一种基于卷积神经网络的人群密度估算方法技术

本发明专利技术公开了一种基于卷积神经网络的人群密度估算方法，包括：步骤S1，建立训练样本集；步骤S2，构建基于Mixed‑Pooling的卷积神经网络模型；步骤S3，训练卷积神经网络模型：采用随机梯度下降法对步骤S2中构建的卷积神经网络模型进行迭代训练，每迭代一次检测一次梯度以及损失函数的值，以获得网络结构中各权重值W和偏置值b的最优解，迭代多次后得到本次训练的最优卷积神经网络模型；步骤S4，人群密度估计检测：将通过步骤S3获得的关于远近两个分区的卷积神经网络分类模型，按照新的检测分类策略对整体区域的人群密度进行估计。本发明专利技术克服了复杂场景背景干扰以及行人遮挡等问题，实现了对场景中人群密度的准确估计。

【技术实现步骤摘要】

本专利技术涉及人群密度估计方法，尤其涉及一种基于Mixed-Pooling的卷积神经网络的人群密度估计方法。
技术介绍
近年来，随着经济水平的快速发展，人们的生活水平逐步提高，越来越多的人们会在假期选择出游，造成各个风景区游览人数的剧烈增长，同时由于人群过于拥挤而带来的安全隐患越专利技术显，发生的安全事故也越来越多。因此，如何使用计算机视觉等技术对人群进行智能监控及时做出预警，并采取有效的措施，对于保障社会稳定和人民生命财产安全具有重大意义。目前人群密度估计方法主要分为两种方式：1、基于行人检测的方法：目前采用基于行人检测的方法对人群密度进行估计，其首先在于对于人群中的每一个个体进行检测，然后对其计数从而获得人群密度。Dollar等人(Dalal N，Triggs B。Histograms of oriented gradients for human detection[C]//Computer Vision and Pattern Recognition，2005。CVPR 2005。IEEE Computer Society Conference on。IEEE，2005，1：886-893。)首先采用HOG(Histograms of Oriented Gradients)进行特征提取，然后利用SVM分类器训练正负样本。Stefan Walk等人(Walk S，Majer N，Schindler K，et al。New features and insights for pedestrian detection[C]//Computer vision and pattern recognition(CVPR)，2010IEEE conference on。IEEE，2010：1030-1037。)利用HOG和CSS(color self similarity)联合提取特征，然后利用HIK SVM分类器进行正负样本分类器的训练。Dollar等人(Dollár P，Tu Z，Perona P，et al。Integral channel features[J]。2009。)提出了积分通道特征，通过对输入图像做各种线性和非线性的变换，诸如局部求和、直方图、harr-like以及它们的变种之类的特征便可以通过积分图来快速计算出来，然后利用分类器进行训练出检测模型。Shanshan Zhang等人(Zhang S，Benenson R，Schiele B。Filtered channel features for pedestrian detection[C]//Computer Vision and Pattern Recognition(CVPR)，2015IEEE Conference on。IEEE，2015：1751-1760。)提出了一种棋盘式的滤波器(Checkboard)。滤波器形状包含一系列简单的形状，如单个正方形、各种可能的水平和竖直方向的梯度(±1)、棋盘形状等。滤波器的大小4*4，4*3，3*3，2*2等(单位为cell)，每一种类型对应的滤波器数目为61，39，25，7。2、直接对人群密度估计：采用直接对人群密度估计的方法都是直接将其看为一个整体直接进行特征提取和分类。Anthnoy C。Davies等人(Davies A C，Yin J H，Velastin S A。Crowd monitoring using image processing[J]。Electronics&Communication Engineering Journal，1995，7(1)：37-47。)提出使用背景去除以及对静态人群的边缘检测同时利用光流场对动态的人群进行密度估计。Marana等人(Marana A N，Velastin S A，Costa L F，et al。Automatic estimation of crowd density using texture[J]。Safety Science，1998，28(3)：165-175。)提出通过获取图片基于灰度共生矩阵(Gary Level Dependence Matrix，GLDM)的纹理信息，然后将提取的纹理特征利用自组织神经网络训练分类器，从而实现对人群密度的估计。HuangYang(Yang H，Su H，Zheng S，et al。The large-scale crowd density estimation based on sparse spatiotemporal local binary pattern[C]//Multimedia and Expo(ICME)，2011IEEE International Conference on。IEEE，2011：1-6。)等人提出使用稀疏时空局部二进制模式(sparse spatiotemporal local binary pattern，SST-LBP)算子来提取人群的动态纹理特征，然后利用SVM对其进行训练分类器，实现对人群密度的估计分级。Wenhua Ma等人提出了一种灵活的人群密度估计方法，方法提出第一步先将输入图片分成不同的patch小块，然后根据每个小块的纹理特征划定密度分级标签，最后利用局部信息来对整体区域人群密度进行估计分类。Min Fu(Fu M，Xu P，Li X，et al。Fast crowd density estimation with convolutional neural networks[J]。Engineering Applications of Artificial Intelligence，2015，43：81-88。)等人提出基于卷积神经网络的人群密度估计方法，并采用了Multi-Stage的训练方案。针对过去的人群密度估计研究方法，其中利用行人检测的方案中，难以应付人群过于密集带来的人与人之间个体的遮挡，并且对大密度的人群进行每个个体的检测所需的时间也非常长。而在直接对人群进行估计的方案中，其很难做到针对多个背景复杂的场景进行密度估计，其准确不能达到特别理想的状态，并且采用大部分采用人工提取特征的方法，其较为繁琐。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术的不足，提供一种基于卷积神经网络的人群密度估算方法，用以克服复杂场景背景干扰以及行人遮挡等问题，进而实现对场景中人群密度的准确估计。为解决上述技术问题，本专利技术采用如下技术方案。一种基于卷积神经网络的人群密度估算方法，其包括有如下步骤：步骤S1，建立训练样本集：获取视频监控帧图像，对所获取的图像进行多种预处理，同时采用人工方式确定图像范围内的人群数量；步骤S2，构建基于Mixed-Pooling的卷积神经网络模型：卷积神经网络模型包含两个卷积层、两个Mixed-Pooling层、两个全连接层、两个ReLU层以及Dropout层；步骤S3，训练卷积神经网络模型：初始化后，采用随机梯度下降法对步骤S2中构建的卷积神经网络模型进行迭代训练，每迭代一次检测一次梯度以及损失函数的值，以获得网络结构中各权重值W和偏置值b的最优解，迭代多次后得到本本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的人群密度估算方法，其特征在于，包括有如下步骤：步骤S1，建立训练样本集：获取视频监控帧图像，对所获取的图像进行多种预处理，同时采用人工方式确定图像范围内的人群数量；步骤S2，构建基于Mixed‑Pooling的卷积神经网络模型：卷积神经网络模型包含两个卷积层、两个Mixed‑Pooling层、两个全连接层、两个ReLU层以及Dropout层；步骤S3，训练卷积神经网络模型：初始化后，采用随机梯度下降法对步骤S2中构建的卷积神经网络模型进行迭代训练，每迭代一次检测一次梯度以及损失函数的值，以获得网络模型结构中各权重值W和偏置值b的最优解，迭代多次后得到本次训练的最优卷积神经网络模型；步骤S4，人群密度估计检测：将通过步骤S3获得的关于远近两个分区的卷积神经网络分类模型，按照检测分类策略对整体区域的人群密度进行估计。

