口包括第一参数，第一参数的参数值为监测图像，监测图像包含目标对象；估计模块用于对监测图像进行密度估计，得到目标对象的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标对象的概率；确定模块用于基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标对象；生成模块用于基于目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果；输出模块用于通过调用第二接口输出目标定位结果，其中，第二接口包括第二参数，第二参数的参数值为目标定位结果。

此处需要说明的是，上述调用模块1402、估计模块1404、确定模块1406、生成模块1408、输出模块1410对应于实施例5中的步骤S902至步骤S910，五个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端中。

实施例11

本申请的实施例可以提供一种电子设备，该电子设备可以是电子设备群中的任意一个电子设备。可选地，在本实施例中，上述电子设备也可以替换为移动终端等终端设备。

可选地，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。

在本实施例中，上述电子设备可以执行图像处理方法中以下步骤的程序代码：获取待监测区域的监测图像，其中，监测图像包含目标对象；对监测图像进行密度估计，得到目标对象的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标对象的概率；基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标对象；基于目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果。

可选地，图15是根据本申请实施例的一种计算机终端的结构框图。如图15所示，该计算机终端A可以包括：一个或多个(图中仅示出一个)处理器、存储器。

其中，存储器可用于存储软件程序以及模块，如本申请实施例中的图像处理方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的图像处理方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至终端A。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取待监测区域的监测图像，其中，监测图像包含目标对象；对监测图像进行密度估计，得到目标对象的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标对象的概率；基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标对象；基于目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果。

可选的，上述处理器还可以执行如下步骤的程序代码：基于密度估计结果，将多个像素点划分为多个第一像素集合，其中，不同第一像素集合中的像素点存在不同对象；对每个第一像素集合中像素点对应的密度值进行聚合，得到每个第一像素集合对应的质量；基于多个第一像素集合对应的质量对多个第一像素集合中预设像素集合进行分裂操作，得到多个第二像素集合，其中，预设像素集合对应的质量大于第一预设质量；基于多个第二像素集合对应的质量，从多个第二像素集合中确定目标像素点。

可选的，上述处理器还可以执行如下步骤的程序代码：遍历监测图像中每个像素点，确定密度估计结果中该像素点对应的密度值是否为预设区域内所有像素点对应的密度值中的最大密度值，其中，预设区域用于表征监测图像中以该像素点为中心，与该像素点相邻的像素点组成的区域；在该像素点对应的密度值为最大密度值的情况下，建立新集合，并将该像素点存储至新集合，其中，新集合用于生成多个第一像素集合；在该像素点对应的密度值不为最大密度值的情况下，将该像素点存储至多个第一像素集合中存储有最大密度值的集合。

可选的，上述处理器还可以执行如下步骤的程序代码：确定树状结构中父节点对应的密度值和子节点对应的密度值，其中，子节点为树状结构中父节点的后代节点；对父节点对应的密度值和子节点对应的密度值进行聚合，得到父节点的质量；确定树状结构中父节点的质量为每个第一像素集合对应的质量。

可选的，上述处理器还可以执行如下步骤的程序代码：步骤A，获取预设像素集合的辐射范围，其中，辐射范围用于表征预设像素集合中的所有像素点的坐标范围；步骤B，确定辐射范围内最大密度值对应的像素点，得到候选像素；步骤C，基于候选像素对预设像素集合进行分裂操作，得到分裂后的第一集合和第二集合，其中，分裂后的第一集合包含候选像素和与候选像素具有关联关系的关联像素，分裂后的第二集合包含预设像素集合中除分裂后的第一集合中的像素点之外的其他像素点；步骤D，在分裂后的第二集合对应的质量大于第二预设值时，将辐射范围更新为分裂后的第二集合中的所有像素点的坐标范围，并重复执行上述步骤B和步骤C，直至分裂后的第二集合对应的质量小于或等于第二预设值，得到多个第二像素集合，其中，第二预设值小于第一预设值。

