【技术实现步骤摘要】
一种复杂场景中流动人群的分布与计数检测的方法
本专利技术涉及计算机视觉
，具体涉及一种复杂场景中流动人群的分布与计数检测的方法。
技术介绍
随着居住人口密度的增长，在车站、广场、公园等公共场所，人群大量聚集的频率越来越高，聚集密度变得越来越大。作为计算机视觉的热门方向之一，人群数量检测对于公共安全管理、信息资源管理、公共交通管理等方面具有重要意义。比如，对人群高频率集会的场景，实行实时无人监控；用对于城市公交系统，通过及时获得乘客在空间、时间上的分布情况来灵活调整车辆运行时间表；对于大型商场，通过顾客的流量信息来制定高效率的营销策略等。现有技术中，对于复杂场景中流动人群的检测统计方法，由于存在各种复杂因素，例如遮挡，场景杂乱无章，人群分布不均匀，光照不均匀，场景差异，尺度和视角的变化，难以获得准确的统计结果。而且现有技术中采用多列/多个卷积神经网络进行统计预测，则会引入更多的参数，消耗计算资源，难以实际应用，所以很难产生高精度的预测结果。
技术实现思路
本专利技术主要解决的技术问题是提供一种复杂场景中流动人群的分布与计数检测的方法，解决现有技术中的对人群数量检测...
【技术保护点】
1.一种复杂场景中流动人群的分布与计数检测的方法，其特征在于，包括以下步骤：构建预训练模型，构建一单列卷积神经网络BLCNN模型，利用公开数据集提供的原始图像作为输入，以所述原始图像中对应的人群标注文件作为输出，对所述BLCNN模型进行训练，得到预训练模型；多层网络初始化，利用所述预训练模型对多层卷积神经网络MLCNN网络初始化，所述MLCNN网络包括由所述预训练模型构成的第一层网络，以及在所述第一层网络之后并行分开的感知支路网络和融合支路网络；特征提取与感知，将待识别图像输入到所述第一层网络提取特征信息，所述特征信息进一步输入到感知支路网络得到感知信息，所述感知信息还输入...
【技术特征摘要】
1.一种复杂场景中流动人群的分布与计数检测的方法，其特征在于，包括以下步骤：构建预训练模型，构建一单列卷积神经网络BLCNN模型，利用公开数据集提供的原始图像作为输入，以所述原始图像中对应的人群标注文件作为输出，对所述BLCNN模型进行训练，得到预训练模型；多层网络初始化，利用所述预训练模型对多层卷积神经网络MLCNN网络初始化，所述MLCNN网络包括由所述预训练模型构成的第一层网络，以及在所述第一层网络之后并行分开的感知支路网络和融合支路网络；特征提取与感知，将待识别图像输入到所述第一层网络提取特征信息，所述特征信息进一步输入到感知支路网络得到感知信息，所述感知信息还输入到所述融合支路网络进行信息融合；融合估算人群数量，所述特征信息还输入到融合支路网络，并利用所述感知信息进行信息融合和密度估算，得到所述待识别图像中对应的人群数量。2.根据权利要求1所述的复杂场景中流动人群的分布与计数检测的方法，其特征在于，所述预训练模型包括依次串联的两个层级：VGG-G5层级和Shared-Net层级，在所述VGG-G5层级中又进一步包括依次串联的五级卷积池化层，均采用了3×3的卷积核和2×2的池化层。3.根据权利要求2所述的复杂场景中流动人群的分布与计数检测的方法，其特征在于，所述五级卷积池化层对于的第一级卷积池化层包括64个3×3的卷积核，且由两组3×3×64的卷积核堆叠而成；第二级卷积池化层包括128个3×3的卷积核，且由两组3×3×128的卷积核堆叠而成；第三级卷积池化层包括256个3×3的卷积核，且由三组3×3×256的卷积核堆叠而成；第四级卷积池化层包括512个3×3的卷积核，且由三组3×3×512的卷积核堆叠而成；第五级卷积池化层包括512个3×3的卷积核，且由两组3×3×512的卷积核堆叠而成。4.根据权利要求2或3所述的复杂场景中流动人群的分布与计数检测的方法，其特征在于，所述Shared-Net层级进一步包括依次串联的卷积层和反卷积层：第一卷积层为1×1×256卷积层，第二反卷积层为2×2×128的反卷积层，第三卷积层为3×3×128卷积层，...
【专利技术属性】
技术研发人员：姜晓恒，崔高歌，徐明亮，吕培，郭毅博，王华，李亚飞，朱睿杰，周兵，
申请(专利权)人：郑州大学，
类型：发明
国别省市：河南,41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。