[发明专利]适用于地铁车站人群计数的卷积网络构建方法

权利要求书

1.一种适用于地铁车站人群计数的卷积网络构建方法，其特征是步骤包括：

步骤1:搭建深度学习框架作为密度生成网络：

人群计数模型的配置采用U-Net算法，并用基础网络VGG16的前13层进行特征提取，VGG包括13个卷积层，三个最大池化层；

步骤2:首先，对采集得到的人群图的样本使用高斯滤波方法对人群标注,进行人群密度图生成；计算人群密度图中的人群总数；

然后，将人群图的样本和对应的人群密度图作为一个组合送入密度生成网络进行训练；

密度生成网络包括特征提取模块和密度生成模块；特征提取模块是由VGG16模型中的前13层构成，全部使用3x3卷积核，使用1x1卷积得到密度图；

步骤3:利用损失函数优化；

步骤4:所述密度生成网络的训练方法如下：

(a)采用随机梯度下降法进行训练，用预训练的VGG模型来初始化密度生成网络中的前五个卷积层；

(b)新增加的卷积层权重由零均值高斯分布随机初始化，标准差为0.01；

(c)在每次迭代过程中，将一批被标记的训练数据输入到网络中，然后更新参数；

步骤5:设计用于判别生成密度图准确的判别网络；

步骤6:利用损失函数优化判别网络；

将生成的密度图标记为0，真实的密度图标签标记为1；判别器的输出代表生成的密度图是真实密度图的概率；

采用一个额外的对抗损失函数来提升生成密度图的质量；

步骤7:训练对抗生成网络

采用对抗的训练方式来进行人群密度预测：

生成模型和判别模型采用联合交替迭代的训练方式优化最大最小问题；其中，训练生成网络用于生成准确的人群密度图从而欺骗过判别器，相反，判别器被训练用于辨别生成的密度图和真实的密度图标签；

同时，判别器的输出为生成器提供密度图位置和预测精度的反馈；

两个网络同时竞争训练，直到生成器生成的样本不能被判别器正确判断。

2.根据权利要求1所述的适用于地铁车站人群计数的卷积网络构建方法，其特征是所述步骤2)的密度图步骤包括：

2.1)生成一张和样本原图一样大小的单通道图片，其中像素点全部取0；

2.2)将标签中有人头的点标记为1；

2.3)通过高斯滤波处理这张图，形成的图就是人群密度图。

3.根据权利要求1所述的适用于地铁车站人群计数的卷积网络构建方法，其特征是步骤3)中，损失函数为欧几里德距离。