[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

说明书

本发明涉及一种基于深度学习的多阶段轻量级人群计数方法，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。与现有技术相比，本发明利用深度可分离卷积和多尺度思想结合，在能够保证人群计数效果的前提下，提高了模型的计数效率，使其更具有实用性。

技术领域

本发明涉及公共场所人群监控领域，尤其是涉及一种基于深度学习的多阶段轻量级人群计数方法。

背景技术

随着医疗体系的不断完善，人口数量也在不断增长，从而在地铁、影院、景区等公共场所都存在人群拥堵现象，为了防止因人群拥堵产生公共安全事件，监管部门必须安排一定人力和物力对其进行防控，但是无论是人为监控或者现场调度，人力毕竟有限，无法准确持续的进行统计，因此，建立有效的人群拥挤计数模型，并利用监控摄像头对这些场所进行智能监控是十分有效的。

初期的人群计数研究主要基于检测和回归的方法，许多研究人员试图从这两个方面来寻求突破，但都无法对遮挡的人群进行计数，且没有考虑到人群的空间分布信息，无法定位人的具体位置，现在大部分的研究都是基于卷积神经网络的方法，这些方法都只是追求更好的计数效果，而忽视了落地实施方案的速度需求，因此，从计数效果和效率两方面追求最终的平衡是落实实施的关键。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的多阶段轻量级人群计数方法。

本发明的目的可以通过以下技术方案来实现：

一种基于深度学习的多阶段轻量级人群计数方法，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。

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。

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。

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；