[发明专利]一种面向图像序列的视觉目标动态计数方法及系统

权利要求书

1.一种面向图像序列的视觉目标动态计数方法，其特征在于，包括步骤：

A1：构建用于检测图像中目标位置的深度卷积网络，对该深度卷积网络进行学习训练；构建用于对图像中目标进行跟踪的目标跟踪器；设置目标计数值的初始值；

A2：输入一幅待计数图像，将其作为当前帧图像，使用所述目标跟踪器跟踪上一帧图像中出现的目标，得到每一个目标在当前帧图像中的位置；

A3：根据跟踪得到的每一个目标在当前帧图像中的位置，判断每一个目标是否通过预设的计数线，得到通过计数线的目标的个数，并相应增加目标计数值，同时，去除对通过计数线的目标的下一次跟踪；

A4：将当前帧图像输入到已完成学习训练的深度卷积网络，计算深度卷积网络的输出，检测每一个目标可能出现的位置；

A5：去除检测得到的目标和跟踪得到的目标中相互重叠的目标，得到新增的目标；

A6：根据新增的目标，更新目标跟踪器；

A7：输入下一幅待计数图像，重复步骤A2～A6，直至停止目标计数；

所述更新目标跟踪器的具体过程为：

根据输入的当前帧图像、以及检测到的新增的目标，提取目标的方向梯度直方图特征x；

生成线性分类器训练样本的标签，该线性分类器中所有样本都是通过原始的目标样本经过循环移动产生的，这些样本对应的标签可以通过一个二维高斯函数来实现；

求解线性分类器w使得线性回归函数f(x)＝w^Tx在x_m,n上的响应与y_m,n的平方误差最小，即：

其中λ是正则化系数，w为线性分类器，y_m,n为横坐标为m、纵坐标为n处的回归目标，f(x_m,n)横坐标为m、纵坐标为n处的线性回归函数，x_m,n为横坐标为m、纵坐标为n处的方向梯度直方图特征；

通过核化处理，该线性分类器可以通过下式求解：

其中F(·)和F^-1(·)分别表示二维傅里叶变换和二维逆傅里叶变换，x_0,0表示横坐标为0、纵坐标为0处的方向梯度直方图特征，λ为正则化系数；

保存线性分类核化系数α和目标特征x，为后续的目标跟踪做准备。

2.如权利要求1所述的面向图像序列的视觉目标动态计数方法，其特征在于，所述构建用于检测图像中目标位置的深度卷积网络，对该深度卷积网络进行学习训练的具体步骤包括：

A101：准备一幅图像，用矩形框在该图像中标注出每一个目标出现的位置，并将标注后的图像作为训练图像；

A102：构建用于检测目标位置的深度卷积网络；

A103：将所述训练图像输入到所述深度卷积网络中，计算得到该深度卷积网络的输出结果；

A104：根据该深度卷积网络的输出结果与训练图像中标注得到的目标位置，计算得到深度卷积网络输出结果的误差、以及深度卷积网络的参数；

A105：利用梯度下降算法更新深度卷积网络的参数，完成深度卷积网络的更新；

A106：重复上述步骤A103～A105，直至深度卷积网络输出结果的误差小于预设的阈值，完成深度卷积网络的学习训练。