[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

说明书

本发明公开了一种基于深度学习的低复杂度的密集人群分析方法，步骤(1)、采样获得图片数据集；步骤(2)、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，离线训练获得用于分析密集人群分布情况的低复杂度的深度学习模型；步骤(5)、将新的人群监控视频流实时解码，输入训模型中，模型输出的热力图表示人群的分布情况，对热力图进行积分，实现对密集人群的实时分析。本发明能够获得更加优秀的人群监控分析效果。

技术领域

本发明涉及图像处理、视频编码、深度学习等多种领域，特别是一种基于深度学习的低复杂度的分析密集人群的模型方案。

背景技术

近年来，随着人口的不断增长，人群的安全问题越来越受到社会各界的重视。很多公共场所采用视频监控技术来帮助安防人员进行管理，但是频频发生的踩踏事件反映出只靠人力去判断人群的安全问题是一个很大的负担。此外，人群具有移动性强、分布不均匀、遮挡面积较大、移动方向不固定的特点，使得只靠人力来分析人群监控视频变得相当困难。

随着大数据和计算机计算能力的快速发展，深度学习(Deeping Learning，DL)在很多领域取得了令人满意的成绩。尤其是当代的深度学习技术，已经作为各大企业的科技拓展和产品升级的重要手段。深度学习技术把特征工程和标签工程统一起来，让模型自己完成特定的特征提取，取代人工提取特征，提取到更有泛化性的特征，从而更高效率地完成不同的任务。

发明内容

基于以上的现有技术，本发明提出了一种基于深度学习的低复杂度的密集人群分析方法，采用固定的采样频率将监控视频流转换为静态图片，实现了特定区域中密集人群的实时分析。

本发明的一种基于深度学习的低复杂度的密集人群分析方法，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。