一种人群密度分析方法、系统、装置及计算机可读存储介质制造方法及图纸

本申请公开了一种人群密度分析方法、系统、装置及计算机可读存储介质，包括：接收识别图像；利用预先训练得到的轻量化神经网络模型对识别图像中出现的人数进行识别，得到人群密度；其中，轻量化神经网络模型包括依次相连的第一卷积层、第一最大池化层和第二卷积层；第一卷积层和第二卷积层中的卷积层均为Ghost卷积层；本申请基于轻量化神经网络模型的独有架构将其中常规卷积层全部替换成Ghost卷积层，使得网络在保证原有性能的同时能够降低参数量，降低对硬件资源的消耗并加快运行速度，快速高效的计算出识别图像中的人群密度，提高了人群密度分析效率。

【技术实现步骤摘要】
一种人群密度分析方法、系统、装置及计算机可读存储介质
本专利技术涉及人工智能领域，特别涉及一种人群密度分析方法、系统、装置及计算机可读存储介质。
技术介绍
深度学习技术成为了近年来各界的热点研究问题，基于卷积神经网络(ConvolutionalNeuralNetwork，CNN)的技术在图像分类领域中取得了很好的效果。研究者将卷积神经网络用到密集人群分析中，相对于传统的人群计数方法在准确率上有了大幅度的提升，因此目前普遍的人群分析技术均使用CNN模型预测人群信息。但是这些常规的人群计数网络模型具有较大的参数量和运算量，对硬件要求较高，难以实现在线人群密度的分析。因此，需要一种硬件性能和网络参数量要求低，且识别效率更高的人群密度分析方法。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种人群密度分析方法、系统、装置及计算机可读存储介质，降低硬件性能和网络参数量要求，提高识别效率。其具体方案如下：一种人群密度分析方法，包括：接收识别图像；利用预先训练得到的轻量化神经网络模型对所述识别图像中出现的人数进行识别，得到人群密度；其中，所述轻量化神经网络模型为利用历史识别图像进行训练得到的，所述轻量化神经网络模型包括依次相连的第一卷积层、第一最大池化层和第二卷积层；所述第一卷积层包括并列的多个卷积层，所述第一最大池化层分别与所述第一卷积层中每列卷积层连接，所述第二卷积层包括多个依次相连的卷积层；所述第一卷积层和所述第二卷积层中的卷积层均为Ghost卷积层。可选的，所述第一卷积层包括3个并列的卷积层；所述第二卷积层包括依次相连的第一层卷积层、第二层卷积层、第三层卷积层、第四层卷积层、第五层卷积层和第六层卷积层；所述第一层卷积层连接所述第一最大池化层。可选的，所述第二卷积层包括依次相连的第一层卷积层、第二层卷积层、第三层卷积层、第二最大池化层、第四层卷积层、第三最大池化层、第五层卷积层和第六层卷积层；所述第一层卷积层连接所述第一最大池化层。可选的，所述第一卷积层包括通道数分别为10、14和16，卷积核大小分别为9、7和5的卷积层。可选的，所述轻量化神经网络模型利用历史识别图像进行训练的过程，包括：接收所述历史识别图像；标注所述历史识别图像中每个人头的中心位置，得到每个人头在所述历史识别图像上的人头中心坐标；基于所述历史识别图像，利用高斯滤波器和每个人头的人头中心坐标，得到所述历史识别图像的密度图；利用所述密度图对所述轻量化神经网络模型进行训练。可选的，所述轻量化神经网络模型的损失函数L(Θ)为：式中，N为训练样本的个数，Xi为第i个训练样本，Θ为网络学习的参数，F(Xi；Θ)为网络预测第i个样本的密度图，Mi为第i个样本的真实密度图。可选的，所述轻量化神经网络模型中所有激活函数均为ReLU激活函数。本专利技术还公开了一种人群密度分析系统，包括：识别图像接收模块，用于接收识别图像；人群密度分析模块，用于利用预先训练得到的轻量化神经网络模型对所述识别图像中出现的人数进行识别，得到人群密度；其中，所述轻量化神经网络模型为利用历史识别图像进行训练得到的，所述轻量化神经网络模型包括依次相连的第一卷积层、第一最大池化层和第二卷积层；所述第一卷积层包括并列的多个卷积层，所述第一最大池化层分别与所述第一卷积层中每列卷积层连接，所述第二卷积层包括多个依次相连的卷积层；所述第一卷积层和所述第二卷积层中的卷积层均为Ghost卷积层。本专利技术还公开了一种分布式存储卷在线迁移装置，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序以实现如前述的人群密度分析方法。本专利技术还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的人群密度分析方法。本专利技术中，人群密度分析方法，包括：接收识别图像；利用预先训练得到的轻量化神经网络模型对识别图像中出现的人数进行识别，得到人群密度；其中，轻量化神经网络模型为利用历史识别图像进行训练得到的，轻量化神经网络模型包括依次相连的第一卷积层、第一最大池化层和第二卷积层；第一卷积层包括并列的多个卷积层，第一最大池化层分别与第一卷积层中每列卷积层连接，第二卷积层包括多个依次相连的卷积层；第一卷积层和第二卷积层中的卷积层均为Ghost卷积层。本专利技术基于轻量化神经网络模型的独有架构将其中常规卷积层全部替换成Ghost卷积层，使得网络在保证原有性能的同时能够降低参数量，降低对硬件资源的消耗并加快运行速度，快速高效的计算出识别图像中的人群密度，提高了人群密度分析效率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据提供的附图获得其他的附图。图1为本专利技术实施例公开的一种人群密度分析方法流程示意图；图2为本专利技术实施例公开的一种轻量化神经网络模型结构示意图；图3为本专利技术实施例公开的一种人群密度分析系统结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例公开了一种人群密度分析方法，参见图1和图2所示，该方法包括：S11：接收识别图像。可以理解的是，识别图像可以为通过摄像头等图像拍摄设备获取，由于本专利技术实施例的轻量化神经网络模型是对识别图像中的人头进行识别，因此，图像拍摄设备应该放置在能够获取人头图像的位置，识别图像中尽可能包含人头图像，以便后续对图像中出现的人物进行人群密度分析。S12：利用预先训练得到的轻量化神经网络模型对识别图像中出现的人数进行识别，得到人群密度。具体的，利用历史识别图像进行训练得到的轻量化神经网络模型，能够有效的对识别图像中出现的人头进行识别，轻量化神经网络模型对识别图像进行识别，能够得到识别图像中的人头数量，间接得到识别图像中的人数，得到识别图像中的人数后，可以根据识别图像的像素数量和人头所占的像素比得到相应的人群密度，或者根据识别图像对应的测量区域和人头在测量区域中相应的占比，得到相应的人群密度。其中，测量区域可以为指定的需要测量人群密度的区域，例如，广场，识别图像不一定需要完整包括整个测量区域，例如，识别图像可以为测量区域的进出口或关键区域等，进而可以根据识别图像的分析出的密度结果，推测整个测量区域的密度或者直接作为测量区域的密度结果。其中，轻量化神经网络模型为利用历本文档来自技高网...

