[發明專利]一種基于對抗尺度一致性追求特征自學習的人群計數方法

在審

• 申請號: 202010129537.3
• 申請日: 2020-02-28
• 公開（公告）號: CN111353433A
• 公開（公告）日: 2020-06-30
• 發明（設計）人: 張濤;袁佳偉;潘祥;于宏斌;孫俊
• 申請（專利權）人: 江南大學;深圳市數字城市工程研究中心
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京禹為知識產權代理事務所(特殊普通合伙) 32272
• 代理人: 吳肖敏

1.一種基于對抗尺度一致性追求特征自學習的人群計數方法，其特征在于：包括，

通過攝像頭采集圖，將采集到的不同角度圖匯總；

通過深度學習框架構建對抗尺度一致性網絡，其具備在多尺度的數據樣本中計算人群個數的功能；

將特征自學習法融入所述對抗尺度一致性網絡，將采集到的圖輸入其中；

利用所述對抗尺度一致性網絡固有的對抗損失和感知損失以控制生成密度圖的真偽性；

利用跨尺度一致性準則約束所述生成密度圖。

2.如權利要求1所述的基于對抗尺度一致性追求特征自學習的人群計數方法，其特征在于：所述不同角度圖匯總包括監控區域內不同角度攝像頭對人群拍攝的圖匯總，所述構建對抗尺度一致性網絡包括，

σ(W₂δ(W₁z))

引入以上兩個術語以提高特征自學習法有效性，第一術語中H為長，W為寬，H×W為特征圖維度，i和j為常數，μ_c為第c個特征圖，第二術語中z為第一術語中的結果。

3.如權利要求2所述的基于對抗尺度一致性追求特征自學習的人群計數方法，其特征在于：所述特征自學習法包括，

s＝F_ex(z，W)＝σ(g(z，W))＝σ(W₂δ(W₁z))

其中，參數μ_c為卷積得到的通道、F_sq(μ_c)為壓縮通道的全局語義信息以便獲得權重大的通道信息，F_ex(z，W)在解壓縮之前得到的z，回歸到1×1×S，最后和通道μ_c合并得到自學習后的

其中，將所述采集到的圖輸入所述對抗尺度一致性網絡進行識別。

4.如權利要求3所述的基于對抗尺度一致性追求特征自學習的人群計數方法，其特征在于：所述特征自學習法的學習過程包括，

定義對抗學習模型如下：

其中，x為訓練的圖片信息、y為真實地面密度圖、G為最小化當前目標、D為最大化當前目標。

5.如權利要求4所述的基于對抗尺度一致性追求特征自學習的人群計數方法，其特征在于：在所述對抗學習模型加入歐幾里得損失為：

其中P^G(C)為生成密度圖中的像素，而P^GT(C)為真實地面密度圖，C為開始通道數。

6.如權利要求5所述的基于對抗尺度一致性追求特征自學習的人群計數方法，其特征在于：在所述對抗學習模型加入感知損失為：

其中，f^G(C)為生成的密度圖高層感知特征像素，而f^GT(C)為地真密度圖的高層感知特征中像素。

7.如權利要求5和6所述的任一基于對抗尺度一致性追求特征自學習的人群計數方法，其特征在于：總結所述歐幾里得損失和所述感知損失已獲得更好的L_I損失：

L_I＝arg min_Gmax_DL_A(G，D)+λ_eL_E(G)+λ_pL_p(G).

上式中，λe和λp是歐幾里得損失和知覺損失的預定義權重。

8.如權利要求7所述的基于對抗尺度一致性追求特征自學習的人群計數方法，其特征在于：為解決多尺度一致性的問題，在所述L_I損失上，對跨尺度一致性做出約束，

其中P^prt(C)為密度圖原圖中的像素、P^cnt(C)為密度圖拼接圖中的像素，通過最小化該正則化約束，原圖和子圖之間的密度估計差異被迫很小。

9.如權利要求8所述的基于對抗尺度一致性追求特征自學習的人群計數方法，其特征在于：結合以上損失，得到全局L_II損失：

L_II＝L_I+λ_CL_C(G).

其中，λc是針對跨尺度一致性追求損失的預定義權重；當λc設置為0時模型中的兩個生成器將被獨立訓練。