[发明专利]一种基于深度学习的低复杂度的密集人群分析方法

权利要求书

1.一种基于深度学习的低复杂度的密集人群分析方法，其特征在于，该方法包括以下步骤：

步骤(1)、通过网络监控摄像头采集将要分析的人群监控视频流，按照固定频率采样获得图片数据集；

步骤(2)、将行人的头部作为标注点，获取该标注点的坐标，并按照一个标注点代表一位行人的原则，将图片数据集进行标注；

步骤(3)、选取高斯卷积核，在每一张图片的每一个标注点上进行高斯卷积操作，获得对应的人群分布热力图，并统计出每一张图片中行人的真实数量；

步骤(4)、将步骤(1)中获得的图片数据集按照8:2的比例随机划分为训练集和测试集，分别作为训练模型和测试模型的输入；对应的人群分布热力图和行人真实数量作为标签和度量标准，离线训练获得低复杂度的密集人群分析模型深度学习模型；该模型包含三个阶段：多尺度特征提取、热力图回归和热力图矫正：在多尺度特征提取阶段，利用尺度感知模块来提取不同尺度的特征；在该阶段使用了四个尺度感知模块串联，并在第三个和第四个模块之后使用了下采样操作，使得该阶段输出的特征图的尺寸为原来的1/4；在经过一系列卷积操作之后，热力图回归阶段输出一张粗糙的热力图，并获得初步估计人数；在热力图矫正阶段，利用两次下采样和两次转置卷积操作后对粗糙的热力图进行矫正，获得最终的更准确的人数；以上所有卷积操作和转置卷积操作之后都使用了线性整流函数ReLu进行激活；最后在测试集上通过比较不同参数模型之间的平均绝对误差MAE分析模型，把MAE最小的模型作为最优模型来进行密集人群分析；

其中，平均绝对误差MAE的计算公式为：

其中，为模型预测的第k张图片中行人的数量，y_k为第k张图片对应的实际行人数量，N为样本数量即用于测试的图片数量。

步骤(5)、将获取到的新的人群监控视频流进行实时解码，解码后获得的静态图片输入到训练好的低复杂度的深度学习模型中，输出的热力图表示人群的分布情况，对热力图进行积分，即可获得监控范围内的行人数量，实现对密集人群的实时分析。