[发明专利]一种人群统计方法、装置、设备及计算机可读存储介质

说明书

本申请公开了一种人群统计方法，包括接收待测试图像；调取预先获得的预测模型和统计人数比例；其中，所述预测模型通过多列卷积神经网络对初始训练集进行训练获得，所述统计人数比例通过高斯滤波器对所述初始训练集进行计算获得；通过所述预测模型对所述待测试图像进行预测，获得对应的估计密度图；根据所述估计密度图与所述统计人数比例对所述待测试图像进行估计，获得估计人数。该方法可更加方便地实现人群场景的人数统计，并可有效保证其较高的准确率；本申请还公开了一种人群统计装置、设备以及计算机可读存储介质，也具有上述有益效果。

技术领域

本申请涉及计算机视觉技术领域，特别涉及一种人群统计方法，还涉及一种人群统计装置、设备及计算机可读存储介质。

背景技术

计算机视觉是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。随着科技的发展，计算机视觉已成为一门不同于人工智能、图象处理、模式识别等相关领域的成熟学科。

为了便于人群控制，提高公众安全，准确地估计来自图像或视频的人群已经成为计算机视觉技术越来越重要的应用。在某些情况下，例如公众集会和体育赛事，参赛人数或密度是未来活动策划和空间设计必不可少的信息。

目前，深度学习已经被成功地应用在人群图像的估计中，其中，主流的估计方法是采用密度图思想，即网络的输入为原始图像，输出为人群的密度图，该方法对人群图像处理的第一步，就是要通过一个高斯滤波器，并根据图像的真实值ground-truth得到图像对应的密度图，但是该方法在训练场景和测试场景上都需要透视图，而在许多密集人群计数的实际应用中，透视图是很难获得的，因此，该方法操作难度较高，效率低下。另外一种人群统计方法则是基于多列卷积神经网络的人群统计方法，该方法同样是基于高斯滤波器，根据图像的ground-truth得到图像对应的密度图，然而，该方法虽然无需上述透视图，只是简单的将高斯滤波器和密度图相加，操作简单，但根据实验结果表明，利用该方法估计的人数和图像的ground-truth误差较大。

因此，如何更加方便地实现人群场景的人数统计，并有效保证其较高的准确率是本领域技术人员亟待解决的问题。

发明内容

本申请的目的是提供一种人群统计方法，该方法可更加方便地实现人群场景的人数统计，并可有效保证其较高的准确率；本申请的另一目的是提供一种人群统计装置、设备以及计算机可读存储介质，也具有上述有益效果。

为解决上述技术问题，本申请提供了一种人群统计方法，所述方法包括：

接收待测试图像；

调取预先获得的预测模型和统计人数比例；其中，所述预测模型通过多列卷积神经网络对初始训练集进行训练获得，所述统计人数比例通过高斯滤波器对所述初始训练集进行计算获得；

通过所述预测模型对所述待测试图像进行预测，获得对应的估计密度图；

根据所述估计密度图与所述统计人数比例对所述待测试图像进行估计，获得估计人数。

优选的，通过所述多列卷积神经网络对所述初始训练集进行训练获得所述预测模型，包括：

接收所述初始训练集；

对所述初始训练集进行高斯滤波处理，获得更新训练集；

通过所述多列卷积神经网络对所述更新训练集进行训练，获得所述预测模型。

优选的，所述人群统计方法还包括：

基于测试集对所述预测模型进行测试，获得测试结果；

当所述测试结果低于预设阈值时，重新训练获取所述预测模型。

优选的，通过所述高斯滤波器对所述初始训练集进行计算获得所述统计人数比例，包括：