[發明專利]人群計數方法、裝置、電子設備及存儲介質

在審

• 申請號: 202110685840.6
• 申請日: 2021-06-21
• 公開（公告）號: CN113343882A
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 吳紹鋒
• 申請（專利權）人: 平安普惠企業管理有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市沃德知識產權代理事務所(普通合伙) 44347
• 代理人: 高杰;于志光

1.一種人群計數方法，其特征在于，所述方法包括：

獲取訓練圖片集，并對所述訓練圖片集執行高斯核梯度不同的高斯變換處理，得到高斯變換后的矩陣圖集；

利用所述矩陣圖集對預構建的卷積核梯度不同的并行卷積神經網絡進行特征提取訓練，在所述特征提取訓練的誤差值滿足第一預設條件時，得到目標特征圖集和目標并行卷積神經網絡；

利用所述目標特征圖集對預構建的全連接神經網絡進行特征降維訓練，在所述特征降維訓練的誤差值滿足第二預設條件時，得到目標全連接神經網絡；

將所述目標并行卷積神經網絡和所述目標全連接神經網絡組合成集成模型，利用所述矩陣圖集對所述集成模型進行集成訓練，在所述集成訓練的誤差值滿足第三預設條件時，得到目標集成模型；

利用所述目標集成模型對待測試圖片進行人群計數，得到人群計數結果。

2.如權利要求1所述的人群計數方法，其特征在于，所述對所述訓練圖片集執行高斯核梯度不同的高斯變換處理，得到高斯變換后的矩陣圖集，包括：

利用機器視覺工具將所述訓練圖片集轉換為與所述訓練圖片集大小相同的標簽矩陣集；

利用二維高斯變換公式生成不同梯度的高斯核；

利用不同梯度的高斯核對所述標簽矩陣集進行計算，得到所述高斯變換后的矩陣圖集。

3.如權利要求2所述的人群計數方法，其特征在于，所述利用所述矩陣圖集對預構建的卷積核梯度不同的并行卷積神經網絡進行特征提取訓練，在所述特征提取訓練的誤差值滿足第一預設條件時，得到目標特征圖集和目標并行卷積神經網絡，包括：

按照所述矩陣圖集對應的高斯核的梯度大小與所述并行卷積神經網絡中卷積核的梯度大小相同的原則，將所述矩陣圖集分別輸入到所述并行卷積神經網絡對應的線路中；

并發執行所述并行卷積神經網絡對應線路的特征提取的卷積計算，得到每條線路輸出的特征圖集；

對所有特征圖集進行加權求平均計算，得到加權平均后的特征圖集；

利用預測函數分別對所述加權平均后的特征圖集進行計算，得到所述加權平均后的特征圖集中每一張圖片的預測人頭數；

獲取所述訓練圖片集中每一張圖片的真實人頭數；

利用預構建的第一損失函數計算所述每一張圖片的預測人頭數與對應的真實人頭數的誤差值；

判斷所述誤差值是否滿足所述第一預設條件，若所述誤差值不滿足所述第一預設條件，則調整所述并行卷積神經網絡的參數值，并返回所述同時并發執行所述并行卷積神經網絡對應線路的特征提取的卷積計算的步驟；

若所述誤差值滿足所述第一預設條件，則停止所述提取特征的訓練，得到所述目標特征圖集和所述目標并行卷積神經網絡。

4.如權利要求3所述的人群計數方法，其特征在于，所述對所有特征圖集進行加權求平均計算，得到加權平均后的特征圖集，包括：

根據所述并行卷積神經網絡中每條線路對應的卷積核梯度的不同，對所述并行卷積神經網絡中每條線路設置不同的權重值；

將所述每條線路輸出的特征圖集特征維度與對應線路的權重值相乘，得到所述每條線路輸出的特征圖集的加權值；

對所有特征圖集的加權值執行平均操作，得到所述加權平均后的特征圖集。

5.如權利要求3所述的人群計數方法，其特征在于，所述利用所述目標特征圖集對預構建的全連接神經網絡進行特征降維訓練，在所述特征降維訓練的誤差值滿足第二預設條件時，得到目標全連接神經網絡，包括：

將所述目標特征圖集進行特征融合，得到融合特征圖集；

利用所述全連接神經網絡對所述融合特征圖集進行降維計算，得到一維特征圖集；

根據所述一維特征圖集中特征與人頭數的映射關系，計算得到所述一維特征圖集中每一張圖片的預測人頭數；

利用預構建的第二損失函數計算所述每一張圖片的預測人頭數與對應的真實人頭數的誤差值；

判斷所述誤差值是否滿足所述第二預設條件，若所述誤差值不滿足所述第二預設條件，則調整所述全連接神經網絡的參數值，并返回所述利用所述全連接神經網絡對所述融合特征圖集進行降維計算的步驟；

若所述誤差值滿足所述第二預設條件，則停止所述特征降維訓練，得到所述目標全連接神經網絡。