[发明专利]一种基于深度学习的多阶段轻量级人群计数方法

权利要求书

1.一种基于深度学习的多阶段轻量级人群计数方法，其特征在于，该方法包括以下步骤：

A、根据采集到的人群视频监控数据构建训练数据集；

B、构建人群计数模型并设置模型训练参数；

C、训练人群计数模型；

D、在训练过程中计算人群计数模型的评价指标，若评价指标小于设定值，则保存模型参数并执行步骤E，否则执行步骤C继续训练；

E、获取同场景下的人群视频，对视频隔帧进行模型预测，实时统计场景中的人数并展示人群密度图。

2.根据权利要求1所述的一种基于深度学习的多阶段轻量级人群计数方法，其特征在于，所述的步骤A中具体包括以下步骤：

A1、实时获取人群视频监控数据，并传入后台服务器，将视频间隔设定帧数保存为人群图像；

A2、根据人群图像的分辨率创建与其分辨率同等大小的0-1密度图；

A3、根据原始人群图像在0-1密度图中进行标记，人头部所在的位置设为1，其余位置设为0，并通过固定或自适应高斯核函数生成密度图，以原始人群图像以及对应的密度图共同构建训练数据集。

3.根据权利要求2所述的一种基于深度学习的多阶段轻量级人群计数方法，其特征在于，所述的步骤A中，若人群图像的分辨率超过限定值，则对人群图像进行分割处理。

4.根据权利要求2所述的一种基于深度学习的多阶段轻量级人群计数方法，其特征在于，所述的步骤A3具体包括以下步骤：

A31、根据人群场景的拥挤程度设置具体的σ值，具体采用k相邻人头部的平均距离自适应确定参数σ的值，则有：

其中，为k相邻人头部的平均距离；

A32、根据确定的σ值通过高斯核函数构建高斯核G_σ(x,y)，则有：

其中，σ为高斯核函数的参数，(x,y)为高斯核的坐标，(x₀,y₀)为高斯核的中心坐标；

A33、通过高斯核G_σ(x,y)与0-1密度图做卷积生成连续的密度图F(x,y)，则有：

F(x,y)＝G_σ(x,y)*H(x,y)

其中，H(x,y)为0-1密度图。

5.根据权利要求1所述的一种基于深度学习的多阶段轻量级人群计数方法，其特征在于，所述的步骤B中，人群计数模型具体为基于多阶段轻量级网络MS-LWNet的人群计数模型，采用前端-主体-后端的构架，所述的前端模块用以输入的人群图像进行特征提取，得到高维特征图，所述的主体模块用以对前端模块获取的高维特征图进行压缩融合，所述的后端模块用以对压缩融合后的特征图进行降维，得到预测的同分辨率人群密度图。

6.根据权利要求5所述的一种基于深度学习的多阶段轻量级人群计数方法，其特征在于，所述的前端模块采用一个卷积层作为输入人群图像的特征提取结构，则有：

其中，Y为高维特征图，R为ReLU6激活函数，Nor为标准归一化函数，W为卷积层的待学习参数，X为输入的人群图像。