【技术实现步骤摘要】
一种人群计数系统中自适应计算高斯核大小的方法
本专利技术涉及一种模式识别领域，特别是关于一种在计算机视觉方向应用的人群计数系统中自适应计算高斯核大小的方法。
技术介绍
近年来人群行为分析常用的基础方法是基于卷积神经网络深度学习的人群计数系统，其主要原理是：通过大量的训练，让卷积神经网络自动学习人类头部的主要特征(例如近似圆形，相对于背景来说颜色较深的头发等)，最终将网络输出的卷积图与事先做好的、使用类似于人头形状的二维高斯核密度函数(以下简称高斯核)来表示每个人头所在的位置的人群密度图的对比差异。因为单个高斯核在人群密度图中的各个像素点处数值的积分之和为1，所以只需要统计输出的人群密度图中属于各个高斯核的像素点处数值的积分总和，系统就可以得到对原始画面中总人数的估计数值。系统将其对总人数的估计数值与训练数据中的实际数值，以及网络输出的卷积图与训练数据中的人群密度图之间的差异，作为网络反向误差传播的依据，最终通过迭代，修改网络中的相关参数，训练网络对于人头形状目标的识别能力。如上所述，人群计数系统的训练数据生成中，最关...
【技术保护点】
1.一种人群计数系统中自适应计算高斯核大小的方法，其特征在于包括以下步骤：/n1)将人群密度图等间隔划分为m×n个矩形区域；/n2)计算当前人头中心点坐标处的k最近人头平均距离估计值；/n3)计算当前人头中心点坐标处的k最近人头平均距离与其估计值各自的权重系数θ；/n4)计算当前人头中心点坐标对应的高斯核大小；/n5)判断训练数据中是否还有未计算过高斯核大小的人头中心点坐标：/n如果训练数据中还有未被计算过高斯核大小的人头中心点坐标，则跳转至步骤2)；反之，则将所有计算出的高斯核大小作为结果输出，结束。/n
【技术特征摘要】
1.一种人群计数系统中自适应计算高斯核大小的方法，其特征在于包括以下步骤：
1)将人群密度图等间隔划分为m×n个矩形区域；
2)计算当前人头中心点坐标处的k最近人头平均距离估计值；
3)计算当前人头中心点坐标处的k最近人头平均距离与其估计值各自的权重系数θ；
4)计算当前人头中心点坐标对应的高斯核大小；
5)判断训练数据中是否还有未计算过高斯核大小的人头中心点坐标：
如果训练数据中还有未被计算过高斯核大小的人头中心点坐标，则跳转至步骤2)；反之，则将所有计算出的高斯核大小作为结果输出，结束。
2.如权利要求1所述方法，其特征在于：所述步骤1)中，将人群密度图等间隔划分为m×n个矩形区域的方法为：对于人群密度图，将其沿着x轴与y轴方向分别等间隔划分为m与n段，在人群密度图中形成m×n个矩形区域，其中每个区域最靠近坐标原点的顶点的x轴与y轴坐标分别为preg_x[i]与preg_y[j]；每4个顶点确定1个矩形区域，对于一个人头中心点坐标(phead_x、phead_y)，若其在x轴与y轴方向分别位于preg_x[i]，preg_x[i+1]与preg_y[j]，preg_y[j+1]之间，则称该人头中心点坐标属于区域[i，j]；i＝1，……，m，j＝1，……，n。
3.如权利要求2所述方法，其特征在于：若人头中心点坐标所属区域[i，j]内有不止一个人头中心点坐标，则称其中第r个人头为[i，j,r]。
4.如权利要求1所述方法，其特征在于：所述步骤2)中，当前人头中心点坐标处的k最近人头平均距离估计值计算为：
2.1)计算当前区域顶点坐标处的k最近人头平均距离；
2.2)利用双线性插值获得每个区域内每个人头中心点坐标处的k最近人头平均距离估计值。
5.如权利要求4所述方法，其特征在于：所述步骤2.1)中，以当前区域最靠近坐标原点的顶点为例，若与当前区域顶点相邻的矩形区域内有且只有1个人头中心点坐标，该顶点的k最近人头平均距离直接等于这个人头中心点坐标处的数值；
若与当前区域顶点相邻的矩形区域内有多个人头中心点坐标，取其中与该顶点坐标距离最近的k个，将1除以每个人头中心点坐标与该顶点的距离加上一个防止分母为零的极小正数ε的结果作为该人头的k最近人头平均距离的权重系数cks[i,j,r]，在将所有人头的k最近人头平均距离乘以其对应的权重系数cks[i,j,r]的总和，除以所有人头对应的权重系...
【专利技术属性】
技术研发人员：刘阳，焦大伟，杨天骄，李洪研，张涛，朱昂，李洁，
申请(专利权)人：通号通信信息集团有限公司，
类型：发明
国别省市：北京;11
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。