一种基于对抗尺度一致性追求特征自学习的人群计数方法技术

本发明专利技术公开了一种基于对抗尺度一致性追求特征自学习的人群计数方法包括通过深度学习框架构建对抗尺度一致性网络，其具备在多尺度的数据样本中计算人群个数的功能；将特征自学习法融入对抗尺度一致性网络；利用对抗尺度一致性网络固有的对抗损失和感知损失以控制生成密度图的真伪性；利用跨尺度一致性准则约束生成的密度图；本发明专利技术的有益效果：构建一种新的人群计数回归框架，该框架在应对多尺度训练环境具有良好的性能，将带有特征自学习加入到网络图片生成阶段，对多尺度图片特征提取起到关键性的作用，有利于对于后续判别器做出准确的判断，提出了一种融合了特征自学习的人群回归模型，以利用传递更好的特征生成更高质量的图片信息。

【技术实现步骤摘要】
一种基于对抗尺度一致性追求特征自学习的人群计数方法
本专利技术涉及计算机视觉
，尤其涉及一种基于对抗尺度一致性追求特征自学习的人群计数方法。
技术介绍
在现如今，由于社会的发展，大型集会和游行活动的增加，大型活动中频繁发生的踩踏事件，已经造成了不小的伤亡，因此人群计数问题的研究也越来越火热；传统的人群计数方法主要分为两类：一类为基于检测的方法，另一类为基于回归的方法；但是无论采取怎样的检测方法，都很难处理人群之间严重的遮挡的问题，一个主要的问题是来自于不同场景中人群规模的变化多样性，人们日常生活活动中，在不同场景下人群的拥挤程度是不一样的，要提出一个适应不同人群规模的模型并非是一件简单的事情；为了解决多尺度的变化，以前的方法大多数是利用多列CNN或者利用多分支来提取不同接收场景的多个特征，然后再最后将所得到的特征进行融合形成最后的密度估计，但是这本身存在固有的缺陷一是没有考虑到特征层内部的关系，二没有考虑到传统的多分支结构并没有采取合作的方式而是以竞争的方式进行的。特征自学习为特征层通道重标定，这表明对于图像提取特征是有帮助的，为了解决上述人群计数存在的问题，我们遵循了特征自学习的方案；具体来说我们的目的是，首先利用对抗生成网络在图像生成方面的优秀性能，在此基础上加入特征自学习的方案，使得在生成阶段能够生成更清晰的语义信息，再利用跨尺度一致性准则去约束得到的密度图，这能够使得最后得到的密度图更清晰；研究表明，特征自学习在各种各样的图像处理任务中是非常有效的。
技术实现思路
本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。鉴于上述和/或现有人群计数方法存在很难处理人群之间严重遮挡的问题，提出了本专利技术。因此，本专利技术目的是提供一种基于对抗尺度一致性追求特征自学习的人群计数方法，其可以处理人群之间严重遮挡的问题。为解决上述技术问题，本专利技术提供如下技术方案：通过摄像头采集图，将采集到的不同角度图汇总；通过深度学习框架构建对抗尺度一致性网络，其具备在多尺度的数据样本中计算人群个数的功能；将特征自学习法融入所述对抗尺度一致性网络，将采集到的图输入其中；利用所述对抗尺度一致性网络固有的对抗损失和感知损失以控制生成密度图的真伪性；利用跨尺度一致性准则约束所述生成密度图。作为本专利技术所述基于对抗尺度一致性追求特征自学习的人群计数方法的一种优选方案，其中：所述构建对抗尺度一致性网络包括，σ(W2δ(W1z))引入以上两个术语以提高特征自学习法有效性，第一术语中H为长，W为宽，H×W为特征图维度，i和j为常数，μc为第c个特征图，第二术语中z为第一术语中的结果。作为本专利技术所述基于对抗尺度一致性追求特征自学习的人群计数方法的一种优选方案，其中：所述特征自学习法包括，s＝Fex(z，W)＝σ(g(z，W))＝σ(W2δ(W1z))其中，参数μc为卷积得到的通道、Fsq(μc)为压缩通道的全局语义信息以便获得权重大的通道信息，Fex(z，W)在解压缩之前得到的z，回归到1×1×S，最后和通道μc合并得到自学习后的其中，将所述采集到的图输入所述对抗尺度一致性网络进行识别。作为本专利技术所述基于对抗尺度一致性追求特征自学习的人群计数方法的一种优选方案，其中：所述特征自学习法的学习过程包括，定义对抗学习模型如下：其中，x为训练的图片信息、y为真实地面密度图、G为最小化当前目标、D为最大化当前目标。作为本专利技术所述基于对抗尺度一致性追求特征自学习的人群计数方法的一种优选方案，其中：在所述对抗学习模型加入欧几里得损失为：其中PG(C)为生成密度图中的像素，而PGT(C)为真实地面密度图，C为开始通道数。作为本专利技术所述基于对抗尺度一致性追求特征自学习的人群计数方法的一种优选方案，其中：在所述对抗学习模型加入感知损失为：其中，fG(C)为生成的密度图高层感知特征像素，而fGT(C)为地真密度图的高层感知特征中像素。作为本专利技术所述基于对抗尺度一致性追求特征自学习的人群计数方法的一种优选方案，其中：总结所述欧几里得损失和所述感知损失已获得更好的LI损失：LI＝argminGmaxDLA(G，D)+λeLE(G)+λpLp(G).上式中，λe和λp是欧几里得损失和知觉损失的预定义权重。作为本专利技术所述基于对抗尺度一致性追求特征自学习的人群计数方法的一种优选方案，其中：为解决多尺度一致性的问题，在所述LI损失上，对跨尺度一致性做出约束，其中Pprt(C)为密度图原图中的像素、Pcnt(C)为密度图拼接图中的像素，通过最小化该正则化约束，原图和子图之间的密度估计差异被迫很小。作为本专利技术所述基于对抗尺度一致性追求特征自学习的人群计数方法的一种优选方案，其中：结合以上损失，得到全局LII损失：LII＝LI+λCLC(G).其中，λc是针对跨尺度一致性追求损失的预定义权重；当λc设置为0时模型中的两个生成器将被独立训练。本专利技术的有益效果：构建一种新的人群计数回归框架，该框架在应对多尺度训练环境具有良好的性能，将带有特征自学习加入到网络图片生成阶段，对多尺度图片特征提取起到关键性的作用，有利于对于后续判别器做出准确的判断，提出了一种融合了特征自学习的人群回归模型，以利用传递更好的特征生成更高质量的图片信息从而有效解决人群之间严重的遮挡的问题，使得人群计数准确有效。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：图1为本专利技术基于对抗尺度一致性追求特征自学习的人群计数方法的整体结构示意图。图2为本专利技术进行训练时加入特征自学习的方法示意图。图3为本专利技术特征自学习机制回归方案示意图。图4为本专利技术判别器参数示意图。。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本专利技术的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施例的限制。其次，此处所称的“一个实施例”或“实施例”是指可包含于本专利技术至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。再其次，本本文档来自技高网...

