[發(fā)明專利]一種基于生成對(duì)抗神經(jīng)網(wǎng)絡(luò)的人群計(jì)數(shù)方法以及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201811388878.1
• 申請(qǐng)日: 2018-11-21
• 公開(kāi)（公告）號(hào): CN109523538A
• 公開(kāi)（公告）日: 2019-03-26
• 發(fā)明（設(shè)計(jì)）人: 王麗;傅冰飛;彭垚;李斌;薛向陽(yáng)
• 申請(qǐng)（專利權(quán)）人: 上海七牛信息技術(shù)有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06N3/04;G06N3/08
• 代理公司: 上海碩力知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 31251
• 代理人: 郭桂峰

本發(fā)明實(shí)施例提供了一種基于生成對(duì)抗神經(jīng)網(wǎng)絡(luò)的人群計(jì)數(shù)方法以及系統(tǒng)，所述方法包括：獲取源數(shù)據(jù)，對(duì)所述源數(shù)據(jù)進(jìn)行標(biāo)注處理，所述源數(shù)據(jù)包括預(yù)設(shè)數(shù)量的圖片；采用預(yù)設(shè)的模型創(chuàng)建計(jì)數(shù)模型以及判別模型；根據(jù)所述源數(shù)據(jù)訓(xùn)練所述計(jì)數(shù)模型，使其能夠預(yù)測(cè)所述源數(shù)據(jù)對(duì)應(yīng)的人群密度圖，得到第一訓(xùn)練模型；分別將所述源數(shù)據(jù)以及待識(shí)別的目標(biāo)數(shù)據(jù)作為輸入，根據(jù)所述計(jì)數(shù)模型以及判別模型，優(yōu)化所述第一訓(xùn)練模型，得到第二訓(xùn)練模型；采用所述第二訓(xùn)練模型預(yù)測(cè)所述目標(biāo)數(shù)據(jù)對(duì)應(yīng)的人群密度以實(shí)現(xiàn)人群計(jì)數(shù)。本發(fā)明實(shí)施例通過(guò)生成對(duì)抗神經(jīng)網(wǎng)絡(luò)，無(wú)需對(duì)目標(biāo)數(shù)據(jù)進(jìn)行標(biāo)注，節(jié)省了人力，提高了處理效率，可以實(shí)現(xiàn)無(wú)監(jiān)督遷移學(xué)習(xí)，適用于多個(gè)場(chǎng)景的人群計(jì)數(shù)。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)圖像檢測(cè)領(lǐng)域，尤其涉及一種基于生成對(duì)抗神經(jīng)網(wǎng)絡(luò)的人群計(jì)數(shù)方法以及系統(tǒng)。

背景技術(shù)

隨著技術(shù)的不斷進(jìn)步，通過(guò)機(jī)器視覺(jué)來(lái)進(jìn)行圖像識(shí)別以實(shí)現(xiàn)現(xiàn)實(shí)場(chǎng)景人群個(gè)數(shù)統(tǒng)計(jì)日益普遍。

現(xiàn)階段采用深度學(xué)習(xí)來(lái)進(jìn)行圖像識(shí)別的手段通常是對(duì)訓(xùn)練集的樣本進(jìn)行標(biāo)注，然后進(jìn)行訓(xùn)練。由于標(biāo)注的工作量較大，當(dāng)識(shí)別場(chǎng)景切換時(shí)，往往需要重新進(jìn)行標(biāo)注訓(xùn)練，這使得這種模型往往無(wú)法適用于其他場(chǎng)景，可移植性較差，適用范圍不廣。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供一種基于生成對(duì)抗神經(jīng)網(wǎng)絡(luò)的人群計(jì)數(shù)方法以及系統(tǒng)，通過(guò)生成對(duì)抗網(wǎng)絡(luò)，無(wú)需目標(biāo)場(chǎng)景的標(biāo)注，節(jié)省人力，適用于多個(gè)場(chǎng)景的人群計(jì)數(shù)。

本發(fā)明實(shí)施例第一方面提供了一種基于生成對(duì)抗神經(jīng)網(wǎng)的人群計(jì)數(shù)方法，包括：

獲取源數(shù)據(jù)，對(duì)所述源數(shù)據(jù)進(jìn)行標(biāo)注處理并生成對(duì)應(yīng)的人群密度圖，所述源數(shù)據(jù)包括預(yù)設(shè)數(shù)量的圖片；

采用預(yù)設(shè)的模型創(chuàng)建計(jì)數(shù)模型以及判別模型；

根據(jù)所述源數(shù)據(jù)訓(xùn)練所述計(jì)數(shù)模型，得到第一訓(xùn)練模型；

分別將所述源數(shù)據(jù)以及待識(shí)別的目標(biāo)數(shù)據(jù)作為輸入，根據(jù)所述計(jì)數(shù)模型以及判別模型，優(yōu)化所述第一訓(xùn)練模型，得到第二訓(xùn)練模型；

采用所述第二訓(xùn)練模型預(yù)測(cè)所述目標(biāo)數(shù)據(jù)以實(shí)現(xiàn)人群計(jì)數(shù)。

可選的，所述采用預(yù)設(shè)的模型創(chuàng)建計(jì)數(shù)模型以及判別模型，包括：

所述計(jì)數(shù)模型采用VGG-16模型的卷積層并加額外添加2層空洞卷積層。

可選的，所述根據(jù)所述源數(shù)據(jù)訓(xùn)練所述計(jì)數(shù)模型，得到第一訓(xùn)練模型，包括：

獲取所述源數(shù)據(jù)及其對(duì)應(yīng)的標(biāo)注信息；

采用隨機(jī)梯度下降法對(duì)所述計(jì)數(shù)模型進(jìn)行訓(xùn)練。

可選的，所述根據(jù)所述源數(shù)據(jù)訓(xùn)練所述計(jì)數(shù)模型，得到第一訓(xùn)練模型，包括：

根據(jù)所述計(jì)數(shù)模型生成的密度圖確定任務(wù)損失函數(shù)。

可選的，所述分別將所述源數(shù)據(jù)以及待識(shí)別的目標(biāo)數(shù)據(jù)作為輸入，根據(jù)所述計(jì)數(shù)模型以及判別模型，優(yōu)化所述第一訓(xùn)練模型，得到第二訓(xùn)練模型，包括：

將所述目標(biāo)數(shù)據(jù)的金字塔圖片區(qū)域作為輸入，所述金字塔圖片區(qū)域共享中心點(diǎn)；

所述計(jì)數(shù)模型分別根據(jù)所述源數(shù)據(jù)以及所述目標(biāo)數(shù)據(jù)的金字塔圖片區(qū)域，生成對(duì)應(yīng)的密度圖；

所述判別模型判斷所述密度圖的來(lái)源，所述來(lái)源包括源數(shù)據(jù)以及目標(biāo)數(shù)據(jù)；

根據(jù)所述判別模型的判斷結(jié)果優(yōu)化所述第一訓(xùn)練模型。

可選的，所述金字塔尺寸比例為1,0.8,0,6,0,4。

可選的，所述根據(jù)所述判別模型的判斷結(jié)果優(yōu)化所述第一訓(xùn)練模型，包括：

采用自適應(yīng)矩估計(jì)法進(jìn)行優(yōu)化。

可選的，所述方法還包括：