可选的，上述处理器还可以执行如下步骤的程序代码：以候选像素为中心进行多次扩散，将预设像素集合中每次扩散位置上像素点对应的密度值与前一次扩散位置的累加结果进行累加，得到该扩散位置的累加结果，其中，第一次扩散位置的累加结果通过将第一次扩散位置上像素点对应的密度值与候选像素点对应的密度值进行累加得到，每次扩散位置为监测图像中与前一次扩散位置上像素点相邻，且远离候选像素点的像素点所在的位置，第一次扩散位置为与候选像素相邻的像素点所在的位置；在该扩散位置的累加结果大于第一预设值的情况下，基于候选像素和该扩散位置之前所有扩散位置上的像素点，得到分裂后的第一集合；将分裂后的第一集合中的像素点从预设像素集合中删除，得到分裂后的第二集合。

可选的，上述处理器还可以执行如下步骤的程序代码：每个第一像素集合采用树状结构，在基于候选像素对预设像素集合进行分裂操作，得到分裂后的第一集合和第二集合之后，将候选像素点对应的节点的质量设定为第三预设值。

可选的，上述处理器还可以执行如下步骤的程序代码：按照多个第二像素集合对应的质量对多个第二像素集合进行排序，得到排序结果；获取排序结果中预设数量的第二像素集合，得到目标像素集合，其中，预设数量为目标对象的数量；从目标像素集合中的像素点中确定最大密度值对应的像素点为目标像素点。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：通过监测设备监测活动区域得到监测图像，其中，监测图像包含目标人群；对监测图像进行密度估计，得到目标人群的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标人群的概率；基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标人群；基于目标像素点在监测图像中的位置，得到目标人群在活动区域中的目标定位结果。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：响应作用于操作界面上的输入指令，在操作界面上显示待监测区域的监测图像，其中，监测图像包含目标对象；响应作用于操作界面上的定位指令，在操作界面上显示目标对象在待监测区域中的目标定位结果，其中，目标定位结果通过从监测图像中多个像素点中确定的目标像素点在监测图像中的位置确定，目标像素点基于目标对象的密度估计结果确定，密度估计结果通过对监测图像进行密度估计得到，密度估计结果包含的多个密度值用于表征多个像素点存在目标对象的概率。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：通过监测设备监测待监测区域的监测图像，其中，监测图像包含目标对象；在虚拟现实VR设备或增强现实AR设备的呈现画面上展示监测图像；对监测图像进行密度估计，得到目标对象的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标对象的概率；基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标对象；基于目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果；驱动VR设备或AR设备渲染展示目标定位结果。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：通过调用第一接口获取待监测区域的监测图像，其中，第一接口包括第一参数，第一参数的参数值为监测图像，监测图像包含目标对象；对监测图像进行密度估计，得到目标对象的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标对象的概率；基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标对象；基于目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果；通过调用第二接口输出目标定位结果，其中，第二接口包括第二参数，第二参数的参数值为目标定位结果。

采用本申请实施例，首先待监测区域的监测图像，其中，监测图像包含目标对象；对监测图像进行密度估计，得到目标对象的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标对象的概率；基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标对象；基于目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果，实现了对监测图像中对象的定位。容易注意到的是，可以对监测图像进行密度估计，得到目标对象的密度估计结果，可以基于密度估计结果从多个像素点中确定出存在目标对象的像素点，避免对未包含目标对象的像素点进行定位，以便提高目标对象的定位结果的准确度，通过获取目标对象的定位结果，可以实现增加目标对象的输出信息的效果，进而解决了相关技术的算法难以输出监测图像中目标对象的更多信息的技术问题。

本领域普通技术人员可以理解，图15所示的结构仅为示意，计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices，MID)、PAD等终端设备。图15其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图15中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图15所示不同的配置。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。

实施例12

本申请的实施例还提供了一种计算机可读存储介质。可选地，在本实施例中，上述计算机可读存储介质可以用于保存上述实施例1所提供的图像处理方法所执行的程序代码。

可选地，在本实施例中，上述计算机可读存储介质可以位于AR/VR设备网络中AR/VR设备终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。

可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取待监测区域的监测图像，其中，监测图像包含目标对象；对监测图像进行密度估计，得到目标对象的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标对象的概率；基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标对象；基于目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果。

可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：基于密度估计结果，将多个像素点划分为多个第一像素集合，其中，不同第一像素集合中的像素点存在不同对象；对每个第一像素集合中像素点对应的密度值进行聚合，得到每个第一像素集合对应的质量；基于多个第一像素集合对应的质量对多个第一像素集合中预设像素集合进行分裂操作，得到多个第二像素集合，其中，预设像素集合对应的质量大于第一预设质量；基于多个第二像素集合对应的质量，从多个第二像素集合中确定目标像素点。

