[发明专利]一种基于注意力机制动态融合卷积网络的人群计数方法

说明书

本发明公开了一种基于注意力机制动态融合卷积网络的人群计数方法，属于图像处理和计算机视觉领域。本发明首先构建带有标注和标签的图片数据集；然后采用图片数据集训练深度卷积神经网络；接着通过交叉验证的方式，选择不同的测试集进行测试，统计测试结果并做相关分析，计算深度卷积神经网络的人群计数正确率，不断调整神经网络参数，直至达到最优的估计效果，完成神经网络模型的构建；最后采用构建好的神经网络模型进行人群计数。本发明可用于不同的背景、光照强度及人群遮挡情况，可以保证较高的检测准确率，可以智能、快速、准确地的进行人群分布统计。

技术领域

本发明属于图像处理和计算机视觉领域，特别是指一种基于注意力机制动态融合卷积网络的人群计数方法。

背景技术

随着社会的快速发展，如何统计当前场景中的人群分布和人群数量等问题变的越来越受到关注。在公共安全方面，对人群的实时统计能对人群拥堵现象及时预警。如果对群众性活动预防准备不足、现场管理不力、应对处置不当，则容易引发拥挤踩踏并造成重大伤亡和严重后果。其中，现场管理不力的一大因素为对实时信息掌握不足，而若能通过智能视频监控中人群计数功能对密集人群及时预警，则可避免类似事故的发生。在其他领域，对人数及人群分布的实时统计可为管理者提供重要的参考信息。如针对商场或旅游景点等场所，可根据人群分布分析顾客喜好，进而据此进行调整，实现商业利益最大化。

人群计数作为智能视频监控系统的重要任务之一，目的是实时统计场景中的人数或分布、对拥挤人群及时预警或辅助对异常事件的检测。目前，己有的人群计数算法可分为两大类：基于传统机器学习方法和基于卷积神经网络的人群计数算法。传统计数方法一般需要数据预处理、特征提取器设计等复杂流程，且受限于算法的局限性，人群密度增大时计数误差也明显增大。随着卷积神经网络(Convolutional Neural Network，CNN)的提出和发展，其在人群计数领域逐步占据主导地位，形成基于CNN的人群计数算法。根据算法的输出，可进一步将以上两种方法分为仅输出人数和输出密度图的人群计数算法。顾名思义，仅输出人数的人群计数算法仅输出实时统计的目标个数。然而，单一的数字无法提供人群分布等细节信息，对于需要根据人群分布来进行分析的场合并不适用。输出密度图的人群计数算法则最终输出一张能显示人群分布、密度等细节信息的密度图，对该密度图中所有像素的加和为人数。

由于视频或图像中背景复杂、人群分布杂乱不均且密度差异大、人头尺寸差异和遮挡，人群计数算法研究面临诸多挑战，现有的人群计数算法仍有一些难以克服的缺点，其计数准确度亟待提升。

发明内容

有鉴于此，本发明提出一种适应于监控条件下的基于注意力机制动态融合卷积网络的人群计数方法。本发明可用于不同的背景、光照强度及人群遮挡情况，可以保证较高的检测准确率，可以智能、快速、准确地的进行人群分布统计。

为了实现上述目的，本发明采用的技术方案如下：

一种基于注意力机制动态融合卷积网络的人群计数方法，包括以下步骤：

(1)构建带有标注和标签的图片数据集；

(2)采用图片数据集训练深度卷积神经网络；所述深度卷积神经网络基于分类网络VGG16进行修改，添加二分支结构，变成二分支融合网络；其中，大卷积核分支对应提取人群图像近景特征，小卷积核分支对应提取人群图像远景特征，每个分支结构的末尾都采用注意力机制进行强化学习，生成人群密度分布图；最后采用动态融合方法对二分支结构生成的人群密度估计图进行融合，得到最终的人群密度图，再积分获得人群总数；

(3)通过交叉验证的方式，选择不同的测试集进行测试，统计测试结果并做相关分析，计算深度卷积神经网络的人群计数正确率，不断调整神经网络参数，直至达到最优的估计效果，完成神经网络模型的构建；

(4)采用步骤(3)中构建好的神经网络模型进行人群计数。

进一步的，步骤(1)的具体方式为：