基于深度卷积神经网络的密集人群人数计数方法及系统技术方案

本发明专利技术公开了一种基于深度卷积神经网络的密集人群人数计数方法及系统。其中，该计数方法，包括获取包含密集人群的原始图像，将获取的原始图像划分成若干个大小一致的图像块并记录每个图像块所属的原始图像标号；利用图像块及每个图像块所属的原始图像标号来训练深度卷积网络；利用训练完成的深度卷积网络，计算每个图像块中的人数，并将所有图像块中的人数进行累加，最终得到原始图像中所有人数。本发明专利技术有效提升了人群计数的准确度和鲁棒性。

【技术实现步骤摘要】
基于深度卷积神经网络的密集人群人数计数方法及系统
本专利技术属于图像处理领域，尤其涉及一种基于深度卷积神经网络的密集人群人数计数方法及系统。
技术介绍
密集人群计数(DenseCrowdCounting)是指针对视频或图像中的密集人群，统计个体目标数目。近年来，基于模式识别和机器学习的人群计数被广泛的研究和应用在智能监控领域，如：机场车站等地的人流量监控及大型商场区域性人群分布等。通过监控某场所的人数能为管理机构提供实时密度信息，有效控制人流量，从而防止因人群密度过大而造成的潜在危机。然而，由于遮挡，人群无规律分布等问题，密集人群计数仍面临着很大的挑战。现有的人群计数方法大部分着重在数目较少的人数统计(100人以下)，但低密度的人群计数对于安全隐患的发现意义不大。对于人数目超过一百甚至上千的人群场景，一些算法着重估计其密度等级，但也仅限于给出低，中，高三个密度等级，现实应用意义不大。自2013年开始，逐渐出现了针对包含千人以上人群的计数方法。但特征提取模型设计过程较为复杂，计算耗时也相对较长。
技术实现思路
为了解决现有技术中的缺点，本专利技术的第一目的是提供一种基于深度卷积神经网络的密集人群人数计数方法。该方法针对图像中整体布局差异性，人群分布不均匀，背景差别较大等特点对图像进行分块，对图像的不同区域分别进行计数，在对全局图像人群计数的同时能有效统计不同区域人数，从而能获取图像中的人群区域性分布。本专利技术的一种基于深度卷积神经网络的密集人群人数计数方法，包括：步骤1：获取包含密集人群的原始图像，将获取的原始图像划分成若干个大小一致的图像块并记录每个图像块所属的原始图像标号；步骤2：利用图像块及每个图像块所属的原始图像标号来训练深度卷积网络；步骤3：利用训练完成的深度卷积网络，计算每个图像块中的人数，并将所有图像块中的人数进行累加，最终得到原始图像中所有人数。进一步的，将获取的原始图像划分成若干个大小一致的图像块之前，还包括对原始图像进行放缩处理。这样使图像的维度为图像块大小的整倍数，便于分割。另外，为尽量避免图像失真，将缩放尺度降到了最低。进一步的，据原始图像大小将宽高均调整为64的倍数，然后将调整后的图像分割为若干个64*64大小的图像块。为避免图像缩放倍数过大所引起的失真，本专利技术根据原始图像大小进行调整，图像大小可改变为其他尺寸，但经过试验验证，尺寸为64*64的情况下结果最佳。进一步的，在所述步骤2中，在训练深度卷积网络过程中，加入辅助训练机制；所述辅助训练机制为：在计数的同时，根据图像块中目标的表观特征将图像块分成仅包含背景的图像块和非背景的图像块；根据图像块是否仅包含目标的头部，所述非背景的图像块又分为包含头部的图像块和包含头部和身体的图像块。这样使得深度卷积网络更有效地滤除背景、保留目标并进行计数，这也符合人类计数的普遍规律。本专利技术的第二目的是提供一种基于深度卷积神经网络的密集人群人数计数系统。本专利技术的一种基于深度卷积神经网络的密集人群人数计数系统，包括：图像划分模块，其用于获取包含密集人群的原始图像，将获取的原始图像划分成若干个大小一致的图像块并记录每个图像块所属的原始图像标号；深度卷积网络训练模块，其用于利用图像块及每个图像块所属的原始图像标号来训练深度卷积网络；计数累加模块，其用于利用训练完成的深度卷积网络，计算每个图像块中的人数，并将所有图像块中的人数进行累加，最终得到原始图像中所有人数。进一步的，该系统还包括图像放缩模块，其用于将获取的原始图像划分成若干个大小一致的图像块之前，还包括对原始图像进行放缩处理。这样使图像的维度为图像块大小的整倍数，便于分割。另外，为尽量避免图像失真，将缩放尺度降到了最低。进一步的，在所述深度卷积网络训练模块中，在训练深度卷积网络过程中，加入辅助训练机制；所述辅助训练机制为：在计数的同时，根据图像块中目标的表观特征将图像块分成仅包含背景的图像块和非背景的图像块；根据图像块是否仅包含目标的头部，所述非背景的图像块又分为包含头部的图像块和包含头部和身体的图像块。这样使得深度卷积网络更有效地滤除背景、保留目标并进行计数，这也符合人类计数的普遍规律本专利技术还提供了另一种基于深度卷积神经网络的密集人群人数计数系统。本专利技术的一种基于深度卷积神经网络的密集人群人数计数系统，包括：图像采集装置，其被配置为采集包含密集人群的原始图像，并传送至服务器；所述服务器，被配置为：获取包含密集人群的原始图像，将获取的原始图像划分成若干个大小一致的图像块并记录每个图像块所属的原始图像标号；利用图像块及每个图像块所属的原始图像标号来训练深度卷积网络；利用训练完成的深度卷积网络，计算每个图像块中的人数，并将所有图像块中的人数进行累加，最终得到原始图像中所有人数。进一步的，所述服务器还被配置为：将获取的原始图像划分成若干个大小一致的图像块之前，还包括对原始图像进行放缩处理。这样使图像的维度为图像块大小的整倍数，便于分割。另外，为尽量避免图像失真，将缩放尺度降到了最低。进一步的，所述服务器还被配置为：在训练深度卷积网络过程中，加入辅助训练机制；所述辅助训练机制为：在计数的同时，根据图像块中目标的表观特征将图像块分成仅包含背景的图像块和非背景的图像块；根据图像块是否仅包含目标的头部，所述非背景的图像块又分为包含头部的图像块和包含头部和身体的图像块。这样使得深度卷积网络更有效地滤除背景、保留目标并进行计数，这也符合人类计数的普遍规律。本专利技术具有以下有益特性：(1)本专利技术针对图像中整体布局差异性，人群分布不均匀，背景差别较大等特点对图像进行分块，对图像的不同区域分别进行计数，在对全局图像人群计数的同时能有效统计不同区域人数，从而能获取图像中的人群区域性分布。(2)借助深度卷积神经网络自动学习图像特征，从而避免了设计特征提取器以对图像进行手动特征提取的复杂任务。(3)在传统卷积神经网络的基础上设计了辅助训练机制，在计数的同时对图像块中目标的表观特征进行分类，使得整个网络更有效地滤出背景，突出前景目标，从而有效提升了人群计数的准确度和鲁棒性。附图说明构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。图1是基于深度卷积神经网络的密集人群人数计数方法流程图；图2是Count-net的结构图；图3是一种基于深度卷积神经网络的密集人群人数计数系统结构示意图。具体实施方式应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。鉴于深度学习在机器视觉领域的广泛应用(跟踪，检测，定位等)以及卷积神经网络在图像处理，特征学习方面的强大性能。本专利技术采用了深度卷积神经网络进行密集人群计数，同时，为更好的结合人群计数的目的，设计了辅助训练机制本文档来自技高网...

