The invention discloses a method for counting the number of people based on the multi-scale mask perception and feedback convolution neural network, which comprises the following steps: (1) collecting and making the number statistics database; (2) generating training and test samples; (3) data preprocessing the samples of the training and test sets; (4) building the depth network model of the number statistics; (5) sending the generated training samples into the constructed depth network Network model training, through Adam optimization method to optimize the network parameters; (6) test the depth network model. The invention uses a multi task learning strategy to construct a population statistics network, which integrates the results of the mask estimation branch into the picture features, and then obtains a robust population statistics model; uses a simple fusion strategy and a multi-scale learning strategy based on hole convolution to achieve more accurate and stable detection results, which avoids the complexity in application Miscellaneous configuration and memory consumption.
【技术实现步骤摘要】
基于多尺度掩码感知回馈卷积神经网络的人数统计方法
本专利技术涉及图像处理和模式识别
，尤其是一种基于多尺度掩码感知回馈卷积神经网络的人数统计方法。
技术介绍
随着城镇化的推进和人们娱乐及工作的需要，多人以及群体聚集的场景在众多的场所已屡见不鲜，这也带来了日益严峻的安全管理问题。近些年来，人们时常会听到全世界各地对群体性事件以及踩踏事件的报道。因此，如何对公共场所的人数进行统计是一个至关重要的任务。该任务可以帮助管理人群提供人群的密度分布数据，便于综合地引导人群的流动，使得公共场所中安全问题变得可控、可防。因此，该任务对公共安全具有重要的应用价值。随着监控设备的增加，人工对每个视频流进行计数显然代价比较昂贵，且由于人的精力有限不能保证全天候的检测。传统的方法面对复杂的场景的时候精度并不能满足生活生产的要求。随着计算机视觉技术的发展，人群统计深度网络模型已成为人数检测的主流方法。但这些方法依然检测的准确率不高。通过对场景中的图片分析，要实现鲁棒的检测不得不解决以下几个难点问题：(1)在密度比较高的场景中，人头之间存...
【技术保护点】
1.一种基于多尺度掩码感知回馈卷积神经网络的人数统计方法，其特征在于，包括如下步骤：/n(1)搜集制作人数统计数据库；/n(2)生成训练和测试样本；/n(3)对训练和测试集的样本进行数据预处理；/n(4)构建人数统计的深度网络模型；/n(5)将生成的训练样本送入构建好的深度网络模型进行训练，通过Adam优化方法对网络的参数进行优化；/n(6)测试深度网络模型。/n
【技术特征摘要】
1.一种基于多尺度掩码感知回馈卷积神经网络的人数统计方法，其特征在于，包括如下步骤：
(1)搜集制作人数统计数据库；
(2)生成训练和测试样本；
(3)对训练和测试集的样本进行数据预处理；
(4)构建人数统计的深度网络模型；
(5)将生成的训练样本送入构建好的深度网络模型进行训练，通过Adam优化方法对网络的参数进行优化；
(6)测试深度网络模型。
2.如权利要求1所述的基于多尺度掩码感知回馈卷积神经网络的人数统计方法，其特征在于，步骤(1)中，数据库的搜集是来自于两个部分，一是来自视频拍摄设备，二是来自网络搜集。
3.如权利要求1所述的基于多尺度掩码感知回馈卷积神经网络的人数统计方法，其特征在于，步骤(2)中，生成训练和测试样本具体包括如下步骤：
(201)将步骤(1)中得到的视频帧剪辑成单帧的图片，记图片左上角第一个元素的位置为原点，用图片中的点坐标xp＝(gp,hp)标注第p个人头的中心点位置，依次标注图片中的每个人头，形成图片的最终真实标签；
(202)将步骤(201)得到图片按照5：1的比例分成测试集和训练集，若训练集中包含M个训练样本，则可记X＝{I1,I2,...,IM}为训练集合，其对应的标签则记为Xlabel＝{l1,l2,...,lM}，其中Ik是第k个样本；若训练集中包含N个训练样本，则可记Y＝{IM+1,IM+2,...,IM+N}为训练集合，其对应的标签则记为Ylabel＝{lM+1,lM+2,...,lM+N}；
(203)使用步骤(201)中每张图片I的真实标签，每个真实标签包含多个点坐标，将这些点坐标通过如下的公式转换成高斯密度图d(x)：
其中表示图片的坐标，xi表示标注的人头位置，表示高斯核，其中xi是均值向量和σ2是经验性选择的方差项；如果x不在xi的领域范围内，方差项σ2的一个常见选择是使得此时，训练样本对应的标签转变成测试样本对应的标签转变为
4.如权利要求1所述的基于多尺度掩码感知回馈卷积神经网络的人数统计方法，其特征在于，步骤(3)中，对训练和测试集的样本进行数据预处理具体包括如下步骤：
(301)对训练集和测试集的样本和标签进行归一化处理，记第k个样本Ik的尺寸大小为将图片的尺寸调整为8的整数倍，即其中其中l％8表示l整除8后，留整数位；
(302)将第k个样本对应的高斯密度图d(x)k的尺寸同样调整为其中记调整后的高斯密度图为为了保持人数的不变，对调整后的高斯密度图进行如下操作：
(303)将步骤(302)中第k个样本生成的高斯密度图二值化，生成图像的掩码图计算按照如下的公式：
其中表示将中每个像素与σ做比较，如果像素点的值大于σ，那么在该像素点的值记为1，否则记为0；
(304)步骤(202)中每个训练样本和测试样本及其对应的标签都经过步骤(301)，步骤(302)和步骤(303)对数据进行预处理。
5.如权利要求1所述的基于多尺度掩码感知回馈卷积神经网络的人数统计方法，其特征在于，步骤(4)中，构建人数统计的深度网络模型具体为：基于预训练前10层VGGNet卷积神经网络，同时结合多尺度掩码感知回馈网络模块，构成最终的多任务人数统计网络；多尺度掩码感知回馈网络模块包含3层空洞卷积层作为共享层，4层空洞卷积层作为掩膜预测分支，4层空洞卷积层作为密度估计分支和2层空洞卷积层作为掩膜预测分支到密度估计分支的转换层；
模型以尺寸为的图像作为输入，经过前10层VGGNet的卷积网络后，输出的尺寸为的特征图，该特征图经过多尺度掩码感知回馈网络模块后分别输出尺寸为的掩码估计图，以及尺寸为的密度估计图；
卷积层1：使用64个3×3的卷积核，去卷积输入为的图像，经过ReLU激活函数后得到的特征；
卷积层2：使用64个3×3的卷积核，去卷积卷积层1的输出，经过ReLU激活函数和2×2的最大值池化层后得到的特征；
卷积层3：使用128个3×3的卷积核，去卷积卷积层2的输出，经过ReLU激活函数后得到的特征；
卷积层4：使用128个3×3的卷积核，去卷积卷积层3的输出，经过ReLU激活函数和2×2的最大值池化层后得到的特征；
卷积层5：使用256个3×3的卷积核，去卷积卷积层4的输出，经过ReL...
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。