[发明专利]一种轻量级特征融合人群计数方法及系统

权利要求书

1.一种轻量级特征融合人群计数方法，其特征在于，包括下述步骤：

数据集预处理：根据数据集中的图片及对应每张图片中人头中心点的二维坐标标注，生成真实密度图，所述真实密度图用于监督网络学习；

构建LightCount网络，将待计数的人群图片输入到LightCount网络中，输出预测密度图；

所述LightCount网络包括多列并行卷积网络结构和单列深度卷积结构，所述多列并行卷积网络结构设有不同大小的卷积核的并列卷积层，用于提取不同人头大小的特征，所述单列深度卷积结构设有多个串联卷积层和串联最大池化层，用于提取图片信息，各层卷积层输出特征图，最终卷积操作得到预测密度图；

将所述预测密度图与所述真实密度图进行欧氏距离比较，通过反向传播更新网络参数，训练得到最终的网络模型；

将人群图片输入到最终的网络模型中，输出人群密度图，对人群密度图进行积分，将人群密度图中所有像素点的数值相加，得到最终预测的人群总数。

2.根据权利要求1所述的轻量级特征融合人群计数方法，其特征在于，所述真实密度图表示为：

F(x)＝δ(x-x_i)*G_σ

其中，G_σ表示高斯卷积操作，σ表示方差，x_i表示每张图片中人头中心点的二维坐标位置，x表示其它像素位置，δ表示用狄拉克δ函数计算的原始标注图。

3.根据权利要求1所述的轻量级特征融合人群计数方法，其特征在于，还包括数据增强步骤，具体步骤包括：

对数据集的图片进行灰度化处理，在灰度图像上随机选取N个左上角起始坐标点，裁剪出N张长、宽均为原图设定缩小尺寸比例的子样本图像，作为训练图像，在获得的子样本图像中随机选取设定比例的图像作为验证集，用于观察网络的学习情况。

4.根据权利要求1所述的轻量级特征融合人群计数方法，其特征在于，所述通过反向传播更新网络参数，训练得到最终的网络模型，具体步骤包括：

基于深度学习开源框架进行训练，损失函数采用L2损失，将得到的L2损失作为网络训练的误差，通过反向传播和梯度下降更新网络模型的参数；

卷积层的参数w_i和偏差b_i每次迭代的更新公式为：

其中，L_total表示L2损失；

将数据集中的图片划分出验证集，将验证集上得到的损失作为观测值；

每两个训练轮次比较一下当前得到的网络权重在验证集上的L2损失，若误差比上一次的验证集误差小，则保存当前网络权重；

设置训练轮次，训练结束后，得到最终的网络模型参数。

5.一种轻量级特征融合人群计数系统，其特征在于，包括：数据集预处理模块、LightCount网络构建模块、网络模型训练模块和计数模块；

所述数据集预处理模块用于进行数据集预处理：根据数据集中的图片及对应每张图片中人头中心点的二维坐标标注，生成真实密度图，所述真实密度图用于监督网络学习；

所述LightCount网络构建模块用于构建LightCount网络，将待计数的人群图片输入到LightCount网络中，输出预测密度图；

所述LightCount网络包括多列并行卷积网络结构和单列深度卷积结构，所述多列并行卷积网络结构设有不同大小的卷积核的并列卷积层，用于提取不同人头大小的特征，所述单列深度卷积结构设有多个串联卷积层和串联最大池化层，用于提取图片信息，各层卷积层输出特征图，最终卷积操作得到预测密度图；

所述网络模型训练模块用于将所述预测密度图与所述真实密度图进行欧氏距离比较，通过反向传播更新网络参数，训练得到最终的网络模型；

所述计数模块用于将人群图片输入到最终的网络模型中，输出人群密度图，对人群密度图进行积分，将人群密度图中所有像素点的数值相加，得到最终预测的人群总数。