[发明专利]一种密集人数计数的方法、装置、设备以及存储介质

权利要求书

1.一种密集人群计数的方法，其特征在于，包括：

将待测试图像输入预先完成训练的目标残差多尺度卷积神经网络，其中，所述目标残差多尺度卷积神经网络中的两个预选卷积层之间设有残差单元；

利用所述目标残差多尺度卷积神经网络对所述待测试图像进行处理，得到所述待测试图像的目标估计密度图并输出；

依据所述目标估计密度图，确定所述待测试图像中的人数；

还包括：

获取预先构建的人群图像数据集，其中，所述人群图像数据集包括i张人群图像，与每张人群图像分别对应的人头坐标点图；

利用高斯滤波器对所述每张人群图像进行滤波处理后，利用所述每张人群图像的初始化为零矩阵的密度图和所述每张人群图像的人头中心坐标，确定所述每张人群图像的真实密度图；

利用所述每张人群图像和所述每张人群图像的人的真实密度图，构建目标训练集；

在多尺度卷积神经网络的两个预设卷积层之间添加所述残差单元，得到初始残差多尺度卷积神经网络模型；

利用所述目标训练集对所述初始残差多尺度卷积神经网络模型进行训练，得到完成训练后的目标残差多尺度卷积神经网络；

所述在多尺度卷积神经网络的两个预设卷积层之间添加所述残差单元，得到初始残差多尺度卷积神经网络模型包括：

在所述多尺度卷积神经网络的第五卷积层和第六卷积层之间添加一个所述残差单元，得到初始残差尺度卷积神经网络。

2.如权利要求1所述的方法，其特征在于，所述初始残差尺度卷积神经网络的网络结构包括：

第一卷积层，第二卷积层，第三卷积层，第四卷积层，第五卷积层，第六卷积层，反卷积层，第七卷积层，第八卷积层和第九卷积层；

其中，所述第一卷积层、所述第二卷积层、所述第三卷积层和所述第四卷积层均采用VGG16网络结构；

所述第一卷积层至所述第五卷积层的相邻卷积层之间 均采用2×2区域，步长为2的最大池化，激活函数采用ReLU函数；

所述第五卷积层和所述第六卷积层之间采用3×3区域，步长为1的最大池化；

所述第五卷积层输出的特征图和所述第六卷积层输出的特征图在通道上串联；

所述第五卷积层和所述第六卷积层之间设有所述残差单元；

所述第四卷积层输出的特征图和所述反卷积层采用得到的特征图在通道上串联；

所述第九卷积层的卷积核为1×1，并将所述第九卷积层输出的特征图作为所述初始残差尺度卷积神经网络的网络输出。

3.如权利要求1所述的方法，其特征在于，所述依据所述目标估计密度图，确定所述待测试图像中的人数包括：

根据所述目标估计密度图中所有像素值的和，确定所述待测试图像中的人数。

4.一种密集人群计数的装置，其特征在于，包括：

输入模块，用于将待测试图像输入预先完成训练的目标残差多尺度卷积神经网络，其中，所述目标残差多尺度卷积神经网络中的两个预选卷积层之间设有残差单元；

输出模块，利用所述目标残差多尺度卷积神经网络对所述待测试图像进行处理，得到所述待测试图像的估计密度图并输出；

确定模块，用于依据所述目标估计密度图，确定所述待测试图像中的人数；

还包括：

训练模块，用于获取预先构建的人群图像数据集，其中，所述人群图像数据集包括i张人群图像，与每张人群图像分别对应的人头坐标点图；

利用高斯滤波器对所述每张人群图像进行滤波处理后，利用所述每张人群图像的初始化为零矩阵的密度图和所述每张人群图像的人头中心坐标，确定所述每张人群图像的真实密度图；

利用所述每张人群图像和所述每张人群图像的人的真实密度图，构建目标训练集；

在多尺度卷积神经网络的两个预设卷积层之间添加所述残差单元，得到初始残差多尺度卷积神经网络模型；

利用所述目标训练集对所述初始残差多尺度卷积神经网络模型进行训练，得到完成训练后的目标残差多尺度卷积神经网络。

5.如权利要求4所述的装置，其特征在于，所述确定模块具体用于：

根据所述目标估计密度图中所有像素值的和，确定所述待测试图像中的人数。