[發明專利]基于子模技術和半監督學習的人群計數方法

有效

• 申請號: 201710059446.5
• 申請日: 2017-01-24
• 公開（公告）號: CN106874862B
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 周齊;張軍平
• 申請（專利權）人: 復旦大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 上海正旦專利代理有限公司 31200
• 代理人: 陸飛;陸尤

1.基于子模技術和半監督學習的人群計數方法，其特征在于具體步驟為：

(a)輸入預先提取的圖像特征，原圖像為連續的高頻人群視頻圖像，且未標記確切人數；圖像樣本集合為：

V＝{x₁,x₂,x₃,…,x_n}

向量x_i是單幀圖像的所有特征，n是所有圖像樣本的數量；所有樣本特征都已進行歸一化；

(b)計算樣本集合V的時間空間相似度，構建k-近鄰圖，每個圖像樣本只與最相似的圖像連接；再根據該圖創建相似矩陣W，矩陣中的每個元素W_ij對應于圖像樣本x_i,x_j的相似度，對于每個樣本，只有對應的k個最相似的樣本值不為0；

(c)結合時間空間相似度矩陣,使用譜聚類將人群特征集合V聚類，得到K個簇{G₁,G₂,…,G_K}；

(d)使用子模樣本選擇算法，從V中選擇樣本子集S，該集合能充分代表原樣本集合，且冗余信息量達到最小，最優子集S滿足以下兩項：

(1)代表性：該項衡量子集S與全集V的相似性：

(2)差異性：該項衡量子集S中的樣本再原集合中的分散性；

其中，m_k(S)代表子集S中包含的第k個簇中的樣本數：

(e)對子集S中的樣本進行標注，標定該集合中圖像的實際人數；

(f)使用所有人群圖像，包括標注和未標注的圖像，訓練回歸模型。

2.根據權利要求1所述的人群計數方法，其特征在于，所述的時間空間相似度矩陣W的構建步驟為：

(a)計算V中所有樣本的空間相似度:若樣本x_j是樣本x_i的k-近鄰，則樣本在空間上的相似度或距離表示為：

否則

(b)計算V中所有樣本的時間相似度:若樣本x_j和x_i在幀數上相差不超過t，則樣本在時間上的相似度或距離被表示為：

否則其中t_i表示樣本x_i的圖像序號；

(c)任意兩個樣本的相似度表示為空間相似度和時間相似度的加權和：

其中,參數ε控制時間相似度的權重。

3.根據權利要求1所述的人群計數方法，其特征在于，所述的使用子模樣本選擇算法，從樣本全集V的K個簇中選擇最優子集S的具體步驟為：

(1)初始狀態，最優子集S以及候選集合R為空，接下來每次迭代，首先獲得候選集合R,再從候選集合中選取樣本放入集合S中；此外，每個簇G_k需記錄已選樣本集合A_k；

(2)優化代表性函數，使得候選集合與全集的相似性最大；對于每個簇G_k,從中選出一個最優樣本a_k放入集合R中，同時放入A_k，每個簇選擇，選擇樣本a_k的條件是使得A_k與G_k的相似性最大，該相似性用設施選址函數表示：

每個簇始終有一個最優樣本在候選集合R中；

(3)優化差異性函數，從候選集合R中選擇一個樣本，放入子集S中，使得差異性準則達到最大，這樣最優子集S內的所有樣本就分散在全集V中，即所選的樣本冗余達到最??；

(4)將步驟(3)中所選的樣本從R移入S中，對其所在的簇重新選擇一個候選樣本，并更新候選集合R和A_k；

(5)重復步驟(2)到步驟(4)，直到子集S的規模達到所需數量為止。

4.根據權利要求1所述的人群計數方法，其特征在于，所述的使用所有人群圖像，包括標注的圖像樣本(X_L,Y_L)和未標注樣本(X_U)，訓練回歸模型，得到目標參數β^*，其中，訓練回歸模型的具體方法為：

優化目標函數：

參數λ和分別控制兩個正則項的影響效果；其中，L是所有樣本構成的拉普拉斯矩陣，并且有如下等效表示：

λf^TLf＝∑_ijW_ij||x_iβ-x_jβ||² (8)

x_iβ是根據圖像的低維特征的預測值，該目標項同時優化已標注和未標注圖像樣本，反映訓練樣本的潛在結構；另外，P_α(β)是一個彈性網絡正則項，其結合了目標參數β^*的L1范數||β^*||和L2范數||β^*||₂；結合(7)式和(8)式，模型的優化目標重寫為：

其中，表示未標注樣本擴充后的訓練集，D是用相似度加權的新樣本：

于是目標函數轉變成一個標準的彈性網絡，直接使用最小角回歸算法優化求解。