[發(fā)明專利]復(fù)雜場景下的人群計(jì)數(shù)方法、裝置、設(shè)備及可讀存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202210093740.9
• 申請日: 2022-01-26
• 公開（公告）號: CN114494194A
• 公開（公告）日: 2022-05-13
• 發(fā)明（設(shè)計(jì)）人: 荊曉遠(yuǎn);程俊豪;張新玉;王許輝;竇習(xí)文
• 申請（專利權(quán)）人: 武漢大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 武漢智權(quán)專利代理事務(wù)所(特殊普通合伙) 42225
• 代理人: 張凱

1.復(fù)雜場景下的人群計(jì)數(shù)方法，其特征在于，所述復(fù)雜場景下的人群計(jì)數(shù)方法包括：

將待檢測的人群圖片輸入到訓(xùn)練完成的人群密度圖生成模型中的主干網(wǎng)絡(luò)，得到第一特征向量；

將所述第一特征向量輸入到訓(xùn)練完成的人群密度圖生成模型中的金字塔多尺度網(wǎng)絡(luò)，得到第二特征向量，其中，所述金字塔多尺度網(wǎng)絡(luò)包括預(yù)設(shè)個(gè)數(shù)的金字塔多尺度模塊，所述金字塔多尺度模塊之間為串聯(lián)連接，每個(gè)所述金字塔多尺度模塊包括一個(gè)消息傳遞模塊和一個(gè)注意力模塊，所述消息傳遞模塊包括多列采用消息傳遞機(jī)制的全卷積結(jié)構(gòu)，所述注意力模塊包括采用注意力機(jī)制的全局池化層和卷積層；

將所述第二特征向量輸入到訓(xùn)練完成的人群密度圖生成模型中的生成網(wǎng)絡(luò)，得到所述待檢測的人群圖片對應(yīng)的人群密度圖；

對所述人群密度圖的感興趣區(qū)域的目標(biāo)像素值進(jìn)行積分求和，得到所述感興趣區(qū)域的總?cè)藬?shù)。

2.如權(quán)利要求1所述的復(fù)雜場景下的人群計(jì)數(shù)方法，其特征在于，所述將所述第一特征向量輸入到訓(xùn)練完成的人群密度圖生成模型中的金字塔多尺度網(wǎng)絡(luò)，得到第二特征向量的步驟包括：

將所述第一特征向量輸入到訓(xùn)練完成的人群密度圖生成模型中的金字塔多尺度網(wǎng)絡(luò)的第一金字塔多尺度模塊，基于所述第一金字塔多尺度模塊中的注意力模塊，得到注意力向量；

基于所述第一金字塔多尺度模塊中的消息傳遞模塊每一列的全卷積結(jié)構(gòu)，得到初始特征向量組，所述初始特征向量組包含預(yù)設(shè)列數(shù)的初始特征向量；

重復(fù)執(zhí)行將所述初始特征向量組中當(dāng)前列的的全卷積結(jié)構(gòu)生成的初始特征向量與上一列的全卷積結(jié)構(gòu)生成的初始特征向量進(jìn)行拼接，并輸入到一個(gè)卷積層中進(jìn)行融合，得到當(dāng)前列的輸出特征向量的步驟，直到得到所有列的輸出特征向量；

將所述所有列的輸出特征向量輸入到一個(gè)卷積層中，融合得到第一融合特征向量；

將所述第一融合特征向量與所述注意力向量進(jìn)行融合，得到第二融合特征向量，所述第二融合特征向量為所述第一金字塔多尺度模塊輸出的特征向量；

將所述第一金字塔多尺度模塊輸出的特征向量輸入到第二金字塔多尺度模塊，得到第二金字塔多尺度模塊輸出的特征向量，以此類推，直到得到最后一個(gè)金字塔多尺度模塊輸出的特征向量，所述最后一個(gè)金字塔多尺度模塊輸出的特征向量為第二特征向量。