尺度自适应感知的目标计数深度网络设计方法技术

本发明专利技术公开了一种尺度自适应感知的目标计数深度网络设计方法，所述包括以下步骤：步骤1：制作训练和测试样本集合；将每个图片的目标标注生成真实标签，步骤2：将训练集和测试集的图片及其对应的真实标签进行尺寸调整，步骤3：建立尺度自适应感知目标计数深度网络模型；步骤4：将步骤2获得训练样本输入到步骤3建立的卷积网络模型中，通过Adam优化策略对网络进行参数学习，步骤5：深度网络模型测试。本发明专利技术设计了一种尺度自适应感知的目标计数深度网络设计方法，其在公共安全、交通、林业、农业等多个领域有着极其重要的应用价值。

Design method of target count depth network based on scale adaptive sensing

【技术实现步骤摘要】
尺度自适应感知的目标计数深度网络设计方法
本专利技术涉及图像处理和模式识别
，尤其涉及尺度自适应感知的目标计数深度网络设计方法。
技术介绍
目标计数是对图片或视频帧中场景内容的一种理解，其在生产生活中变得越来越重要。例如，对公共场所中人群的密度统计，会帮助工作人员及时管理、便于疏导人群，以防拥挤、踩踏事件的发生。对某些果树的果实或者植物进行统计，会帮助果农或者大型养殖场了解植物的生长密度以及产量情况。上述的目标统计将会对生产生活起着指导作用，帮助人们更好的处理存在的问题。在图片或者视频帧中，由于拍摄视角的缘故，目标通常会有不同的视角。例如距离拍摄镜头近的物体尺度较大，相反较远的目标在图片中的尺度较小。这就需要设计的模型考虑目标多尺度的变化。但是由于不同的物体尺度不一样，所以在网络设计模型也需要自适应地条件感知的条件。基于以上分析，本专利技术提出了尺度自适应感知的目标计数深度网络设计方法。
技术实现思路
为了解决上述问题，本专利技术设计了尺度自适应感知的目标计数深度网络设计方法，该方法设计了自适应的尺度感知模块，本文档来自技高网...

【技术保护点】
1.一种尺度自适应感知的目标计数深度网络设计方法，其特征在于，所述方法包括以下步骤：/n步骤1：制作训练和测试样本集合，将每个图片的目标标注生成真实标签；/n步骤2：将训练集和测试集的图片及其对应的真实标签进行尺寸调整；/n步骤3：建立尺度自适应感知目标计数深度网络模型；/n步骤4：将步骤2获得训练样本输入到步骤3建立的卷积网络模型中，通过Adam优化策略对网络进行参数学习；/n步骤5：深度网络模型测试；网络经步骤4训练完成后，保留网络的卷积层的参数；将测试图片通过步骤1和步骤2操作后输入网络中，将步骤3中卷积层16的输出Pre_net求和，记为当前图片的目标数量。/n

【技术特征摘要】
1.一种尺度自适应感知的目标计数深度网络设计方法，其特征在于，所述方法包括以下步骤：
步骤1：制作训练和测试样本集合，将每个图片的目标标注生成真实标签；
步骤2：将训练集和测试集的图片及其对应的真实标签进行尺寸调整；
步骤3：建立尺度自适应感知目标计数深度网络模型；
步骤4：将步骤2获得训练样本输入到步骤3建立的卷积网络模型中，通过Adam优化策略对网络进行参数学习；
步骤5：深度网络模型测试；网络经步骤4训练完成后，保留网络的卷积层的参数；将测试图片通过步骤1和步骤2操作后输入网络中，将步骤3中卷积层16的输出Pre_net求和，记为当前图片的目标数量。


