[发明专利]一种基于深度学习的人群计数方法

权利要求书

1.一种基于深度学习的人群计数方法，其特征在于：所述方法包括如下步骤：

S1：输入原始图片；

S2：确定原始图像的关键区域；

S3：深度学习网络构建；

S4：通过基于深度学习的图像识别模块对S3的图像进行识别处理；

S5：根据计数模块对S4的输出结果进行统计处理。

2.根据权利要求1所述的一种基于深度学习的人群计数方法，其特征在于：S1中所述原始图片通过VGG-16网络来提取图片特征。

3.根据权利要求1或2所述的一种基于深度学习的人群计数方法，其特征在于：S2所述确定原始图像的关键区域包括如下步骤：

S201：对所述原始图像进行切割操作，获得多个切片；

S202：分别将每个切片输入到基于深度学习的图像识别模块中，进行前向传播，获得每个切片属于关键区域的概率；

S203：将概率最高的切片确定为所述原始图像的关键区域。

4.根据权利要求3所述的一种基于深度学习的人群计数方法，其特征在于：所述S201通过预设的滑动窗口对所述原始图像进行切割操作，获得多个切片。

5.根据权利要求1或4所述的一种基于深度学习的人群计数方法，其特征在于：所述S3包括如下步骤：

S301：针对所采集的图片特点，利用改进的Unet网络模型来量化相对变化；

S302：所构建的改进的Unet网络结构包括对称的两部分，第一部分为卷积和池化下采样；第二部分为卷积和上采样，网络的输入是长度为64的g2(τ)数据，先将其重塑为8×8矩阵，输入到卷积层，进行两次卷积，用于提取特征；后经过最大池化层，再进行卷积和上采样操作，用于对提取特征进行恢复；最后通过一个全连接层输出结果，从而产生指数作为输出。

6.根据权利要求5所述的一种基于深度学习的人群计数方法，其特征在于：S4中所述基于深度学习的图像识别模块的识别过程，包括如下步骤：

S401：对输入图像进行正变换，得到表征图像信息的特征系数矩阵；

S402：将所述特征系数矩阵输入超先验分析模块，输出得到表征特征系数概率的超先验特征值矩阵；

S403：对所述S402中的所述超先验特征值矩阵进行量化，对量化后的超先验特征值矩阵进行熵编码，得到超先验特征值码流；

S404：根据所述S403中的量化后的超先验特征值矩阵训练得到特征系数基于拉普拉斯分布超先验的条件概率模型；

S405：将所述S401中的特征系数矩阵进行量化，并使用所述S404中的条件概率模型对量化后的特征系数矩阵进行熵编码，得到特征系数码流；

S406：对图像元信息进行旁路熵编码，得到图像元信息码流，其中，所述图像元信息包括：图像的长和宽、图像所采用的模型序号；

S407：打包输出图像的编码码流，包括：所述S403中的超先验特征值码流以及所述S405中的特征系数码流。