【技术特征摘要】
1.一种基于卷积神经网络的人群密度估算方法，其特征在于，包括有如下步骤：步骤S1，建立训练样本集：获取视频监控帧图像，对所获取的图像进行多种预处理，同时采用人工方式确定图像范围内的人群数量；步骤S2，构建基于Mixed-Pooling的卷积神经网络模型：卷积神经网络模型包含两个卷积层、两个Mixed-Pooling层、两个全连接层、两个ReLU层以及Dropout层；步骤S3，训练卷积神经网络模型：初始化后，采用随机梯度下降法对步骤S2中构建的卷积神经网络模型进行迭代训练，每迭代一次检测一次梯度以及损失函数的值，以获得网络模型结构中各权重值W和偏置值b的最优解，迭代多次后得到本次训练的最优卷积神经网络模型；步骤S4，人群密度估计检测：将通过步骤S3获得的关于远近两个分区的卷积神经网络分类模型，按照检测分类策略对整体区域的人群密度进行估计。2.如权利要求1所述的基于卷积神经网络的人群密度估算方法，其特征在于，所述步骤S1包括如下步骤：步骤S10，首先划定场景的兴趣区域，然后针对监控帧图像中不动景部分添加Mask处理，并按照行人所占像素与区域面积比相等的原则进行远近分块，然后采用人工方式分别确定远近两块区域的人数，将两个区域按照规定的人数范围分为五个级别：非常稀疏、稀疏、中等密度、密集、非常密集；步骤S11，对所有样本图片进行去噪图像增强预处理，然后将图像大小统一为256*144，利用所有训练图像的均值对图像进行归一化处理。3.如权利要求2所述的基于卷积神经网络的人群密度估算方法，其特征在于，所述步骤S10中，进行远近两个区域的分块后，其按照如下公式确定分界位置： s 1 + s 3 ( A B + E F ) * h 1 = s 2 + s 3 ( C D + E F ) * h 2 ]]> s 3 = s 1 + s 2 - s 1 h * h 1 ]]>h＝h1+h2 E F = A B + ( C D - A B ) * h 1 h 1 + h 2 ]]>其中，AB和CD是场景边界处最近端与最远端的长度，二者可通过测量得出，S1和S2表示同一行人处于近端和远端时所占的像素大小，h表示场景区域的高度，EF为需要确定的分界线位置，S3表示行人在EF处所占像素大小，通过对远近两个区域进行人工计数，确定区域内最大容纳人数N。4.如权利要求1所述的基于卷积神经网络的人群密度估算方法，其特征在于，所述步骤S2中：卷积层与池化层交替链接，并将ReLU层连接于卷积层顶端，在最后一个池化层后依次连接两个全连接层，并利用Dropout层防止其训练过拟合；卷积层中：每个卷积层的特征...

【专利技术属性】
技术研发人员：张力，
申请(专利权)人：苏州平江历史街区保护整治有限责任公司，
类型：发明
国别省市：江苏;32