[发明专利]一种基于尺度自适应的头部检测和密度图的人群计数方法

说明书

本发明公开一种基于尺度自适应的头部检测和密度图的人群计数方法，对图像进行特征训练和预测；首先提取图像的梯度信息和图像的前景；生成与图像对应的尺度和参数；然后分割前景图像，筛选样例；用样例进行训练得到头部的训练模型；利用训练模型进行预测，得到预测结果；根据预测结果生成多尺度密度图，将密度图加和得到预测总人数。用尺度自适应的方法结合头部检测对图片中的行人进行计数，弥补了普通的检测方法对于透视变换问题上的不足；自适应的尺度筛选方法和密度图的应用，使得本发明有更好的鲁棒性，可以适用于不同的场景。对于patch的筛选以及分类使得训练出来的模型分类能力更强，保障了人群计数的准确性。

技术领域

本发明涉及行人检测领域，更具体地，涉及一种基于尺度自适应的头部检测和密度图的人群计数方法。

背景技术

随着社会的城镇化发展，城市人口数量急剧上升，视频监控被越来越多地使用到了日常的工作和生活中。这些视频数据最重要的应用领域之一就是智能视频监控。拥有13.75亿人口的中国，人口数量大所引发的一系列问题始终威胁着公众安全。同样在世界上其他地方，举行大型活动时也会因为人群过密发生不可控事件。所以，有效地利用安防监控数据合理调配治安人员以及建设辅助交通设施对人群进行引导分流对于公共秩序的维护和人身安全的保护有着重大意义。然而传统视频监控需要人工监视处理、汇报情况，非常消耗人力物力。自动化的视频分析和处理不仅可以解放劳动力，还可以从海量的视频信息中挖掘数据，学习到有用的知识和规则。人群计数作为视频分析中的一个领域，对于人群行为分析，紧急情况监测，交通规划等等多个方面都有着重要的意义。现有的人群计数的研究方法主要分为两大类，局部的(local)方法和全局的(holistic)方法，全局方法主要是对于一个输入的图片通过特征提取之后寻找一个模型使其能直接对应图片上的总人数。局部的方法是将图片分块，将每一块的预测结果综合后得出最后图片的总人数。局部的方法多数是基于检测的方法，基于检测的方法的主要思想就是把行人正确的分割出来并通过检测结果得到预测的总人数。基于检测的方法中常用到一些局部检测器，比如说头部检测器，头肩检测器，人体检测器等。尽管人体识别和跟踪技术比较成熟，在复杂的场景中整个人体的检测还是会因遮挡和透视变换等问题使得检测的准确率变低。除了传统方法，深度学习在人群计数上也有着优异的表现，深度学习方法的优势在于较高的准确度，通过长时间的训练和调参，深度学习可以达到比传统方法更好的准确度，但缺点也就相应而来，训练需要大量的训练数据并且和训练时间较长，对于计算资源的占用大，需要高性能的计算设备与之配合，这使得应用难度变大，设备成本变高。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷，提供一种基于尺度自适应的头部检测和密度图的人群计数方法。

为解决上述技术问题，本发明的技术方案如下：

一种基于尺度自适应的头部检测和密度图的人群计数方法，对图像进行特征训练和预测，包括以下步骤：

S1：提取图像的梯度信息和图像的前景；

S2：生成与图像对应的尺度和参数；

S3：分割前景图像，筛选样例；

S4：用样例进行训练得到头部的训练模型；

S5：利用训练模型进行预测，得到预测结果；

S6：根据预测结果生成多尺度密度图，将密度图加和得到预测总人数。

在一种优选的方案中，步骤S1中利用梯度差分方法提取图像的前景，包括以下步骤：

S11：获取实验所需要的数据集，包括图片序列集、有在头部位置有标记的位置矩阵和透视关系矩阵；提取每一张图像的梯度信息和梯度夹角；

S12：利用梯度差分的方法提取当前图片序列中每一帧图片与其对应的前景。