[发明专利]人群密度估计方法

说明书

本发明提供了一种人群密度估计方法，本发明通过使用AlexNet网络将人群图片数据集分为密集与稀疏两类，然后针对这两类图像密度特征的不同将其分别送入对应的特征提取网络，从而获取更好有效的人群密度估计特征。本发明用于估计高密度人群图片中的人群数量，可预防人群过度拥挤造成的意外情况发生。本发明是一种组合式网络人群密度估计算法，通过对人群稠密、稀疏这两类情况分别做人群密度估计。该发明能更好的提供有效的人群密度估计特征，且能改善密度图分布不相似的问题，具有较好的鲁棒性。

技术领域

本发明涉及一种人群密度估计方法。

背景技术

近年来，基于卷积神经网络的视频图像分析成为机器视觉领域的一项热门课题，其应用非常广泛。其中，人群密度估计是一个重要分支。人群密度估计是指将高密度人群图片通过卷积神经网络输出相对应的人群密度图，对密度图中所有像素进行求和得到总人数的过程。

目前，除了传统的人群计数算法，很多基于深度学习的人群计数算法被不断提出。对于深度学习算法来讲，由于损失函数的影响，使得网络学习出来的密度图较为模糊，与真实对应的密度图差异较大，同时还可能造成过估计的问题。为了解决这种问题，采用对人口密度的大小进行分别处理，而这种处理方式较统一进行人口估计的情况误差小的多，能改善密度图分布不相似的问题，且鲁棒性更高，给大型人群聚集场所的安全方面与规划方面带来最为准确的数据。

发明内容

本发明的目的在于提供一种人群密度估计方法。

为解决上述问题，本发明提供一种人群密度估计方法，包括：

根据密度大于预设阈值的人群图像数据集给定的对应人群位置坐标构建相应真值图，训练用于图像情况分类的AlexNet网络、训练密集情况下的融合注意力机制的特征网络和训练稀疏情况下的融合空洞卷积的特征网络；

将所述AlexNet网络、融合注意力机制的特征网络和融合空洞卷积的特征网络搭建成一个具有分类图像、提取人群密度图像的最终训练网络。

进一步的，在上述方法中，根据密度大于预设阈值的人群图像数据集给定的对应人群位置坐标构建相应真值图，包括：

获取密度大于预设阈值的人群图像数据集中的原始图像，分为人群相对密集原始图像与稀疏原始图像两种情况对分别赋予不同的疏密情况标号；

利用自适应高斯核的人群密度图生成方法分别获得所述人群相对密集原始图像与稀疏原始图像中的人群位置坐标所对应的人群密度真值图。

进一步的，在上述方法中，训练用于图像情况分类的AlexNet网络，包括：

构建AlexNet网络，共8层，其中5层卷积层，3层全连接层。

分别将人群相对密集原始图像与稀疏原始图像作为输入，并将对应的疏密情况标号作为输出，将所述输入和输出导入到所述AlexNet网络中训练，训练完成，获得相对密集的图像集A与相对稀疏的图像集B，并保留训练后的AlexNet网络中的所有参数不变。

进一步的，在上述方法中，训练密集情况下的融合注意力机制的特征网络，包括：

构建融合注意力机制的特征网络；

将所述相对密集图像集A作为输入，导入到融合注意力机制的特征网络中进行训练，训练完成后，保留训练后该融合注意力机制的特征网络中的所有参数不变。

进一步的，在上述方法中，训练稀疏情况下的融合空洞卷积的特征网络，包括：

构建融合空洞卷积的特征网络

将所述相对稀疏图像集B作为输入，导入到融合空洞卷积特征网络中进行训练，训练完成后，保留训练后该融合空洞卷积的特征网络中的所有参数不变。