[發明專利]基于強化學習與殘差分類網絡進行人群計數的方法

在審

• 申請號: 202211380112.5
• 申請日: 2022-11-05
• 公開（公告）號: CN115761621A
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 郭文忠;蔣家淼;柯逍
• 申請（專利權）人: 福州大學
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V10/26;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 郭東亮;蔡學俊

1.基于強化學習與殘差分類網絡進行人群計數的方法，其特征在于：包括以下步驟：

步驟S1：采用預設的函數將人的數量定義為多個類別，所述類別與人員數量范圍具有對應關系；

步驟S2：由攝影機實時拍攝各類易發生安全問題的密集人群場景，將原始圖像輸入至殘差分類卷積神經網絡之中，以分塊分類損失函數訓練網絡，直至網絡權重穩定，獲取該圖像所屬的特征圖和分塊分類結果，即類別圖；

步驟S3：將圖像的特征圖與類別圖輸入至強化學習評估網絡之中，由評估網絡根據圖像特征對類別圖做出精確調整，獲取更細粒度的類別圖；

步驟S4：采用預設的函數將圖像的類別圖映射回人數，獲取原圖像的計數圖，計數圖進行值累加獲取原攝影機所監測場景圖像的預測人數。

2.根據權利要求1所述的基于強化學習與殘差分類網絡進行人群計數的方法，其特征在于：步驟S1具體包括以下步驟；

步驟S11：確定人數count屬于哪個類別，事先需要判斷count是否大于第index個類class_index的區間下限，第index個類別的區間下限由以下公式定義：

由上式可知，第1類的人數區間下限為0，第2類的人數區間下限為0.13，以此類推；若人數count大于第index類的人數區間下限，則繼續步驟S12；

步驟S12：將人數count與第index個類class_index的區間上限進行比較；第index個類別的區間上限由以下公式定義：

由上式可知，第1類的人數區間上限為0.13，第2類的人數區間上限為0.15，以此類推；

步驟S13：通過以上公式可以定義好第1類、第2類、第3類…及更多類別的上限與下限，隨后以此為標準訓練殘差分類神經網絡，使其能夠對人數進行分類。

3.根據權利要求1所述的基于強化學習與殘差分類網絡進行人群計數的方法，其特征在于：所述步驟S2包括以下步驟；

步驟S21：由攝影機實時拍攝密集人群場景，獲取人群圖像image；將原圖像image輸入至殘差分類卷積神經網絡之中；

步驟S22：殘差分類卷積神經網絡中的主干網絡部分提取原圖像image的特征圖feature_map_image，殘差塊部分提取原圖像image的殘差注意力圖residual_map_image，將殘差注意力圖與特征圖通過特定公式進行融合，得到原圖像image最終的特征圖final_feature_map_image。該公式如下：

final_feature_map_image＝

feature_map_image+residual_map_image×λ λ∈(0，1] 公式三；

式中λ屬于超參數，可根據實際情況進行調整；

由于原圖像image在主干網絡部分進行了五次下采樣操作，因此特征圖final_feature_map_image中各個特征點feature_point_index都存儲著其所對應的原圖像image中的各個32×32大小的補丁image_patch_index的人群信息；隨后將特征圖輸入至分類器之中；

步驟S23：由1×1卷積層形成的分類器對特征圖final_feature_map_image中的每個特征點feature_point_index進行分類，得到類別圖class_map_image，該圖中存儲著原圖像lmage中各個32×32大小的補丁image_patch_index的分類結果；

步驟S24：使用分塊分類損失函數patch_class_loss訓練殘差分類卷積神經網絡，直至網絡權重穩定，獲取最佳網絡權重。分塊分類損失函數如下：

式中class_total代表類別總數，代表第index個類class_index在類別圖中出現的次數，image_patch_sum代表原圖像32×32大小補丁的總數，代表由殘差卷積神經網絡所獲取的第index個類class_index的概率，γ屬于超參數，可根據實際情況進行調整。