[发明专利]人群计数方法、装置、电子设备及存储介质

说明书

本发明涉及图像分类技术，揭露了一种人群计数方法，包括：对训练图片集执行高斯核梯度不同的高斯变换处理，得到高斯变换后的矩阵图集，利用所述矩阵图集对预构建的卷积核梯度不同的并行卷积神经网络进行特征提取训练，得到目标特征图集和目标并行卷积神经网络，利用所述目标特征图集对预构建的全连接神经网络进行特征降维训练，得到目标全连接神经网络，组合所述目标并行卷积神经网络和所述目标全连接神经网络为集成模型，利用所述矩阵图集对所述集成模型进行集成训练，得到可用于人群计数的目标集成模型。本发明还提出一种人群计数装置、电子设备及存储介质。本发明可以解决单一人群计数模型不能同时兼顾高密度和低密度人群场景的问题。

技术领域

本发明涉及图像分类技术领域，尤其涉及一种人群计数方法、装置、电子设备及计算机可读存储介质。

背景技术

人群计数技术是一种通过非人工手段快速获取特定区域内的人头数的技术。人群计数技术在安防监控、交通监控、公共安全、特定场景精准管理等领域具有广泛的应用，例如，根据实时人群计数结果，及时调整进入景区的游客数量，可以有效保障景区内的公共安全。

当前人群计数的难点在于不同场景、不同时段的人群密度分布不均。当前人群计数主流方法是针对高密度人群和低密度人群这两种不同场景，设计不同的基于深度学习的网络模型实现人头数的预测，单一模型在高密度人群场景或在低密度人群场景下有较好的人头预测表现，但是不能很好的同时兼顾高密度人群和低密度人群这两种场景。

发明内容

本发明提供一种人群计数方法、装置及计算机可读存储介质，其主要目的在于解决单一人群计数模型不能同时适用于高密度和低密度人群场景的的问题。

为实现上述目的，本发明提供的一种人群计数方法，包括：

获取训练图片集，并对所述训练图片集执行高斯核梯度不同的高斯变换处理，得到高斯变换后的矩阵图集；

利用所述矩阵图集对预构建的卷积核梯度不同的并行卷积神经网络进行特征提取训练，在所述特征提取训练的误差值满足第一预设条件时，得到目标特征图集和目标并行卷积神经网络；

利用所述目标特征图集对预构建的全连接神经网络进行特征降维训练，在所述特征降维训练的误差值满足第二预设条件时，得到目标全连接神经网络；

将所述目标并行卷积神经网络和所述目标全连接神经网络组合成集成模型，利用所述矩阵图集对所述集成模型进行集成训练，在所述集成训练的误差值满足第三预设条件时，得到目标集成模型；

利用所述目标集成模型对待测试图片进行人群计数，得到人群计数结果。

可选地，所述对所述训练图片集执行高斯核梯度不同的高斯变换处理，得到高斯变换后的矩阵图集，包括：

利用机器视觉工具将所述训练图片集转换为与所述训练图片集大小相同的标签矩阵集；

利用二维高斯变换公式生成不同梯度的高斯核；

利用不同梯度的高斯核对所述标签矩阵集进行计算，得到所述高斯变换后的矩阵图集。

可选地，所述利用所述矩阵图集对预构建的卷积核梯度不同的并行卷积神经网络进行特征提取训练，在所述特征提取训练的误差值满足第一预设条件时，得到目标特征图集和目标并行卷积神经网络，包括：

按照所述矩阵图集对应的高斯核的梯度大小与所述并行卷积神经网络中卷积核的梯度大小相同的原则，将所述矩阵图集分别输入到所述并行卷积神经网络对应的线路中；

并发执行所述并行卷积神经网络对应线路的特征提取的卷积计算，得到每条线路输出的特征图集；

对所有特征图集进行加权求平均计算，得到加权平均后的特征图集；