[發明專利]人群密度檢測方法、裝置、計算機設備和存儲介質

在審

• 申請號: 202010499114.0
• 申請日: 2020-06-04
• 公開（公告）號: CN111652152A
• 公開（公告）日: 2020-09-11
• 發明（設計）人: 周康明;彭山珍
• 申請（專利權）人: 上海眼控科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 姜曉云

本申請涉及一種人群密度檢測方法、裝置、計算機設備和存儲介質。該方法包括：獲取待檢測圖像；將待檢測圖像輸入注意機制特征圖生成網絡中，得到第一特征圖；將待檢測圖像和第一特征圖輸入多尺度卷積網絡中，得到第二特征圖；該第二特征圖包括不同尺度卷積下的特征圖；將第二特征圖輸入特征融合網絡中，得到人群密度熱力圖。該方法通過引入視覺注意機制，更專注于待檢測圖像中人群特征的圖像部分，有效減少待檢測圖像中各種噪聲的影響，使得得到的第一特征圖質量更高；且通過不同尺度的卷積操作，可以獲取輸入圖像中高層的語義信息以及低層的細節信息，使得第二特征圖所包含的信息更加全面，大大提高了得到的人群密度熱力圖的圖像質量。

技術領域

本申請涉及計算機技術領域，特別是涉及一種人群密度檢測方法、裝置、計算機設備和存儲介質。

背景技術

隨著人口密度的增大，許多公共基礎設施例如地鐵站、高鐵站等經常會迎來短期的人流高峰。因此，對公共基礎設施等場合進行人群密度估計，對后續公共基礎設施的管理以及協調是十分必要的，而背景噪聲、遮擋和人群分布的多樣性等問題增加了人群密度估計的難度。

傳統技術中，多數是利用深度神經網絡進行特征回歸，一般是把神經網絡當作特征提取器，并在網絡的最后一層使用邏輯回歸分類器將提取的特征進行分類映射，得到人群密度熱力圖。

但是，傳統技術基于特征回歸的方法大多聚焦在降低計數錯誤率上，而忽略了人群密度熱力圖的質量。因此，其得到的人群密度熱力圖存在質量不高的問題。

發明內容

基于此，有必要針對傳統技術中得到的人群密度熱力圖質量不高的問題，提供一種人群密度檢測方法、裝置、計算機設備和存儲介質。

一種人群密度檢測方法，該方法包括：

獲取待檢測圖像；

將待檢測圖像輸入注意機制特征圖生成網絡中，得到第一特征圖；

將待檢測圖像和第一特征圖輸入多尺度卷積網絡中，得到第二特征圖；該第二特征圖包括不同尺度卷積下的特征圖；

將第二特征圖輸入特征融合網絡中，得到人群密度熱力圖。

在其中一個實施例中，將待檢測圖像和第一特征圖輸入多尺度卷積網絡中，得到第二特征圖，包括：

對待檢測圖像和第一特征圖進行融合，得到融合特征圖；

將融合特征圖輸入多尺度卷積網絡中，得到第二特征圖。

在其中一個實施例中，多尺度卷積網絡包括深層全卷積網絡和淺層全卷積網絡；將融合特征圖輸入多尺度卷積網絡中，得到第二特征圖，包括：

將融合特征圖輸入深層全卷積網絡中，得到深層特征圖；將融合特征圖輸入淺層全卷積網絡中，得到淺層特征圖；

將深層特征圖和淺層特征圖作為第二特征圖。

在其中一個實施例中，上述深層全卷積網絡包括16層卷積層和4層最大池化層；

該4層最大池化層分別位于第2層卷積層之后、第4層卷積層之后、第7層卷積層之后和第16層卷積層之后，該4層最大池化層中前3層最大池化層的步長大小為2、最后一層最大池化層的步長大小為1。

在其中一個實施例中，上述淺層全卷積網絡包括3層卷積層和3層最大池化層；該3層最大池化層與3層卷積層順序連接。

在其中一個實施例中，將待檢測圖像輸入注意機制特征圖生成網絡中，得到第一特征圖，包括：

將待檢測圖像輸入注意機制特征圖生成網絡，輸出待檢測圖像屬于前景圖像的第一概率和屬于背景圖像的第二概率；

提取注意機制特征圖生成網絡最后一層卷積層中的特征圖，得到前景特征圖和背景特征圖；