可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：遍历监测图像中每个像素点，确定密度估计结果中该像素点对应的密度值是否为预设区域内所有像素点对应的密度值中的最大密度值，其中，预设区域用于表征监测图像中以该像素点为中心，与该像素点相邻的像素点组成的区域；在该像素点对应的密度值为最大密度值的情况下，建立新集合，并将该像素点存储至新集合，其中，新集合用于生成多个第一像素集合；在该像素点对应的密度值不为最大密度值的情况下，将该像素点存储至多个第一像素集合中存储有最大密度值的集合。

可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：确定树状结构中父节点对应的密度值和子节点对应的密度值，其中，子节点为树状结构中父节点的后代节点；对父节点对应的密度值和子节点对应的密度值进行聚合，得到父节点的质量；确定树状结构中父节点的质量为每个第一像素集合对应的质量。

可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：步骤A，获取预设像素集合的辐射范围，其中，辐射范围用于表征预设像素集合中的所有像素点的坐标范围；步骤B，确定辐射范围内最大密度值对应的像素点，得到候选像素；步骤C，基于候选像素对预设像素集合进行分裂操作，得到分裂后的第一集合和第二集合，其中，分裂后的第一集合包含候选像素和与候选像素具有关联关系的关联像素，分裂后的第二集合包含预设像素集合中除分裂后的第一集合中的像素点之外的其他像素点；步骤D，在分裂后的第二集合对应的质量大于第二预设值时，将辐射范围更新为分裂后的第二集合中的所有像素点的坐标范围，并重复执行上述步骤B和步骤C，直至分裂后的第二集合对应的质量小于或等于第二预设值，得到多个第二像素集合，其中，第二预设值小于第一预设值。

可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：以候选像素为中心进行多次扩散，将预设像素集合中每次扩散位置上像素点对应的密度值与前一次扩散位置的累加结果进行累加，得到该扩散位置的累加结果，其中，第一次扩散位置的累加结果通过将第一次扩散位置上像素点对应的密度值与候选像素点对应的密度值进行累加得到，每次扩散位置为监测图像中与前一次扩散位置上像素点相邻，且远离候选像素点的像素点所在的位置，第一次扩散位置为与候选像素相邻的像素点所在的位置；在该扩散位置的累加结果大于第一预设值的情况下，基于候选像素和该扩散位置之前所有扩散位置上的像素点，得到分裂后的第一集合；将分裂后的第一集合中的像素点从预设像素集合中删除，得到分裂后的第二集合。

可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：每个第一像素集合采用树状结构，在基于候选像素对预设像素集合进行分裂操作，得到分裂后的第一集合和第二集合之后，将候选像素点对应的节点的质量设定为第三预设值。

可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：按照多个第二像素集合对应的质量对多个第二像素集合进行排序，得到排序结果；获取排序结果中预设数量的第二像素集合，得到目标像素集合，其中，预设数量为目标对象的数量；从目标像素集合中的像素点中确定最大密度值对应的像素点为目标像素点。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：通过监测设备监测活动区域得到监测图像，其中，监测图像包含目标人群；对监测图像进行密度估计，得到目标人群的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标人群的概率；基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标人群；基于目标像素点在监测图像中的位置，得到目标人群在活动区域中的目标定位结果。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：响应作用于操作界面上的输入指令，在操作界面上显示待监测区域的监测图像，其中，监测图像包含目标对象；响应作用于操作界面上的定位指令，在操作界面上显示目标对象在待监测区域中的目标定位结果，其中，目标定位结果通过从监测图像中多个像素点中确定的目标像素点在监测图像中的位置确定，目标像素点基于目标对象的密度估计结果确定，密度估计结果通过对监测图像进行密度估计得到，密度估计结果包含的多个密度值用于表征多个像素点存在目标对象的概率。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：通过监测设备监测待监测区域的监测图像，其中，监测图像包含目标对象；在虚拟现实VR设备或增强现实AR设备的呈现画面上展示监测图像；对监测图像进行密度估计，得到目标对象的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标对象的概率；基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标对象；基于目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果；驱动VR设备或AR设备渲染展示目标定位结果。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：通过调用第一接口获取待监测区域的监测图像，其中，第一接口包括第一参数，第一参数的参数值为监测图像，监测图像包含目标对象；对监测图像进行密度估计，得到目标对象的密度估计结果，其中，密度估计结果包含的多个密度值用于表征监测图像中多个像素点存在目标对象的概率；基于密度估计结果，从多个像素点中确定目标像素点，其中，目标像素点存在目标对象；基于目标像素点在监测图像中的位置，得到目标对象在待监测区域中的目标定位结果；通过调用第二接口输出目标定位结果，其中，第二接口包括第二参数，第二参数的参数值为目标定位结果。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims

