一种基于联合学习的静态图像人群计数方法技术

本发明专利技术公开了一种基于联合学习的静态图像人群计数方法，包括：预训练阶段：使用50层残差网络在ImageNet2012分类数据集上训练得到参数初始化分类器网络，通过一个Softmax将图像块分类成三种类别，分别对应三个回归器；回归器训练阶段：将训练数据集的每一个图像块都分别输入三个回归器，同一个图像块都会得到不同的计数结果，将计数误差最小的回归器作为分类标签来标记该图像块，用三种类别的图像块分别对各自的回归器进行微调；分类器训练阶段：随机抽取样本并且保证每种类别的标签数量一致；联合训练阶段：对分类器和回归器不断迭代训练。本发明专利技术能够在人群密集场景中进行计数与密度估计，具有一定的尺度自适应性，提高了计数精度与模型泛化能力。

【技术实现步骤摘要】
一种基于联合学习的静态图像人群计数方法
本专利技术涉及一种基于联合学习的静态图像人群计数方法。
技术介绍
人群计数有着重要的社会意义和市场应用前景，充分利用人数统计信息可以为一些人群密集的商场、车站、广场等公共场所的安全预警提供有效的指导，还可以带来经济效益，例如提高服务质量、分析顾客行为、投放广告和优化资源配置等。此外，人群计数方法也可以扩展到其他领域，例如从显微图像中计算细胞或细菌数量，在野外动物保护区预估动物群体，以及估计交通枢纽和交通堵塞处的车辆数量等。静态图像人群计数一般包含人群计数与密度估计两个任务。人群计数的目的是统计静态图像中的人数，而密度估计的目的是将人群图像映射到其对应的密度图中，密度图能够表现出图像中的人群分布特征。世界人口的持续增长和随之而来的城市化导致了体育活动、政治集会、公众游行等活动的增加，从而导致近年来人群聚集场景出现地更加频繁。在这样的人群场景中，出于安全问题而分析群体行为是十分必要的。人群计数就是人群分析任务中的一个基本模块，有着重要的研究与应用价值。部分人群计数方法是利用视频序列中的帧间关系来捕捉人群进行计数，而多数人群计数方法是对静态图像进行特本文档来自技高网...

【技术保护点】
1.一种基于联合学习的静态图像人群计数方法，其特征在于，包括以下步骤：1)预训练阶段：1.1)使用50层残差网络在ImageNet2012分类数据集上训练得到参数初始化分类器网络，其中修改的层参数设为0，分类器将1000维的全连接层改为3维的全连接层，通过一个Softmax将图像块分类成三种类别R1、R2和R3，分别对应三个回归器；1.2)使用训练数据集分别对三列回归器进行训练，损失函数为密度图误差，表示为：

【技术特征摘要】
1.一种基于联合学习的静态图像人群计数方法，其特征在于，包括以下步骤：1)预训练阶段：1.1)使用50层残差网络在ImageNet2012分类数据集上训练得到参数初始化分类器网络，其中修改的层参数设为0，分类器将1000维的全连接层改为3维的全连接层，通过一个Softmax将图像块分类成三种类别R1、R2和R3，分别对应三个回归器；1.2)使用训练数据集分别对三列回归器进行训练，损失函数为密度图误差，表示为：其中，N是训练样本的个数，是图像Xi的真值密度图；损失体现了回归器的预测计数与真实计数之间的误差，卷积神经网络使用随机梯度下降法(SGD)进行反向传播从而优化损失，也就间接地减少了计数错误，回归器Rk被预训练直至验证精度达到一个稳定的状态；2)回归器训练阶段：2.1)将训练数据集的每一个图像块都分别输入三个回归器，同一个图像块都会得到不同的计数结果，将计数误差最小的回归器作为分类标签来标记该图像块，计数误差可通过公式(2)计算得到：其中，表示计数误差，表示将第i个图像块输入第k个回归器所得到的预测计数，代表第i个图像块的真实计数；2.2)用三种类别(R1,R2,R3)的图像块分别对各自的回归器进行微调，微调时使用随机梯度下降法(SGD)进行反向传播来优化计数误差，回归器Rk被训练直至验证精度达到一个稳定的状态；3)分类器训练阶段：随机抽取样本并且保证每种类别的标签数量一致，也就是样本量相同；4)联合训练阶段：对分类器和回归器进行交替训练，每次迭代分为三个步骤：a.利用新的分类标签对分类器进行训练，得到新的分类器；b.利用密度图误差对回归器进行训练，得到新的回归器；c.新回归器产生新的分类标签，更新图像块的分类标签。2.根据权利要求1所述的一种基于联合学习的静态图像人群计数方法，其特征在于：所述方法还包括在预训练阶段之前，将数据集分为训练样本和测试样本，首先对训练样本进行切分，增加训练样本的数量，然后从原...

【专利技术属性】
技术研发人员：燕然，王朝晖，刘纯平，钟珊，龚声蓉，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏,32