[发明专利]基于子模技术和半监督学习的人群计数方法

权利要求书

1.基于子模技术和半监督学习的人群计数方法，其特征在于具体步骤为：

(a)输入预先提取的图像特征，原图像为连续的高频人群视频图像，且未标记确切人数；图像样本集合为：

V＝{x₁,x₂,x₃,…,x_n}

向量x_i是单帧图像的所有特征，n是所有图像样本的数量；所有样本特征都已进行归一化；

(b)计算样本集合V的时间空间相似度，构建k-近邻图，每个图像样本只与最相似的图像连接；再根据该图创建相似矩阵W，矩阵中的每个元素W_ij对应于图像样本x_i,x_j的相似度，对于每个样本，只有对应的k个最相似的样本值不为0；

(c)结合时间空间相似度矩阵,使用谱聚类将人群特征集合V聚类，得到K个簇{G₁,G₂,…,G_K}；

(d)使用子模样本选择算法，从V中选择样本子集S，该集合能充分代表原样本集合，且冗余信息量达到最小，最优子集S满足以下两项：

(1)代表性：该项衡量子集S与全集V的相似性：

(2)差异性：该项衡量子集S中的样本再原集合中的分散性；

其中，m_k(S)代表子集S中包含的第k个簇中的样本数：

(e)对子集S中的样本进行标注，标定该集合中图像的实际人数；

(f)使用所有人群图像，包括标注和未标注的图像，训练回归模型。

2.根据权利要求1所述的人群计数方法，其特征在于，所述的时间空间相似度矩阵W的构建步骤为：

(a)计算V中所有样本的空间相似度:若样本x_j是样本x_i的k-近邻，则样本在空间上的相似度或距离表示为：

否则

(b)计算V中所有样本的时间相似度:若样本x_j和x_i在帧数上相差不超过t，则样本在时间上的相似度或距离被表示为：

否则其中t_i表示样本x_i的图像序号；

(c)任意两个样本的相似度表示为空间相似度和时间相似度的加权和：

其中,参数ε控制时间相似度的权重。

3.根据权利要求1所述的人群计数方法，其特征在于，所述的使用子模样本选择算法，从样本全集V的K个簇中选择最优子集S的具体步骤为：

(1)初始状态，最优子集S以及候选集合R为空，接下来每次迭代，首先获得候选集合R,再从候选集合中选取样本放入集合S中；此外，每个簇G_k需记录已选样本集合A_k；

(2)优化代表性函数，使得候选集合与全集的相似性最大；对于每个簇G_k,从中选出一个最优样本a_k放入集合R中，同时放入A_k，每个簇选择，选择样本a_k的条件是使得A_k与G_k的相似性最大，该相似性用设施选址函数表示：

每个簇始终有一个最优样本在候选集合R中；

(3)优化差异性函数，从候选集合R中选择一个样本，放入子集S中，使得差异性准则达到最大，这样最优子集S内的所有样本就分散在全集V中，即所选的样本冗余达到最小；

(4)将步骤(3)中所选的样本从R移入S中，对其所在的簇重新选择一个候选样本，并更新候选集合R和A_k；

(5)重复步骤(2)到步骤(4)，直到子集S的规模达到所需数量为止。

4.根据权利要求1所述的人群计数方法，其特征在于，所述的使用所有人群图像，包括标注的图像样本(X_L,Y_L)和未标注样本(X_U)，训练回归模型，得到目标参数β^*，其中，训练回归模型的具体方法为：

优化目标函数：

参数λ和分别控制两个正则项的影响效果；其中，L是所有样本构成的拉普拉斯矩阵，并且有如下等效表示：

λf^TLf＝∑_ijW_ij||x_iβ-x_jβ||² (8)

x_iβ是根据图像的低维特征的预测值，该目标项同时优化已标注和未标注图像样本，反映训练样本的潜在结构；另外，P_α(β)是一个弹性网络正则项，其结合了目标参数β^*的L1范数||β^*||和L2范数||β^*||₂；结合(7)式和(8)式，模型的优化目标重写为：

其中，表示未标注样本扩充后的训练集，D是用相似度加权的新样本：

于是目标函数转变成一个标准的弹性网络，直接使用最小角回归算法优化求解。