1.一种图像处理方法，其特征在于，包括：

获取待监测区域的监测图像，其中，所述监测图像包含目标对象；

对所述监测图像进行密度估计，得到所述目标对象的密度估计结果，其中，所述密度估计结果包含的多个密度值用于表征所述监测图像中多个像素点存在所述目标对象的概率；

基于所述密度估计结果，从所述多个像素点中确定目标像素点，其中，所述目标像素点存在所述目标对象；

基于所述目标像素点在所述监测图像中的位置，得到所述目标对象在所述待监测区域中的目标定位结果。

2.根据权利要求1所述的方法，其特征在于，基于所述密度估计结果，从所述多个像素点中确定目标像素点，包括：

基于所述密度估计结果，将所述多个像素点划分为多个第一像素集合，其中，不同第一像素集合中的像素点存在不同对象；

对每个第一像素集合中像素点对应的密度值进行聚合，得到所述每个第一像素集合对应的质量；

基于所述多个第一像素集合对应的质量对所述多个第一像素集合中预设像素集合进行分裂操作，得到多个第二像素集合，其中，所述预设像素集合对应的质量大于第一预设质量；

基于所述多个第二像素集合对应的质量，从所述多个第二像素集合中确定所述目标像素点。

3.根据权利要求2所述的方法，其特征在于，基于所述密度估计结果，将所述多个像素点划分为多个第一像素集合，包括：

遍历所述监测图像中每个像素点，确定所述密度估计结果中该像素点对应的密度值是否为预设区域内所有像素点对应的密度值中的最大密度值，其中，所述预设区域用于表征所述监测图像中以该像素点为中心，与该像素点相邻的像素点组成的区域；

在该像素点对应的密度值为所述最大密度值的情况下，建立新集合，并将该像素点存储至所述新集合，其中，所述新集合用于生成所述多个第一像素集合；

在该像素点对应的密度值不为所述最大密度值的情况下，将该像素点存储至所述多个第一像素集合中存储有所述最大密度值的集合。

4.根据权利要求2所述的方法，其特征在于，所述每个第一像素集合采用树状结构，所述每个第一像素集合中的像素点对应于所述树状结构中的节点，所述每个第一像素集合中像素点之间的相邻关系对应于所述树状结构中节点之间的连接关系，其中，对每个第一像素集合中像素点对应的密度值进行聚合，得到所述每个第一像素集合对应的质量，包括：

确定所述树状结构中父节点对应的密度值和子节点对应的密度值，其中，所述子节点为所述树状结构中所述父节点的后代节点；

对所述父节点对应的密度值和所述子节点对应的密度值进行聚合，得到所述父节点的质量；

确定所述树状结构中父节点的质量为所述每个第一像素集合对应的质量。

5.根据权利要求2所述的方法，其特征在于，基于所述多个第一像素集合对应的质量对所述多个第一像素集合中预设像素集合进行分裂操作，得到多个第二像素集合，包括：

步骤A，获取所述预设像素集合的辐射范围，其中，所述辐射范围用于表征所述预设像素集合中的所有像素点的坐标范围；

步骤B，确定所述辐射范围内最大密度值对应的像素点，得到候选像素；

步骤C，基于所述候选像素对所述预设像素集合进行分裂操作，得到分裂后的第一集合和第二集合，其中，所述分裂后的第一集合包含所述候选像素和与所述候选像素具有关联关系的关联像素，所述分裂后的第二集合包含所述预设像素集合中除所述分裂后的第一集合中的像素点之外的其他像素点；

