[發明專利]一種基于空洞卷積的自適應感受野人群密度估計方法

在審

• 申請號: 202010113227.2
• 申請日: 2020-02-24
• 公開（公告）號: CN111488794A
• 公開（公告）日: 2020-08-04
• 發明（設計）人: 鄒臘梅;俞天敏;車鑫;李長峰;喬森;聶士偉;鐘勝;楊衛東
• 申請（專利權）人: 華中科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智

本發明公開了一種基于空洞卷積的自適應感受野人群密度估計方法，屬于計算機視覺領域，該方法包括：對原始數據集圖像和人群密度圖進行切分，得到圖像塊和人群密度圖塊；構建自適應感受野人群密度估計網絡并進行訓練；該模型包括空洞卷積模塊和分類模塊；分類模塊，對切分后的圖像塊進行分類；空洞卷積模塊，根據分類模塊輸出的圖像塊類別，自適應選擇對應感受野的空洞卷積子網絡，對切分后的圖像塊進行特征提取，得到人群密度圖；將待預測圖片輸入訓練好的自適應感受野人群密度估計模型，得到人群密度估計結果。本發明方法能夠自適應選擇對應感受野的空洞卷積子網絡進行人群密度估計，解決了透視畸變的問題，從而提高了人群密度估計的準確率。

技術領域

本發明屬于計算機視覺技術領域，更具體地，涉及一種基于空洞卷積的自適應感受野人群密度估計方法。

背景技術

近年來，隨著城鎮人口的增長，人們更加頻繁地聚集在公共場所，而大量人群聚集在公共場所會帶來諸如擁擠、踩踏等一系列潛在的安全問題。因此，對人群密集的公共場所進行監管和控制對于事故的預防具有極其重要的意義，而人群密度估計就是其中一項關鍵的措施。人群密度估計是指，對視頻或圖像中的人數進行準確估計，同時給出圖片中人群的分布情況。當圖像中的人數超過一定閾值或圖片中某處的人群分布過密時，有可能發生安全事故，此時負責監管的工作人員應該引起格外注意；而生成的人群密度分布情況，可以對工作人員的人群疏散工作進行指導。

目前人群密度估計方法主要有傳統方法和基于深度學習的方法，而傳統方法又包括了基于檢測的人群密度估計方法和基于回歸的人群密度估計方法。基于檢測的人群密度估計方法是設計一個類似于人體檢測器的滑動窗口，讓滑動窗口遍歷整張圖像，最后統計人體檢測器檢測到的人體個數為人群數量。這種方法在人群比較稀疏的情況下表現良好，但是在人群密度較大、存在部分身體的遮擋時，檢測結果并不理想。基于回歸的人群密度估計方法通過學習圖像特征到圖像中總人數的映射關系，來對圖像中的人群進行計數。這種方法仍然不能完全解決人與人之間的遮擋問題。此外，由于基于回歸的人群密度估計需要設計所提取的特征，增加了算法的難度。近年來，得益于卷積神經網絡的強大圖像特征提取能力，人群密度估計取得了顯著地進步，但是現有的深度學習方法大多沒有考慮人群圖像中透視畸變的問題，而人群密集的場景圖片大多是從監控視頻中獲取的，不可避免地會出現透視畸變、尺度變化的現象，因此透視畸變是影響準確率的一個很重要的因素。

總體而言，現有人群密度估計方法存在準確率低的問題。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種基于空洞卷積的自適應感受野人群密度估計方法，其目的在于解決人群圖像中存在的透視畸變問題，從而提高人群密度估計的準確度。

為實現上述目的，本發明提供了一種基于空洞卷積的自適應感受野人群密度估計方法，包括：

S1.采集數據集圖像并獲取人群密度圖；

S2.對原始數據集圖像和人群密度圖進行切分，得到圖像塊和人群密度圖塊；

S3.構建自適應感受野人群密度估計網絡；

所述自適應感受野人群密度估計網絡包括空洞卷積模塊和分類模塊；所述空洞卷積模塊包括多個并列的空洞大小不同的空洞卷積子網絡；

所述分類模塊，用于對切分后的圖像塊進行分類；所述空洞卷積模塊，用于根據所述分類模塊輸出的圖像塊類別，自適應選擇對應感受野的空洞卷積子網絡，對切分后的圖像塊進行特征提取，得到人群密度圖；

S4.將切分后的圖像塊作為輸入，將切分后的人群密度圖塊作為期望輸出，對每個空洞卷積子網絡進行訓練，得到訓練好的空洞卷積模塊，以及每個空洞卷積子網絡對應的類別編號；將切分后的圖像塊作為輸入，將輸出誤差最小的空洞卷積子網絡對應的類別編號作為期望輸出，對分類模塊進行訓練，得到訓練好的自適應感受野人群密度估計模型；