[发明专利]一种拥挤区域的确定方法和装置

权利要求书

1.一种拥挤区域的确定方法，其特征在于，所述方法包括以下步骤：

针对待测试图像的每个像素点，生成K个不同尺度的待测试子图像；

针对每个待测试子图像，按照预设大小在所述待测试子图像上进行滑动；针对每个滑动窗口进行特征提取，得到第一特征向量，并将所述第一特征向量聚类到对应的单词，并统计聚类到每个单词的第一特征向量数量；利用聚类到每个单词的第一特征向量数量计算所述待测试子图像的第一概率向量；

利用K个第一概率向量，确定所述像素点为拥挤区域或者非拥挤区域；

其中，所述针对每个滑动窗口进行特征提取，得到第一特征向量，包括：利用卷积神经网络CNN对每个滑动窗口进行特征提取，得到第一特征向量。

2.根据权利要求1所述的方法，其特征在于，利用聚类到每个单词的第一特征向量数量计算所述待测试子图像的第一概率向量的过程，具体包括：

利用如下公式计算所述待测试子图像的第一概率向量：

其中，i的取值为1-N，表示第i个单词，N为单词的总数量，k_i1表示聚类到第i个单词的第一特征向量数量，λ_i为常量与待测试子图像的尺度大小的乘积。

3.根据权利要求1所述的方法，其特征在于，所述利用K个第一概率向量，确定所述像素点为拥挤区域或者非拥挤区域的过程，具体包括：

利用支持向量机SVM分类器对所述K个第一概率向量进行分类，并利用分类结果确定所述像素点为拥挤区域或者非拥挤区域；

其中，所述SVM分类器的训练过程，具体包括：针对样本图像中的拥挤区域的每个像素点，生成K个不同尺度的拥挤样本子图像，针对样本图像中的非拥挤区域的每个像素点，生成K个不同尺度的非拥挤样本子图像；

利用拥挤样本子图像和非拥挤样本子图像训练所述SVM分类器；在所述SVM分类器中，将拥挤样本子图像对应的K个第二概率向量分类成拥挤区域，将非拥挤样本子图像对应的K个第三概率向量分类成非拥挤区域。

4.根据权利要求3所述的方法，其特征在于，所述利用拥挤样本子图像和非拥挤样本子图像训练所述SVM分类器的过程，具体包括：

针对每个尺度的拥挤样本子图像，按照预设大小在拥挤样本子图像上进行滑动；针对每个滑动窗口进行特征提取，得到第二特征向量，将第二特征向量聚类到对应的单词；针对每个尺度的非拥挤样本子图像，按照预设大小在非拥挤样本子图像上进行滑动；针对每个滑动窗口进行特征提取，得到第二特征向量，将第二特征向量聚类到对应的单词；统计聚类到每个单词的第二特征向量数量，利用聚类到每个单词的第二特征向量数量，计算拥挤样本子图像对应的第二概率向量，非拥挤样本子图像对应的第三概率向量；

将K个不同尺度的拥挤样本子图像对应的K个第二概率向量分类成拥挤区域，并利用所述K个第二概率向量训练所述SVM分类器；

将K个不同尺度的非拥挤样本子图像对应的K个第三概率向量分类成非拥挤区域，并利用所述K个第三概率向量训练所述SVM分类器；

其中，利用聚类到每个单词的第二特征向量数量，计算拥挤样本子图像对应的第二概率向量，非拥挤样本子图像对应的第三概率向量，具体包括：

利用如下公式计算所述拥挤样本子图像对应的第二概率向量：

利用如下公式计算所述非拥挤样本子图像对应的第三概率向量：

其中，i的取值为1-N，表示第i个单词，N为单词的总数量，k_i2表示聚类到第i个单词的第二特征向量数量，λ_i^(p)为常量与所述拥挤样本子图像的尺度大小的乘积，λ_i⁽ⁿ⁾为常量与所述非拥挤样本子图像的尺度大小的乘积。

5.根据权利要求4所述的方法，其特征在于，所述针对每个滑动窗口进行特征提取，得到第二特征向量的过程，具体包括：

利用卷积神经网络CNN对每个滑动窗口进行特征提取，第二特征向量。