【技术保护点】
一种基于深度卷积神经网络的密集人群人数计数方法，其特征在于，包括：步骤1：获取包含密集人群的原始图像，将获取的原始图像划分成若干个大小一致的图像块并记录每个图像块所属的原始图像标号；步骤2：利用图像块及每个图像块所属的原始图像标号来训练深度卷积网络；步骤3：利用训练完成的深度卷积网络，计算每个图像块中的人数，并将所有图像块中的人数进行累加，最终得到原始图像中所有人数。

【技术特征摘要】
1.一种基于深度卷积神经网络的密集人群人数计数方法，其特征在于，包括：步骤1：获取包含密集人群的原始图像，将获取的原始图像划分成若干个大小一致的图像块并记录每个图像块所属的原始图像标号；步骤2：利用图像块及每个图像块所属的原始图像标号来训练深度卷积网络；步骤3：利用训练完成的深度卷积网络，计算每个图像块中的人数，并将所有图像块中的人数进行累加，最终得到原始图像中所有人数。2.如权利要求1所述的一种基于深度卷积神经网络的密集人群人数计数方法，其特征在于，将获取的原始图像划分成若干个大小一致的图像块之前，还包括对原始图像进行放缩处理。3.如权利要求2所述的一种基于深度卷积神经网络的密集人群人数计数方法，其特征在于，根据原始图像大小将宽高均调整为64的倍数，然后将调整后的图像分割为若干个64*64大小的图像块。4.如权利要求1所述的一种基于深度卷积神经网络的密集人群人数计数方法，其特征在于，在所述步骤2中，在训练深度卷积网络过程中，加入辅助训练机制；所述辅助训练机制为：在计数的同时，根据图像块中目标的表观特征将图像块分成仅包含背景的图像块和非背景的图像块；根据图像块是否仅包含目标的头部，所述非背景的图像块又分为包含头部的图像块和包含头部和身体的图像块。5.一种基于深度卷积神经网络的密集人群人数计数系统，其特征在于，包括：图像划分模块，其用于获取包含密集人群的原始图像，将获取的原始图像划分成若干个大小一致的图像块并记录每个图像块所属的原始图像标号；深度卷积网络训练模块，其用于利用图像块及每个图像块所属的原始图像标号来训练深度卷积网络；计数累加模块，其用于利用训练完成的深度卷积网络，计算每个图像块中的人数，并将所有图像块中的人数进行累加，最终得到原始图像中所有人数。6.如权利要求5所述的一种基于深度卷积神...

【专利技术属性】
技术研发人员：常发亮，张友梅，王梦迪，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东,37