步骤D，在所述分裂后的第二集合对应的质量大于第二预设值时，将所述辐射范围更新为所述分裂后的第二集合中的所有像素点的坐标范围，并重复执行上述步骤B和步骤C，直至所述分裂后的第二集合对应的质量小于或等于所述第二预设值，得到所述多个第二像素集合，其中，所述第二预设值小于所述第一预设值。

6.根据权利要求5所述的方法，其特征在于，基于所述候选像素对所述预设像素集合进行分裂操作，得到分裂后的第一集合和第二集合，包括：

以所述候选像素为中心进行多次扩散，将所述预设像素集合中每次扩散位置上像素点对应的密度值与前一次扩散位置的累加结果进行累加，得到该扩散位置的累加结果，其中，第一次扩散位置的累加结果通过将第一次扩散位置上像素点对应的密度值与所述候选像素点对应的密度值进行累加得到，所述每次扩散位置为所述监测图像中与前一次扩散位置上像素点相邻，且远离所述候选像素点的像素点所在的位置，第一次扩散位置为与所述候选像素相邻的像素点所在的位置；

在该扩散位置的累加结果大于所述第一预设值的情况下，基于所述候选像素和该扩散位置之前所有扩散位置上的像素点，得到所述分裂后的第一集合；

将所述分裂后的第一集合中的像素点从所述预设像素集合中删除，得到所述分裂后的第二集合。

7.根据权利要求5所述的方法，其特征在于，所述每个第一像素集合采用树状结构，在基于所述候选像素对所述预设像素集合进行分裂操作，得到分裂后的第一集合和第二集合之后，将所述候选像素点对应的节点的质量设定为第三预设值。

8.根据权利要求2所述的方法，其特征在于，基于所述多个第二像素集合对应的质量，从所述多个第二像素集合中确定所述目标像素点，包括：

按照所述多个第二像素集合对应的质量对所述多个第二像素集合进行排序，得到排序结果；

获取所述排序结果中预设数量的第二像素集合，得到目标像素集合，其中，所述预设数量为所述目标对象的数量；

从所述目标像素集合中的像素点中确定最大密度值对应的像素点为所述目标像素点。

9.一种图像处理方法，其特征在于，包括：

通过监测设备监测活动区域得到监测图像，其中，所述监测图像包含目标人群；

对所述监测图像进行密度估计，得到所述目标人群的密度估计结果，其中，所述密度估计结果包含的多个密度值用于表征所述监测图像中多个像素点存在所述目标人群的概率；

基于所述密度估计结果，从所述多个像素点中确定目标像素点，其中，所述目标像素点存在所述目标人群；

基于所述目标像素点在所述监测图像中的位置，得到所述目标人群在所述活动区域中的目标定位结果。

10.一种图像处理方法，其特征在于，包括：

响应作用于操作界面上的输入指令，在所述操作界面上显示待监测区域的监测图像，其中，所述监测图像包含目标对象；

响应作用于所述操作界面上的定位指令，在所述操作界面上显示所述目标对象在所述待监测区域中的目标定位结果，其中，所述目标定位结果通过从所述监测图像中多个像素点中确定的目标像素点在所述监测图像中的位置确定，所述目标像素点基于所述目标对象的密度估计结果确定，所述密度估计结果通过对所述监测图像进行密度估计得到，所述密度估计结果包含的多个密度值用于表征所述多个像素点存在所述目标对象的概率。

11.一种图像处理方法，其特征在于，包括：

通过监测设备监测待监测区域的监测图像，其中，所述监测图像包含目标对象；

在虚拟现实VR设备或增强现实AR设备的呈现画面上展示所述监测图像；

基于所述目标像素点在所述监测图像中的位置，得到所述目标对象在所述待监测区域中的目标定位结果；

驱动所述VR设备或所述AR设备渲染展示所述目标定位结果。

12.一种图像处理方法，其特征在于，包括：

通过调用第一接口获取待监测区域的监测图像，其中，所述第一接口包括第一参数，所述第一参数的参数值为所述监测图像，所述监测图像包含目标对象；

通过调用第二接口输出所述目标定位结果，其中，所述第二接口包括第二参数，所述第二参数的参数值为所述目标定位结果。

13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至12中任意一项所述的图像处理方法。

14.一种电子设备，其特征在于，包括：

处理器；

存储器，与所述处理器相连接，用于为所述处理器提供处理权利要求1至12中任意一项所述的图像处理方法的指令。