模型的构建方法、人群密度估计方法、装置、设备和介质制造方法及图纸

本申请实施例公开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，应用标注的训练样本进行训练，获得预设数量的回归器；将训练样本分别输入至每个回归器，得到对应的人群密度图；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训练样本的分类编号；根据训练样本的分类编号和训练样本微调初始分类器，以得到分类器，应用通过分类器分类后的训练样本微调回归器，直至满足预设训练条件时停止，将最新的分类器和回归器作为目标分类器和目标回归器。提高了人群密度估计的准确性，节约了人力物力。

Modeling methods, crowd density estimation methods, devices, equipment and media

【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。第二方面，本申请实施例提供了一种人群密度估计方法，该方法包括：将获取到的视频帧输入至预先构建的深度卷积神经网络模型中，通过所述深度卷积神经网络模型中的分类器确定所述视频帧所属的回归器类别；应用与所述回归器类别对应的所述深度卷积神经网络模型中的回归器对所述视频帧进行回归分析，得到人群密度图；所述预先构建的深度卷积神经网络模型基于本申请实施例第一方面所述的网络模型的构建方法确定。第三方面，本申请实施例提供了一种网络模型的构建装置，该装置包括：回归器获取模块，用于应用标注的训练样本进行训练，获得预设数量的回归器；密度图获取模块，用于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；确定模块，用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，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；调整模块，用于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。第四方面，本申请实施例提供了一种人群密度估计装置，该装置包括：类别确定模块，用于将获取到的视频帧输入至预先构建的深度卷积神经网络模型中，通过所述深度卷积神经网络模型中的分类器确定所述视频帧所属的回归器类别；回归分析模块，用于应用与所述回归器类别对应的所述深度卷积神经网络模型中的回归器对所述视频帧进行回归分析，得到人群密度图；所述预先构建的深度卷积神经网络模型基于本申请实施例第三方面所述的网络模型的构建装置确定。第五方面，本申请实施例提供了一种设备，包括存储器以及一个或多个处理器；所述存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的网络网络模型的构建方法。第六方面，本申请实施例提供了一种设备，包括存储器以及一个或多个处理器；所述存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第二方面所述的人群密度估计方法。第七方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的网络模型的构建方法。第八方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第二方面所述的人群密度估计方法。本专利技术采用的技术方案中有如下有益效果：应用标注的训练样本进行训练，获得预设数量的回归器，多个回归器的设计，提高了训练样本在回归分析过程中的针对性，而无需另外设计有针对性的特征；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，以根据回归器确定分类器的编号；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。这样循环微调分类器和回归器，获得了训练效果更好的目标分类器和回归器，应用目标分类器和目标回归器估计人群密度，提高了准确性，节约了人力物力。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1是本申请实施例提供的一种网络模型的构建方法的流程图；图2是本申请实施例提供的另一种网络模型的构建方法的流程图；图3是本申请实施例中适用的一种算法构成的流程图；图4是本申请实施例中适用的一种分类深度卷积神经网络的示意图；图5是本申请实施例中适用的一种回归器对应的深度卷积神经网络的示意图；图6是本申请实施例中适用的一种回归器的单列深度卷积神经网络的示意图；图7是本申请实施例中适用的另一种回归器的单列深度卷积神经网络的示意图；图8是本申请实施例中适用的一种回归器构成的示意图；图9是本申请实施例提供的一种人群密度估计方法的流程图；图10是本申请实施例提供的一种网络模型的构建装置的结构示意图；图11是本申请实施例提供的一种人群密度估计装置的结构示意图；图12是本申请实施例提供的一种设备的结构示意图；图13是本申请实施例提供的另一种设备的结构示意图。具体实施方式为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作本文档来自技高网...

【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