一种高密度人群的数量估测方法、系统及相关装置制造方法及图纸

本申请提供一种高密度人群的数量估测方法，具体技术方案如下：将目标拍摄图片输入至网络模型中，得到所述目标拍摄图片对应的预测密度图；对所述预测密度图进行求和运算得到人数估测值；本申请使用的网络模型中，通过采用三列具有不同扩张率的空洞卷积结构，可以学习到由前端网络提取的高维特征中尺度不一致的信息，促进网络的计数性能及生成密度图的质量，进而提高人群人数估测的准确性。本申请还提供一种高密度人群的数量估测系统、计算机可读存储介质和一种高密度人群的数量估测终端，具有上述有益效果。

A quantitative estimation method, system and related devices for high density population

【技术实现步骤摘要】
一种高密度人群的数量估测方法、系统及相关装置
本申请涉及图像处理领域，特别涉及一种高密度人群的数量估测方法、系统及相关装置。
技术介绍
当前，重大事件使得人群聚集容易发生踩踏事件，或多发生在一些易于聚集大量人群的地方，例如大型活动现场、火车站、超市和街道等。由于缺少妥善的人群管理制度，极易造成人群挤压和踩踏事件的发生。随着监控摄像头的普遍使用和计算机视觉技术的快速发展，密集人群分析技术成为了近年来研究的热点问题。它可以从监控摄像头采集的人群图像中分析人群的分布信息。包括估计人群中的人数，以及识别人群密度高于安全限度的区域发出预警信息，防止人群挤压及踩踏事件的发生。当前多采用基于检测的方法和基于回归的方法实现密集人群分析。基于检测的方法通过一个滑动的窗口检测图片中人群的数量，但是在人群较为密集存在严重遮挡的图片中会严重地降低该方法的性能。基于回归的方法会忽略一个称为显著性的关键特征，容易导致局部区域的结果不准确。
技术实现思路
本申请的目的是提供一种高密度人群的数量估测方法、系统、计算机可读存储介质和一种高密度人群的数本文档来自技高网...

【技术保护点】
1.一种高密度人群的数量估测方法，其特征在于，包括：/n将目标拍摄图片输入至网络模型中，得到所述目标拍摄图片对应的预测密度图；/n对所述预测密度图进行求和运算得到人数估测值；/n其中，所述网络模型的建立过程包括：/n根据对监控视频抽帧得到的图像帧和所述图像帧中人头的中心坐标得到第一训练集；/n根据所述中心坐标取全零矩阵中对应坐标位置预设大小的区域与高斯滤波矩阵相加得到所述图像帧的密度图；其中，所述全零矩阵与所述图像帧大小相同；/n根据所述图像帧和所述密度图得到第二训练集；/n将所述第二训练集在三列空洞卷积神经网络上训练得到所述网络模型；所述三列空洞卷积神经网络包含三列不同扩张率的空洞卷积结构。...

【技术特征摘要】
1.一种高密度人群的数量估测方法，其特征在于，包括：
将目标拍摄图片输入至网络模型中，得到所述目标拍摄图片对应的预测密度图；
对所述预测密度图进行求和运算得到人数估测值；
其中，所述网络模型的建立过程包括：
根据对监控视频抽帧得到的图像帧和所述图像帧中人头的中心坐标得到第一训练集；
根据所述中心坐标取全零矩阵中对应坐标位置预设大小的区域与高斯滤波矩阵相加得到所述图像帧的密度图；其中，所述全零矩阵与所述图像帧大小相同；
根据所述图像帧和所述密度图得到第二训练集；
将所述第二训练集在三列空洞卷积神经网络上训练得到所述网络模型；所述三列空洞卷积神经网络包含三列不同扩张率的空洞卷积结构。


2.根据权利要求1所述的数量估测方法，其特征在于，所述三列空洞卷积神经网络的前端结构为VGG16网络结构的前十层。


3.根据权利要求1所述的数量估测方法，其特征在于，所述三列空洞卷积神经网络中的激活函数均为ReLU激活函数。


4.根据权利要求1所述的数量估测方法，其特征在于，还包括：
根据网络训练参数、所述第二训练集中训练样本对应的真实密度图和预测密度图得到所述三列空洞卷积神经网络的损失函数；
分别对所述真实密度图和所述预测密度图进行求和运算得到真实人数和预测人数，根据所述真实人数和预测人数的差的绝对值得到所述人数估测值的误差。

<...

【专利技术属性】
技术研发人员：张莉，闫磊磊，郑晓晗，周伟达，王邦军，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32