[发明专利]基于区块弱标注的人群计数方法

说明书

本发明公开了一种基于区块弱标注信息进行人群计数的方法，所述方法包括训练阶段和测试阶段，所述训练阶段通过CPNC网络进行区块预测，应用标签平滑、特征平滑、多种数据增强策略和辅助损失函数，解决了区块人数的长尾效应和区域预测不精确的问题，在使用更少标注信息的情况下获得了与使用密度图的方法相近的性能，并展现出良好的迁移性。

技术领域

本发明属于计算机视觉和图像处理技术领域，具体涉及一种基于区块弱标注的人群计数方法。

背景技术

人群计数是重要的计算机视觉任务之一，其目标是计算一张图片中出现的人物数量。近年来，该任务在安防监控、公共场所流量分析等方面发挥着越来越重要的作用。不同于使用包围框的目标检测任务，当前主流的人群计数任务主要以密度图作为学习目标。密度图由对称概率密度函数对点标注图进行卷积平滑而生成，因此与点标注图有相同的L1范数。相比于点标注图，密度图在数值上连续性更强，因此更利于网络学习。但当前使用密度图的方法存在以下问题：

密度图的产生依赖于点标注，在高密度情况下逐一对目标进行点标注成本较高。且理想情况下生成密度图的概率密度核的大小依赖于目标的尺度。但是，如果进行尺度标注，将进一步提高标注成本。同时密度图无法去除在目标密集时经常产生的标注噪声问题。

预测密度图需要保持运算过程中特征图的大小来维持密度图的分辨率。在密度图上，一个像素至多对应一个目标，如果一个像素对应一个目标，密度图退化为点标注图。因此网络中只能进行少量的下采样，增加了计算资源的消耗。

因此，需要一种基于图像进行人群计数的方法，降低标注成本及噪声影响，从而满足目前基于视觉图像进行人群计数的使用要求。

发明内容

为解决上述问题，本发明提供了一种基于区块弱标注的人群计数方法。该方法中将计数的人群图片划分为若干区块，形成区块数量图，在标注时，区块数量图无需具体的位置信息，减少标注成本，利用网络结构CPNC，以人群图片为输入，输出每一区块内人物数量。分别引入平滑策略、数据增强策略和辅助损失函数，在使用更少标注信息的情况下获得了与使用密度图的方法相近的性能，并展现出良好的迁移性，从而完成了本发明。

本发明的目的在于提供一种基于区块弱标注的人群计数方法，所述方法包括训练阶段和测试阶段。

所述训练阶段通过CPNC网络进行区块预测，其中，所述CPNC网络为用于人群计数的跨阶段局部网络(CSPNet for Crowd Counting，CPNC)。

所述CPNC网络包括特征提取网络、瓶颈网络和预测头。

所述特征提取网络使用Focus模块减少训练图片的尺寸，得到尺寸减少的特征图。所述瓶颈网络使用CSPNet中的跨层半网络组件，该组件可以高效的利用跨层特征，从而使尺寸减少的特征图的复杂度降低。具体来说，所述跨层半网络组件将特征按照通道分为两份。其中一份特征通过分支瓶颈网络继续提取更深层特征，另一份特征只通过复杂度低的卷积变换，并将二者的结果进行组合。优选地，所述跨层半网络组件如式(1)所示，g为计算复杂度高的分支瓶颈网络，h为计算复杂度低的1×100卷积模块。

f_i＝[g(f_i-1[0:n_i-1/2]),h(f_i-1[n_i-1/2:n_i-1])] (1)

n_i-1为跨层半网络组件的第i-1层特征f_i-1的通道数，i表示跨层半网络组件的第i层，f_i为经过跨层半网络组件第i层得到的特征，f_i-1[0:n/2]为特征f_i-1的前半部分元素，f_i-1[n/2:n])为特征f_i-1的后半部分元素。