【技术保护点】
1.一种基于对抗尺度一致性追求特征自学习的人群计数方法，其特征在于：包括，/n通过摄像头采集图，将采集到的不同角度图汇总；/n通过深度学习框架构建对抗尺度一致性网络，其具备在多尺度的数据样本中计算人群个数的功能；/n将特征自学习法融入所述对抗尺度一致性网络，将采集到的图输入其中；/n利用所述对抗尺度一致性网络固有的对抗损失和感知损失以控制生成密度图的真伪性；/n利用跨尺度一致性准则约束所述生成密度图。/n

【技术特征摘要】
1.一种基于对抗尺度一致性追求特征自学习的人群计数方法，其特征在于：包括，
通过摄像头采集图，将采集到的不同角度图汇总；
通过深度学习框架构建对抗尺度一致性网络，其具备在多尺度的数据样本中计算人群个数的功能；
将特征自学习法融入所述对抗尺度一致性网络，将采集到的图输入其中；
利用所述对抗尺度一致性网络固有的对抗损失和感知损失以控制生成密度图的真伪性；
利用跨尺度一致性准则约束所述生成密度图。


2.如权利要求1所述的基于对抗尺度一致性追求特征自学习的人群计数方法，其特征在于：所述不同角度图汇总包括监控区域内不同角度摄像头对人群拍摄的图汇总，所述构建对抗尺度一致性网络包括，



σ(W2δ(W1z))
引入以上两个术语以提高特征自学习法有效性，第一术语中H为长，W为宽，H×W为特征图维度，i和j为常数，μc为第c个特征图，第二术语中z为第一术语中的结果。


3.如权利要求2所述的基于对抗尺度一致性追求特征自学习的人群计数方法，其特征在于：所述特征自学习法包括，



s＝Fex(z，W)＝σ(g(z，W))＝σ(W2δ(W1z))



其中，参数μc为卷积得到的通道、Fsq(μc)为压缩通道的全局语义信息以便获得权重大的通道信息，Fex(z，W)在解压缩之前得到的z，回归到1×1×S，最后和通道μc合并得到自学习后的
其中，将所述采集到的图输入所述对抗尺度一致性网络进行识别。


4.如权利要求3所述的基于对抗尺度一致性追求特征自学习的人群计数方法，其特征在于：所述特征自学习法的学习过程包括，
定义对抗学习模型如下：



其中，...

【专利技术属性】
技术研发人员：张涛，袁佳伟，潘祥，于宏斌，孙俊，
申请(专利权)人：江南大学，深圳市数字城市工程研究中心，
类型：发明
国别省市：江苏;32