【技术实现步骤摘要】
一种基于多尺度信息融合网络的空基人群计数与密度估计方法
本专利技术属于航空监视领域，具体是一种基于多尺度信息融合网络的空基人群计数与密度估计方法。
技术介绍
随着近年来国家对低空领域使用权的不断开放，无人机经常被用来执行辅助灾情巡查以及特殊场景监视等任务。而在这些任务中，对于人群信息的统计与分析是最为重要的环节之一，在很多场景尤其是人群密集的场景下，统计场景人群数量与其密度分布对于安全监测、突发情况预警以及情报分析等多类任务均有不可估量的作用。在大多数需要进行人群计数和密度估计的场景下，人群的密集度均较高，也就造成了严重的遮挡和目标尺度不一致的问题。早期的方法一般使用基于检测和回归的方法统计场景中人的总数。但由于密集人群遮挡严重、目标尺寸相差较大，基于检测的方法效果较差；而直接回归场景中人的数目从获取一个目标函数的角度来讲，使问题的输入域和输出域相差很大，也就导致了目标函数更难以拟合，也无法达到较好的效果。近年来，基于密度图的方法成为了人群计数的主流，此类方法既可以简化任务的目标函数，也可以在统计人群...
【技术保护点】
1.一种基于多尺度信息融合网络的空基人群计数与密度估计方法，其特征在于，具体步骤包括：/n步骤一、针对某张待检测场景图，对图像进行在线采样的数据增广，并将每个像素进行归一化后，转换得到真实密度图；/n具体步骤如下：/n步骤101、以在线生成密度图的方法，将待检测场景图进行数据增广，得到尺寸均为H×W的图像；/n步骤102、对增广后的每张图像，将输入的每个像素数据X做((X-255)-0.5)/0.5的运算，将每个像素的值归一化到[-1,1]；/n步骤103、在尺寸为H×W的图像中随机采样一个l
【技术特征摘要】
1.一种基于多尺度信息融合网络的空基人群计数与密度估计方法，其特征在于，具体步骤包括：
步骤一、针对某张待检测场景图，对图像进行在线采样的数据增广，并将每个像素进行归一化后，转换得到真实密度图；
具体步骤如下：
步骤101、以在线生成密度图的方法，将待检测场景图进行数据增广，得到尺寸均为H×W的图像；
步骤102、对增广后的每张图像，将输入的每个像素数据X做((X-255)-0.5)/0.5的运算，将每个像素的值归一化到[-1,1]；
步骤103、在尺寸为H×W的图像中随机采样一个ls×ls大小的子图像S，统计位于子图像S区域内的行人目标，将行人目标的坐标筛选出来组成集合O，筛除其他目标坐标；
子图像S左上角顶点的坐标为(ws,hs)；
步骤104、将子图像S缩放至lr×lr大小，作为训练的输入图像R；
缩放可替换为在线的左右翻转或旋转；lr的取值根据显存占用量设定，为4的整数倍；
步骤105、对集合O内的每一组坐标(xi,yi)分别进行坐标转换，得到各行人目标在子图像R中的相对坐标
转换公式为：
步骤106、利用转换后的相对坐标，得到与待检测场景图像对应的真实密度图；
步骤二、对真实密度图使用多尺度特征编码器进行特征提取与编码，得到五张特征图；
特征提取与编码的具体过程如下：
在卷积神经网络中，编码器共包含9个级联的卷积模块，分别为第一个卷积模块到第九个卷积模块，除第一个卷积模块之外，将之后每两个卷积模块分为一组，得到第一组卷积模块到第四组卷积模块，共5个卷积阶段；第一个卷积模块与第一组卷积模块之后分别各连接一个池化层；
首先，针对真实密度图，使用1×1的卷积层将该图的特征维压缩至原来的1/4，然后使用第一个卷积模块中的1×1，3×3，5×5，7×7四种普通卷积核分别处理该特征图，将四种普通卷积核分别输出的特征图进行拼接，得到第一特征图；
然后，将第一特征图经过池化层后，使用1×1的卷积层将特征维压缩至原来的1/4，将第二组卷积模块中的一个卷积模块的1×1，3×3，5×5，7×7四种普通卷积核分别处理该特征图，将分别输出的特征图进行拼接，然后用另一个卷积模块中的1×1，3×3，5×5，7×7四种普通卷积核再次分别处理，将再次得到的输出图进行拼接，得到第二特征图；
将第二特征图经过池化层后，再次使用1×1的卷积层将特征维压缩至原来的1/4，使用第三阶段的两个卷积组中的1×1，3×3...
【专利技术属性】
技术研发人员：曹先彬，罗晓燕，肖泽昊，
申请(专利权)人：北京航空航天大学，
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。