[發明專利]一種基于全卷積網絡的人群密度估計、人數統計的方法

在審

• 申請號: 201710938273.4
• 申請日: 2017-09-30
• 公開（公告）號: CN107742099A
• 公開（公告）日: 2018-02-27
• 發明（設計）人: 劉云楚
• 申請（專利權）人: 四川云圖睿視科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 成都睿道專利代理事務所(普通合伙)51217
• 代理人: 薛波

技術領域

本發明屬于計算機視覺技術與人工神經網絡的技術領域，具體地說，涉及一種基于全卷積網絡的人群密度估計、人數統計的方法。

背景技術

近年來隨著經濟水平發展，人口快速增長，由于人群聚集引起的騷亂已經不止一次的發生，人群監控也變得越來越重要，但是靠人力來實現人群監控容易產生疲勞并且容易受到個人主觀因素影響，與此同時，計算機視覺技術日趨成熟，它在工程中的應用范圍已經擴展到車牌識別、人臉檢測、指紋識別等生活的方方面面，由此更加促進了人群密度自動估計方法的研究。

人群密度等級估計和人群數量統計是人群監控的個重要研究方向。人群密度等級估計將人群按照密集程度劃分為不同等級，通過特征分析及分類手段估計人群密度，常應用于人群密度的預警。而人群數量統計側重于統計人數，要求結果能精確到人數。人群密度估計主要分為特征提取和人群密度分類兩步。現有的人群密度估計方法，為了提升效果，特征提取方法往往設計得非常復雜，這在一定程度上使得檢測速度難以兼顧。同時，人群密度估計常用的支持向量機等分類方法都屬于淺層學習方法，在分類效果上都存在一定的局限性。

然而，近年來，隨著深度學習不斷取得成績，這種深度、多層次的結構模型越來越受到重視。深度卷積神經網絡作為具有代表性的深度學習模型方法之一，通過多隱層的網絡結構，深度提取圖像的高層特征，并通過特征學習避免了復雜的特征設計過程。

目前，人群分析主要應用場合有：

1)對火車站、地鐵站等；

人流復雜的場合進行視頻監控，通過群體分析，實現智能化監控，能夠檢測群體中的異常行為；

2)商場、體育場館等場所進行安全疏通，安保部門可根據人群密度估計結果，分析人流量，及時疏通安全通道，避免人流過大引起擁堵。

現存人群密度估計和人數統計方法大都存在以下問題：

(1)大多針對的小于2000以下的人群環境；

(2)融合大量的人工特征，設計特征復雜，使用起來步驟繁瑣；

(3)無法同時獲取人群的密度估計和人群的具體數量；

(4)標定真實樣本步驟繁瑣。

發明內容

針對現有技術中上述的不足，本發明提供一種基于全卷積網絡的人群密度估計、人數統計的方法，能夠高效且準確地預測出人群密度和人群數量。

為了達到上述目的，本發明采用的解決方案是：一種基于全卷積網絡的人群密度估計、人數統計的方法，包括以下模塊，

模塊一、訓練數據準備模塊，用于完成訓練數據的準備；訓練數據準備模塊包括真實標簽的準備和訓練數據的準備；

模塊二、預測模型設計模塊，用于設計人群密度估計和人數統計的模型結構；

模塊三、預測模型訓練模塊，用于訓練人群密度估計和人數統計的離線模型；

模塊四、實時檢測模塊，用于輸出人群密度估計圖譜和人群數量。

進一步地，所述的模塊一中，所述的訓練數據的準備包括以下兩種方式，

訓練數據的準備方式一：

S0：將圖像按照步長為r0、區間為[s0,s1]做圖像金字塔處理；

S1：對金字塔圖像按照重合面積為p0的百分比采樣，得到訓練數據；

訓練數據的準備方式二：

對圖像中高密度人群圖像進行多次隨機采樣。

進一步地，所述的模塊一中，所述的真實標簽的準備包括以下步驟，

S0：對圖像做人頭的位置標定，得到位置坐標(x,y)；

S1：生成一個和輸入圖像大小相同的標簽矩陣，其中有人頭的位置(x，y)等于1，其他位置等于0；

S2：采用歸一化高斯核卷積標簽矩陣；

S3：對S2中的標簽矩陣采用線性插值方法做降采樣操作，比例為八分之一。

進一步地，所述的全卷積網絡包括1個深層卷積神經網絡和2個淺層卷積神經網絡。

進一步地，所述的深層卷積神經網絡用于處理人群離攝像頭近的場景，獲取人的臉部和人體特征；深層卷積神經網絡采用10層卷積層，分別在第二層、第四層、第七層、第十層采用最大池化操作。

進一步地，所述的淺層卷積神經網絡用于處理人群離攝像頭遠的場景，獲取人體輪廓信息；淺層卷積神經網絡分別采用8層、5層卷積層，8層的淺層卷積神經網絡的卷積核為5x5，5層的淺層卷積神經網絡的卷積核為7x7，采用平均池化操作。

進一步地，對網絡的輸出做上采樣操作，倍數為8倍，得到與輸入網絡的原始圖像同樣尺寸的密度圖譜；對所述的密度圖譜求和，即統計得出人數。