[發明專利]人群計數模型的訓練方法、裝置和存儲介質

在審

• 申請號: 201911029693.6
• 申請日: 2019-10-28
• 公開（公告）號: CN110751226A
• 公開（公告）日: 2020-02-04
• 發明（設計）人: 張莉;陸金剛;閆磊磊;王邦軍
• 申請（專利權）人: 蘇州大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00
• 代理公司: 11227 北京集佳知識產權代理有限公司
• 代理人: 李慧引

1.一種人群計數模型的訓練方法，其特征在于，包括：

獲取多個訓練樣本；其中，每個所述訓練樣本，均包括原始圖像，所述原始圖像對應的真實人群計數密度圖，以及根據所述原始圖像中人群的密集程度確定的真實密集度標簽；

利用當前的人群計數模型計算每一個訓練樣本的原始圖像，得到每一個訓練樣本的估計人群計數密度圖，以及得到每一個訓練樣本的估計密集度；

判斷根據當前的人群計數模型的計數損失值和分類損失值計算得到的所述當前的人群計數模型的目標損失值是否滿足收斂條件；其中，所述計數損失值根據每一個訓練樣本的真實人群計數密度圖和估計人群計數密度圖計算得到，所述分類損失值根據每一個訓練樣本的估計密集度和真實密集度標簽計算得到；

若所述目標損失值不滿足所述收斂條件，基于所述目標損失值更新所述人群計數模型的參數，返回執行所述利用當前的人群計數模型計算每一個所述訓練樣本的原始圖像；

若所述目標損失值滿足所述收斂條件，輸出所述當前的人群計數模型。

2.根據權利要求1所述的訓練方法，其特征在于，所述獲取多個訓練樣本，包括：

獲取多個初始樣本；其中，每一個所述初始樣本均包括原始圖像，以及預先對所述原始圖像中的人物位置進行標注得到的人群位置分布圖像；

利用高斯濾波器計算每一個初始樣本的原始圖像和人群位置分布圖像，得到所述初始樣本的真實人群計數密度圖；

針對每一個初始樣本，根據所述初始樣本的人群位置分布圖中每兩個人物位置之間的距離，計算得到所述初始樣本的真實密集度；

利用聚類算法對每一個所述初始樣本的真實密集度進行分類，從而確定每一個所述初始樣本的真實密集度標簽；

其中，每一個初始樣本的原始圖像，真實人群計數密度圖以及真實密集度標簽，組合為所述初始樣本對應的訓練樣本。

3.根據權利要求2所述的訓練方法，其特征在于，所述根據所述初始樣本的人群位置分布圖中每兩個人物位置之間的距離，計算得到所述初始樣本的真實密集度，包括：

針對所述人群位置分布圖中標注的每一個人物位置，根據所述人物位置與其他人物位置的距離，從近到遠地選取與所述人物位置相鄰的N個人物位置作為所述人物位置的近鄰；

針對所述人群位置分布圖中標注的每一個人物位置，根據所述人物位置和所述人物位置的N個近鄰之間的距離，計算得到所述人物位置的密集度指標；

根據所述人群位置分布圖中每一個人物位置的密集度指標，計算得到所述初始樣本的真實密集度。

4.根據權利要求1所述的訓練方法，其特征在于，所述根據每一個訓練樣本的真實人群計數密度圖和估計人群計數密度圖計算得到當前的人群計數模型的計數損失值的過程，包括：

針對每一個訓練樣本，計算所述訓練樣本的估計人群計數密度圖每個元素，與真實人群計數密度圖中同一位置的元素的差值，得到所述訓練樣本的人群計數誤差矩陣；

計算每一個訓練樣本的人群計數誤差矩陣，得到所述訓練樣本的計數誤差；

計算所有訓練樣本的計數誤差的平均值，得到所述當前的人群計數模型的計數損失值。

5.根據權利要求1所述的訓練方法，其特征在于，所述判斷根據當前的人群計數模型的計數損失值和分類損失值計算得到的所述當前的人群計數模型的目標損失值是否滿足收斂條件，包括：

根據當前的人群計數模型的計數損失值和分類損失值計算得到所述當前的人群計數模型的目標損失值；

計算當前的人群計數模型的目標損失值與前一次迭代的人群計數模型的目標損失值的差值；

判斷所述差值的絕對值是否小于預設的閾值；

若所述差值的絕對值小于預設的閾值，則判斷出所述當前的人群計數模型的目標損失值滿足收斂條件；

若所述差值的絕對值大于或等于所述閾值，則判斷出所述當前的人群計數模型的目標損失值不滿足所述收斂條件。