[發(fā)明專利]基于多尺度感知注意力網(wǎng)絡的人群計數(shù)方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011519235.3
• 申請日: 2020-12-21
• 公開（公告）號: CN112541459A
• 公開（公告）日: 2021-03-23
• 發(fā)明（設計）人: 呂蕾;謝錦陽;顧玲玉;李中會
• 申請（專利權）人: 山東師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06K9/40;G06N3/04;G06N3/08
• 代理公司: 濟南圣達知識產(chǎn)權代理有限公司 37221
• 代理人: 黃海麗

1.基于多尺度感知注意力網(wǎng)絡的人群計數(shù)方法，其特征是，包括：

獲取待處理的目標圖像；

對待處理的目標圖像進行初級特征提取，得到目標圖像的初級特征；

對初級特征分別進行不同尺度的全局上下文信息提取，得到不同尺度的全局上下文信息；同時，對初級特征進行全局平均池化操作，得到平均池化的全局上下文信息；

對每個尺度的全局上下文信息，學習出每個尺度的注意力特征；基于每個尺度的注意力特征和該尺度的全局上下文信息，得到每個尺度的去噪后的上下文信息；將所有尺度的去噪后的上下文信息進行融合得到第一融合結果；將第一融合結果，再與平均池化的全局上下文信息進行融合，得到第二融合結果；

對第二融合結果進行解碼處理得到最終的密度圖，對密度圖進行積分處理，得到圖像上的人群總數(shù)。

2.如權利要求1所述的基于多尺度感知注意力網(wǎng)絡的人群計數(shù)方法，其特征是，對待處理的目標圖像進行初級特征提取，得到目標圖像的初級特征；具體步驟包括：

使用改進的VGG16網(wǎng)絡，對待處理的目標圖像進行初級特征提取，得到目標圖像的初級特征；

所述改進的VGG16網(wǎng)絡，為對VGG16網(wǎng)絡只保留前10個卷積層，刪除后六個卷積層、全連接層和softmax分類器。

3.如權利要求1所述的基于多尺度感知注意力網(wǎng)絡的人群計數(shù)方法，其特征是，對初級特征分別進行不同尺度的全局上下文信息提取，得到不同尺度的全局上下文信息；具體步驟包括：

對初級特征，采用1*1的卷積層進行全局上下文特征提取，得到第一尺度的全局上下文特征；

對初級特征，采用空洞率為6的3*3空洞卷積層進行全局上下文特征提取，得到第二尺度的全局上下文特征；

對初級特征，采用空洞率為12的3*3空洞卷積層進行全局上下文特征提取，得到第三尺度的全局上下文特征；

對初級特征，采用空洞率為18的3*3空洞卷積層進行全局上下文特征提取，得到第四尺度的全局上下文特征。

4.如權利要求1所述的基于多尺度感知注意力網(wǎng)絡的人群計數(shù)方法，其特征是，對初級特征進行全局平均池化操作，得到平均池化的全局上下文信息；具體步驟包括：

采用全局平均池化層，對初級特征進行全局平均池化操作，得到平均池化的全局上下文信息。

5.如權利要求1所述的基于多尺度感知注意力網(wǎng)絡的人群計數(shù)方法，其特征是，對每個尺度的全局上下文信息，學習出每個尺度的注意力特征；具體步驟包括：

對第一尺度的全局上下文特征，采用維度注意力機制的并列三個分支分別進行特征提取，將三個分支提取的特征進行聚合操作，得到第一尺度的注意力特征；

對第二尺度的全局上下文特征，采用維度注意力機制的并列三個分支分別進行特征提取，將三個分支提取的特征進行聚合操作，得到第二尺度的注意力特征；

對第三尺度的全局上下文特征，采用維度注意力機制的并列三個分支分別進行特征提取，將三個分支提取的特征進行聚合操作，得到第三尺度的注意力特征；

對第四尺度的全局上下文特征，采用維度注意力機制的并列三個分支分別進行特征提取，將三個分支提取的特征進行聚合操作，得到第四尺度的注意力特征。