2.根据权利要求1所述的尺度自适应感知的目标计数深度网络设计方法，其特征在于，所述步骤1具体如下：
步骤101：通过搜索引擎搜集一个特定目标有关的词汇搜索目标图片，或自行拍摄N张带有目标的图片；
步骤102：通过人工方式对步骤101的每张图片的每个目标进行标注，记录每个标注点的位置，进而建立一个特定目标相关数据集；
步骤103：首先将步骤102制作的数据集分为训练集和测试集；设数据集合总共有N个图片和与之对应的目标标注，记数据集合中的图片Dateset＝{I1,I2,...,IN}和与之对应的目标标注Labelset＝{l1,l2,...,lN}；将前M个图片和它对应的目标标注设为训练集合，记训练图片为Traindate＝{I1,I2,...,IM}与之对应的标注Labeltrain＝{l1,l2,...,lM}；同时将后N-M个图片和它对应的目标标注设为测试集合；记测试图片为Testdate＝{IM+1,IM+2,...,IN}与之对应的标注Labeltest＝{lM+1,lM+2,...,lN}；
步骤104：将步骤103中第i个图片Ii转换成高斯密度图deni(x)，可通过下述的公式进行计算：



其中表示给定图片的坐标，xj表示标注的目标位置；表示高斯核，其中xj是均值向量和σ2是方差项；如果x不在xj的领域范围内，令此时第i个图片的标签li变换为deni(x)；
步骤105：依次对步骤102中的第1张图片直至第N个图片执行步骤104的操作，将图片的标注转换成高斯密度图；从而将训练的标注Labeltrain映射为训练真实标签Labeltrain_new：Labeltrain_new＝{den1,den2,...,denM}，将测试的标注Labeltest映射为测试真实标签Labeltest_new：Labletest_new＝{denM+1,denM+2,...,denN}。


3.根据权利要求1所述的尺度自适应感知的目标计数深度网络设计方法，其特征在于，所述步骤2具体如下，
步骤201：将图片的尺寸调整为8的整数倍；记第i个图片Ii的尺寸大小为(pi,qi)；图片通过插值的方式将尺寸大小调整为8的整数倍，记图片Ii调整后的尺寸大小(xi,yi)；调整的计算公式为xi＝(pi％8)×8和yi＝(qi％8)×8，其中％表示整除操作；
步骤202：将与图片对应的高斯密度图也进行尺度调整；第i个图片Ii对应的真实标签deni(m)的尺寸大小为(pi,qi)，通过步骤201中的调整计算公式后得到调整后真实标签den_newi(m)的大小(xi,yi)；为了使得目标数量保持不变，对调整后的真实标签进行如下操作；



步骤203：依次对步骤105中的第1张图片直至第N个图片的真实标签执行步骤202的操作。


4.根据权利要求1所述的尺度自适应感知的目标计数深度网络设计方法，其特征在于，所述步骤3建立尺度自适应感知目标计数深度网络模型，网络的具体的模型给出如下：
卷积层1：使用64个3×3的卷积核去卷积输入为x×y×3的图像，经过ReLU激活函数后得到x×y×64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(x％2)×(y％2)×64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(x％2)×(y％2)×128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(x％2)×(y％2)×128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ReLU激活函数后得到(x％4)×(y％4)×256的特征；
卷积层6：使用256个3×3的卷积核去卷积卷积层5的输出，经过ReLU激活函数后得到(x％4)×(y％4)×256的特征；
卷积层6_0_1：使用64个1×1的卷积核去卷积卷积层6的输出，经过ReLU激活函数后得到(x％4)×(y％4)×64的特征；
卷积层6_0_2：使用64个3×3的卷积核去卷积卷积层6_0_1的输出，经过ReLU激活函数后得到(x％4)×(y％4)×64的特征；
卷积层6_0_3：使用exp(a1)/(exp(a1)+exp(a2)+exp(a3))乘以卷积层6_0_2的输出后得到(x％4)×(y％4)×64的特征；
卷积层6_1_1：使用64个1×1的卷积核去卷积卷积层6的输出，经过ReLU激活函数后得到(x％4)×(y％4)×64的特征；
卷积层6_1_2：使用64个5×5的卷积核(padding的大小为2)去卷积卷积层6_1_1的输出，经过ReLU激活函数后得到...

【专利技术属性】
技术研发人员：成锋娜，周宏平，张镜洋，程卫国，徐亮，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：江苏;32