统计模型的训练方法、统计方法、装置及存储介质制造方法及图纸

本发明专利技术实施例提供一种统计模型的训练方法、统计方法、装置及存储介质，包括：获取样本图片和用于表征所述样本图片中目标对象数量的真实值的标签；将所述样本图片输入到待训练统计模型，以获取所述样本图片的回归密度图；基于所述回归密度图，获取所述样本图片中目标对象数量的预测函数以及用于表征所述样本图片中每个像素点上否出现所述目标对象的回归函数；基于所述预测函数、所述样本图片中目标对象数量的真实值、所述回归函数以及预设规则，更新所述待训练统计模型的网络参数。本发明专利技术实施例能够减少标记的难度，具有更广泛的适应能力。

【技术实现步骤摘要】
统计模型的训练方法、统计方法、装置及存储介质
本专利技术涉及图像处理领域，具体而言，涉及一种统计模型的训练方法、统计方法、装置及存储介质。
技术介绍
密度图：密度图(DensityMap)又称密度分布图，是一种二维空间图，也是表示目标对象分布情况的一种主要工具。密度图由一系列不同的值表示人群分布的情况，没有人的密度点处值为0，有人的密度点处值为非0值。通过对密度图求和，便可以得到原来图像中的人的数量。为了防止踩踏事故悲剧的再次发生，有必要对公共场合的行人数目进行实时监控，方便相关工作人员及时获得行人数量信息，当行人数目过多时以采取相关措施，以防止踩踏事件的发生。行人检测方法—基于目标检测的方法。利用特征提取的对视频图像中的行人进行检测，从而获取行人的数量。然而，该方案无法解决人头遮挡问题，并且对于视角误差无法及时反映，比如说距离摄像头较远的目标显示得很小，而距离摄像头较近的目标显示得比较大，速度较慢。基于密度图的回归方法。通过(Multi-ColumnConvolutionalNeuralNetwork，MCNN)多柱卷积神经网络提取相关的上下文信息，可以减少视觉误差的影响，联立回归出行人数目，从而提高回归质量。然而，该方案标注数据集难度较大，并且很容易标注出错，从而影响人群预测质量。
技术实现思路
鉴于此，本专利技术实施例的目的在于提供一种统计模型的训练方法、统计方法、装置及存储介质，以缓解上述问题。第一方面，本专利技术实施例提供一种统计模型的训练方法，所述方法包括：获取样本图片和用于表征所述样本图片中目标对象数量的真实值的标签；将所述样本图片输入到待训练统计模型，以获取所述样本图片的回归密度图；基于所述回归密度图，获取所述样本图片中目标对象数量的预测函数以及用于表征所述样本图片中每个像素点上否出现所述目标对象的回归函数；基于所述预测函数、所述样本图片中目标对象数量的真实值、所述回归函数以及预设规则，更新所述待训练统计模型的网络参数。第二方面，本专利技术实施例提供一种统计方法，获取待检测的图片；将所述待检测图片输入到上述统计模型，获取与所述待检测图片对应的密度图；基于所述密度图，计算所述待检测图片中目标对象的数量。第三方面，本专利技术实施例提供一种统计模型的训练装置，所述装置包括：第一获取模块，用于获取样本图片和用于表征所述样本图片中目标对象数量的真实值的标签；第一输入模块，用于将所述样本图片输入到待训练统计模型，以获取所述样本图片的回归密度图；函数获取模块，用于基于所述回归密度图，获取所述样本图片中目标对象数量的预测函数以及用于表征所述样本图片中每个像素点上否出现所述目标对象的回归函数；更新模块，用于基于所述预测函数、所述样本图片中目标对象数量的真实值、所述回归函数以及预设规则，更新所述待训练统计模型的网络参数。第四方面，本专利技术实施例提供一种统计装置，第二获取模块，用于获取待检测的图片；第二输入模块，用于将所述待检测图片输入到上述统计模型，获取与所述待检测图片对应的密度图；计算模块，用于基于所述密度图，计算所述待检测图片中目标对象的数量。第五方面，本专利技术实施例提供一种存储介质，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行第一方面和第二方面所述的方法。与现有技术相比，本专利技术各实施例提出的一种统计模型的训练方法、统计方法、装置及存储介质能够达到的有益效果包括：通过只标记图片中有多少个目标对象(获取样本图片和用于表征所述样本图片中目标对象数量的真实值的标签)，不需要标记目标对象的分布情况，这样在目标对象数目不变而分布改变的情况下，可以减少标记的难度。同时考虑回归密度图估计的目标对象的数量和真实值之间的差值，以及回归密度图的统计特性的损失(例如：回归函数的值被回归为一些很小的值)，提高目标对象的估计精度。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本专利技术实施例提供的电子设备的结构示意图；图2为本专利技术实施例提供的一种统计模型的训练方法的流程图；图3为本专利技术实施例提供的一种统计方法的流程图；图4为本专利技术实施例提供的一种统计模型的训练装置的模块示意图；图5为本专利技术实施例提供的一种统计装置的模块示意图。图标：100-电子设备；110-存储器；120-存储控制器；130-处理器；140-外设接口；150-输入输出单元；170-显示单元；210-第一获取模块；220-第一输入模块；230-函数获取模块；240-更新模块；310-第二获取模块；320-第二输入模块；330-计算模块。具体实施方式下面将结合本专利技术实施例中附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。本专利技术实施例提供一种电子设备100的结构示意图，所述电子设备100可以是个人电脑(personalcomputer，PC)、平板电脑、智能手机、个人数字助理(personaldigitalassistant，PDA)等。如图1所示，所述电子设备100可以包括：统计模型的训练装置、统计装置、存储器110、存储控制器120、处理器130、外设接口140、输入输出单元150、显示单元170。所述存储器110、存储控制器120、处理器130、外设接口140、输入输出单元150以及显示单元170各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述统计模型的训练装置和所述统计装置包括至少一个可以软件或固件(firmware)的形式存储于所述存储器110中或固化在客户端设备的操作系统(operatingsystem，OS)中的软件功能模块。所述处理器130用于执行存储器110中存储的可执行模块，例如所述统计模型的训练装置和所述统计装置包括的软件功能模块或计算机程序。其中，存储器110可以是，但不限于，随机存取存储器(RandomAccessMemory，RAM)，只读存储器(ReadOnlyMemory，ROM)，可编程只读存储器(ProgrammableRead-OnlyMemory，PROM)，可擦除只读存储器(ErasableProgra本文档来自技高网...

