【技术实现步骤摘要】
模型的构建方法、人群密度估计方法、装置、设备和介质
本申请实施例涉及计算机视觉技术,尤其涉及一种网络模型的构建方法、人群密度估计方法、装置、设备和存储介质。
技术介绍
随着科技的进步和人们生活水平的提高,人们的社交活动逐渐增多,交通枢纽、大型活动现场及大型公共场所人流拥堵越来越严重,由于人流拥堵造成的安全隐患日趋严重。因此,如何自动、实时的,进行人数估计具有重要的研究价值,对于公共事务人员提供有效的事件决策也有深入的指导意义。现有技术中,通常是对图像设计一系列有针对性的特征,例如LBP(LocalBinaryPattern,局部二值模式)、Gabor、HOG(HistogramofOrientedGradient,方向梯度直方图)和共生矩阵等,以通过这些特征反映出图像的某些潜在特性,在获取到这些特征后,选择一个合适的训练学习方法,例如Adaboost和SVM(SupportVectorMachine,支持向量机)等,对特征和人群密度的关系进行拟合,从而对特定场景中的人群密度进行分类,或者是对人群数量进行回归。但是,这些方法中还需要设计有针对性的特征,这个过程需要耗费大量的人力,而且准确性和有效性较低。
技术实现思路
本申请提供了一种网络模型的构建方法、人群密度估计方法、装置、设备和存储介质,以解决现有技术中估计人群密度时耗费人力大以及准确性低的问题。本专利技术采用如下技术方案:第一方面,本申请实施例提供了一种网络模型的构建方法,该方法包括:应用标注的训练样本进行训练,获得预设数量的回归器;将所述训练样本分别输入至每个回归器,得到每个回归器对应的人群密度图;确定 ...
【技术保护点】
1.一种网络模型的构建方法,其特征在于,包括:应用标注的训练样本进行训练,获得预设数量的回归器;将所述训练样本分别输入至每个回归器,得到每个回归器对应的人群密度图;确定每个人群密度图和训练样本对应的真实密度图之间的误差,选取误差最小的人群密度图对应的回归器的编号作为所述训练样本的分类编号;根据所述训练样本的分类编号和所述训练样本微调初始分类器,以得到分类器,应用所述分类器对训练样本进行分类,应用分类后的训练样本微调所述回归器,直至满足预设训练条件时停止分类器和回归器的微调,将最新的分类器和回归器作为预先构建的网络模型的目标分类器和目标回归器。
【技术特征摘要】
1.一种网络模型的构建方法,其特征在于,包括:应用标注的训练样本进行训练,获得预设数量的回归器;将所述训练样本分别输入至每个回归器,得到每个回归器对应的人群密度图;确定每个人群密度图和训练样本对应的真实密度图之间的误差,选取误差最小的人群密度图对应的回归器的编号作为所述训练样本的分类编号;根据所述训练样本的分类编号和所述训练样本微调初始分类器,以得到分类器,应用所述分类器对训练样本进行分类,应用分类后的训练样本微调所述回归器,直至满足预设训练条件时停止分类器和回归器的微调,将最新的分类器和回归器作为预先构建的网络模型的目标分类器和目标回归器。2.根据权利要求1所述的方法,其特征在于,确定每个人群密度图和训练样本对应的真实密度图之间的误差,之后,还包括:根据所述误差更新每个回归器的回归参数,以应用所述更新后的回归参数更新所述回归器,以得到更新后的回归器;将所述训练样本分别输入至每个更新后的回归器,得到每个更新后的回归器对应的更新后的人群密度图;确定每个更新后的人群密度图和训练样本对应的真实密度图之间的更新后的误差;相应的,选取误差最小的人群密度图对应的回归器的编号作为所述训练样本的分类编号,包括:选取更新后的误差最小的更新后的人群密度图对应的更新后的回归器的编号作为所述训练样本的编号;相应的,根据所述训练样本的分类编号和所述训练样本微调初始分类器,以得到分类器,应用所述分类器对训练样本进行分类,应用分类后的训练样本微调所述回归器,直至满足预设训练条件时停止分类器和回归器的微调,将最新的分类器和回归器作为预先构建的网络模型的目标分类器和目标回归器,包括:根据所述训练样本的分类编号和所述训练样本微调初始分类器,以得到分类器,应用所述分类器对训练样本进行分类,应用分类后的训练样本微调所述更新后的回归器,直至满足预设训练条件时停止分类器和回归器的微调,将最新的分类器和回归器作为预先构建的网络模型的目标分类器和目标回归器。3.根据权利要求1所述的方法,其特征在于,应用标注的训练样本进行训练之前,还包括:应用预先制作的回归器标签对训练样本进行标注,以得到标注的训练样本。4.根据权利要求3所述的方法,其特征在于,所述训练样本的标注过程包括:获得训练样本的人头图像;对所述人头图像中的人头位置坐标进行标定;对标定后的人头图像进行高斯滤波,以得到训练样本的回归器标签。5.根据权利要求1所述的方法,其特征在于,所述分类器由13个卷积层、3个全连接层、5个最大池化层和1个SoftMax层构成,所述分类器的激活函数为relu函数。6.根据权利要求1所述的方法,其特征在于,所述回归器中,每个回归器由两个单列并联的深度卷积神经...
【专利技术属性】
技术研发人员:李德紘,李昆明,冯琰一,赵刚,
申请(专利权)人:佳都新太科技股份有限公司,
类型:发明
国别省市:广东,44
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。