[发明专利]一种基于卷积神经网络的人数统计方法

摘要

本发明公开了一种基于卷积神经网络的人数统计方法，涉及计算机视觉领域。首先对图像样本数据进行处理并生成样本图像实际的人群密度图；然后通过提取处理分支网络中的特征图获取层次上下文信息并输送到主干网络中，在主干网络中选择性融合低层和高层特征图，建立一种层次上下文和多尺度特征融合网络；利用处理后的样本数据对建立的网络进行训练；最后使用训练后的模型对任意图像进行人数统计。本发明有效解决了人数统计任务中由于图像尺度不一致导致准确率下降的问题，并提高了方法在不同场景下的普适性。

主权项

1.一种基于卷积神经网络的人数统计方法，其特征在于，该方法包括以下步骤：(1)对图像样本数据进行灰度化预处理、分块，并生成多幅基于人头的人群密度图；其中，人群密度图中每个人头目标用一个圆形高斯核表示，高斯核的中心位于人头目标的中心位置，将人群密度图中所有人头目标对应的高斯核叠加在一起即可得到基于人头的人群密度图；(2)将步骤(1)分块处理后的图像样本数据输入卷积神经网络中的第一个卷积层，再将结果输入到第二个卷积层；(3)建立层次上下文和多尺度特征融合网络：(3.1)将上一层的输出结果输入到卷积神经网络中的第一子网络；(3.2)将上一层的输出结果输入到卷积神经网络中的转置卷积层；(3.3)将上一层的输出结果和第一子网络中第一个池化层输出结果以及第一子网络中第三个卷积层输出结果在通道维度上链接在一起；(3.4)将步骤(3.1)的输出结果输入到卷积神经网络中的全连接层，采用交叉熵函数作为全连接层的损失函数；(3.5)将步骤(2)输出结果输入到卷积神经网络中的第二子网络；其中，步骤(3.3)的输出结果和第二子网络中第三个卷积层输出结果在通道维度上链接在一起；第二子网络中第1个卷积层输出结果输入到第二子网络中第一次池化层，其输出结果和第二子网络中第6个卷积层输出结果在通道维度上链接在一起，第二子网络中第二个卷积层输出结果和第二子网络中第1个转置卷积层输出结果在通道维度上链接在一起；(3.6)将上一层的输出结果输入到卷积神经网络中的维度变换层，获得给定图像对应的人群密度估计图和人数估计统计结果；其中，采用人群密度估计图和步骤(1)的人群密度图的欧氏距离作为维度变换层的损失函数；(3.7)采用步骤(3.4)中交叉熵损失函数和步骤(3.6)中欧氏距离损失函数的加权和作为整体损失函数，利用步骤(1)的人群密度图对网络的全连接层输出结果和维度变换层输出结果同时进行训练；(4)使用训练后的模型对任意输入单幅图像进行人数统计。