[發明專利]人群計數方法、系統、計算機可讀存儲介質及服務器

有效

• 申請號: 201811026803.9
• 申請日: 2018-09-04
• 公開（公告）號: CN109359520B
• 公開（公告）日: 2021-12-17
• 發明（設計）人: 袁德勝;游浩泉;張欣欣;王作輝;姚磊;楊進參;王海濤
• 申請（專利權）人: 匯納科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 上海光華專利事務所(普通合伙) 31219
• 代理人: 徐秋平

1.一種人群計數方法，其特征在于，包括：

將包含人群的原始圖像集進行訓練預處理，以形成預處理圖像集；

結合多通道可變形卷積，搭建一卷積神經網絡；所述卷積神經網絡用于將包含人群的原始圖像集映射為熱力圖；

對搭建的卷積神經網絡進行訓練，以形成另一卷積神經網絡；對搭建的卷積神經網絡進行訓練，以形成另一卷積神經網絡的步驟包括：凍結所述卷積神經網絡的前10層，利用第一損失函數對所述卷積神經網絡的10層之后部分進行訓練；待所述第一損失函數不再下降后，解凍所述卷積神經網絡的前10層，在所述第一損失函數加入第二損失函數，組成總損失函數；利用所述總損失函數對所述卷積神經網絡進行訓練，待所述總損失函數不再下降，停止訓練，形成另一卷積神經網絡；所述另一卷積神經網絡用于形成與所述原始圖像集對應的熱力圖；其中，所述第一損失函數loss1可表示為：X_i為輸入圖像的圖像矩陣,F(X_i,Θ)為卷積神經網絡預測密度圖，D_i為實際密度圖，Θ為待學習參數，N為每次迭代訓練的圖片數；所述第二損失函數loss2為MSE為人數的均方差；

將所述原始圖像集中的測試圖集輸入所述另一卷積神經網絡內，以獲取與所述原始圖像集對應的熱力圖。

2.根據權利要求1所述的人群計數方法，其特征在于，所述將包含人群的原始圖像集進行訓練預處理的步驟包括：

把包含人群的原始圖像集按人頭位置生成密度圖集；

將生成的密度圖集劃分為訓練圖集和測試圖集，并將所述密度圖集進行歸一化處理，減去普通卷積vgg16在圖像網絡預訓練模型的平均值；

將訓練圖集與所述密度圖集對應，以統一尺寸大小，并對所述訓練圖集進行數據擴增。

3.根據權利要求2所述的人群計數方法，其特征在于，

統一尺寸大小的步驟包括：以預定尺寸大小為標準，若訓練圖集的尺寸大小小于預定尺寸大小，則對訓練圖集的周邊填零；若訓練圖集的尺寸大小大于預定尺寸大小，則裁剪所述訓練圖集；

對所述訓練圖集進行數據擴增的步驟包括：將訓練圖集分別以預設兩種截取方式截取1/N1大小的圖片塊，再將截取圖片進行水平翻轉；預設兩種截取方式包括：在訓練圖片上依次截取1/N1圖片塊N2片，截取內容不重疊；在訓練圖片上隨機選點截取1/N1大小圖片塊M次，截取內容可能產生重疊；通過以上步驟可將原訓練的1張圖片可擴增為(N1+M)*2張；N2為圖片截圖片數，1/N1不小于1/4；M為在訓練圖片上隨機選點截取1/N1大小圖片塊的次數。

4.根據權利要求1所述的人群計數方法，其特征在于，所述結合多通道可變形卷積，搭建一卷積神經網絡的步驟包括：

搭建vgg16神經網絡前10層，圖片將經過普通卷積網絡進行特征抽取，獲取特征圖；

在搭建的vgg16神經網絡前10層后接入可變形卷積組成的多通道網絡；

在多通道網絡之后接入反卷積層，以便對特征矩陣進行上采樣最終得到熱力圖矩陣。

5.根據權利要求4所述的人群計數方法，其特征在于，所述人群計數方法還包括初始化該卷積神經網絡；所述初始化該卷積神經網絡的步驟包括：

對該卷積神經網絡前10層的vgg16部分加載預訓練權重；

對10層后使用標準差為0.01的高斯核初始化卷積核；

利用0對多通道可變形卷積的偏移層初始化。

6.根據權利要求1所述的人群計數方法，其特征在于，所述對搭建的卷積神經網絡進行訓練，以形成另一卷積神經網絡的步驟還包括：

在利用第一損失函數對所述卷積神經網絡的前10層訓練的訓練過程和利用所述總損失函數對所述卷積神經網絡訓練的訓練過程中，對卷積神經網絡的網絡權重進行優化。