【技术保护点】
1.一种统计模型的训练方法，其特征在于，所述方法包括：获取样本图片和用于表征所述样本图片中目标对象数量的真实值的标签；将所述样本图片输入到待训练统计模型，以获取所述样本图片的回归密度图；基于所述回归密度图，获取所述样本图片中目标对象数量的预测函数以及用于表征所述样本图片中每个像素点上否出现所述目标对象的回归函数；基于所述预测函数、所述样本图片中目标对象数量的真实值、所述回归函数以及预设规则，更新所述待训练统计模型的网络参数。

【技术特征摘要】
1.一种统计模型的训练方法，其特征在于，所述方法包括：获取样本图片和用于表征所述样本图片中目标对象数量的真实值的标签；将所述样本图片输入到待训练统计模型，以获取所述样本图片的回归密度图；基于所述回归密度图，获取所述样本图片中目标对象数量的预测函数以及用于表征所述样本图片中每个像素点上否出现所述目标对象的回归函数；基于所述预测函数、所述样本图片中目标对象数量的真实值、所述回归函数以及预设规则，更新所述待训练统计模型的网络参数。2.根据权利要求1所述的方法，其特征在于，所述预设规则为：Losstotal＝Lossmse(w)+λLosspenalty(w)，其中，λ为惩罚项系数，w为网络参数，所述基于所述预测函数、所述样本图片中目标对象数量的真实值、所述回归函数以及预设规则，更新所述待训练统计模型的网络参数，包括：将所述样本图片中目标对象数量的真实值与所述预测函数作差值运算，获取所述样本图片中目标对象数量的损失函数Lossmse(w)；将所述回归函数与预设值作差值运算，获取回归损失函数Losspenalty(w)；将所述损失函数Lossmse(w)和所述回归损失函数Losspenalty(w)分别带入损失函数Losstotal＝Lossmse(w)+λLosspenalty(w)，通过调整w和λ的值，在Losstotal满足预设门限值时，获得所述待训练统计模型的网络参数w和惩罚项系数λ。3.根据权利要求2所述的方法，其特征在于，所述将所述损失函数Lossmse(w)和所述回归损失函数Losspenalty(w)分别带入损失函数Losstotal＝Lossmse(w)+λLosspenalty(w)，通过调整w和λ的值，在Losstotal满足预设门限值时，获得所述待训练统计模型的网络参数w和惩罚项系数λ，包括：将所述损失函数Lossmse(w)和所述回归损失函数Losspenalty(w)分别带入损失函数Losstotal＝Lossmse(w)+λLosspenalty(w)，并通过联立更新求解获得所述待训练统计模型的网络参数w和惩罚项系数λ。4.根据权利要求1所述的方法，其特征在于，所述目标对象为人，所述基于所述回归密度图，获取所述样本图片中目标对象数量的预测函数以及用于表征所述样本图片中每个像素点上否出现所述目标对象的回归函数，包括：基于所述回归密度图，获取所述样本图片中人数的预测函数以及用于表征所述样本图片中每个像素点上否出现人头的回归函数。5.一种统计方法，其特征在于，所述方...

【专利技术属性】
技术研发人员：雷印杰，刘砚，周子钦，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川,51