[發明專利]一種基于排序損失和雙分支網絡的人群計數方法及系統

在審

• 申請號: 202011075743.7
• 申請日: 2020-10-10
• 公開（公告）號: CN112215129A
• 公開（公告）日: 2021-01-12
• 發明（設計）人: 吳秦;嚴芳芳
• 申請（專利權）人: 江南大學
• 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: 王曉東

1.一種基于排序損失和雙分支網絡的人群計數方法，其特征在于：包括，

采集人群圖像數據進行預處理，形成樣本數據集；

利用高斯函數計算所述人群圖像數據的標注信息，得到人群標簽密度圖；

基于深度學習策略構建雙分支尺度感知神經網絡模型并輸入所述樣本數據集和所述人群標簽密度圖進行訓練；

將訓練集中的人群圖像輸入所述雙分支尺度感知神經網絡模型內提取特征信息以輸出預測密度圖；

利用積分求解所述預測密度圖中的人數。

2.如權利要求1所述的基于排序損失和雙分支網絡的人群計數方法，其特征在于：構建所述雙分支尺度感知神經網絡模型包括，

選取VGG網絡前十層作為所述雙分支尺度感知神經網絡模型的骨干網絡；

基于兩個不同深度的分支提取不同尺度的特征并作為所述雙分支尺度感知神經網絡模型的核心網絡；

利用1*1卷積融合所述輸入層與所述網絡層提取的所述特征輸出單通道密度圖形成輸出層。

3.如權利要求2所述的基于排序損失和雙分支網絡的人群計數方法，其特征在于：所述核心網絡還包括，淺層和深層，所述淺層包括三層卷積層，所述深層包括六層卷積層；

其中，所述淺層提取待檢測目標的低層信息，所述深層提取所述待檢測目標的語義信息。

4.如權利要求2或3所述的基于排序損失和雙分支網絡的人群計數方法，其特征在于：訓練所述雙分支尺度感知神經網絡模型包括，

將訓練集輸入所述雙分支尺度感知神經網絡模型的所述骨干網絡以得到特征圖；

所述特征圖傳輸至所述核心網絡中的兩個分支進行特征提取并進行關聯；

利用所述1*1卷積層得到單通道的所述預測密度圖，結合損失函數對所述標簽密度圖和所述預測密度圖進行計算；

根據所述損失函數計算的誤差，利用反向傳播逐層傳遞并不斷調整網絡參數，直至所述雙分支尺度感知神經網絡模型趨向穩定，完成訓練。

5.如權利要求4所述的基于排序損失和雙分支網絡的人群計數方法，其特征在于：所述損失函數計算包括，

利用所述人群圖像的人數約束關系建立排序損失函數，如下，

C(I_K)≤C(I_K-1)…C(I₂)≤C(I₁)

其中，I₁，I₂,……I_K-1,I_K為樣本I的子圖；

對于相鄰子圖之間的排序損失為LD(I,k)，如下，

LD(I,k)＝max(0,(C(I_k)-C(I_k+1)))

對于數據圖中單張圖片I的K張子圖之間的所述排序損失函數為LRS，如下，

網絡的所述排序損失函數為LR，定義如下：

其中，M為一個批訓練數據的數量。

6.如權利要求5所述的基于排序損失和雙分支網絡的人群計數方法，其特征在于：還包括，

對所述排序損失函數與歐式距離損失函數進行加權以獲得網絡損失函數；

所述歐氏距離損失函數，如下，

其中，D(X_l)為第l張輸入圖片X_l的標簽密度圖，為第l張輸入圖片X_l的預測密度圖；

所述網絡損失函數如下，

L＝LE+λLR

其中，λ為調節歐式距離和排序損失函數在最終損失函數中占比的參數。