【技术保护点】
1.一种人群密度分析方法，其特征在于，包括：/n接收识别图像；/n利用预先训练得到的轻量化神经网络模型对所述识别图像中出现的人数进行识别，得到人群密度；/n其中，所述轻量化神经网络模型为利用历史识别图像进行训练得到的，所述轻量化神经网络模型包括依次相连的第一卷积层、第一最大池化层和第二卷积层；/n所述第一卷积层包括并列的多个卷积层，所述第一最大池化层分别与所述第一卷积层中每列卷积层连接，所述第二卷积层包括多个依次相连的卷积层；/n所述第一卷积层和所述第二卷积层中的卷积层均为Ghost卷积层。/n

【技术特征摘要】
1.一种人群密度分析方法，其特征在于，包括：
接收识别图像；
利用预先训练得到的轻量化神经网络模型对所述识别图像中出现的人数进行识别，得到人群密度；
其中，所述轻量化神经网络模型为利用历史识别图像进行训练得到的，所述轻量化神经网络模型包括依次相连的第一卷积层、第一最大池化层和第二卷积层；
所述第一卷积层包括并列的多个卷积层，所述第一最大池化层分别与所述第一卷积层中每列卷积层连接，所述第二卷积层包括多个依次相连的卷积层；
所述第一卷积层和所述第二卷积层中的卷积层均为Ghost卷积层。


2.根据权利要求1所述的人群密度分析方法，其特征在于，所述第一卷积层包括3个并列的卷积层；
所述第二卷积层包括依次相连的第一层卷积层、第二层卷积层、第三层卷积层、第四层卷积层、第五层卷积层和第六层卷积层；所述第一层卷积层连接所述第一最大池化层。


3.根据权利要求2所述的人群密度分析方法，其特征在于，所述第二卷积层包括依次相连的第一层卷积层、第二层卷积层、第三层卷积层、第二最大池化层、第四层卷积层、第三最大池化层、第五层卷积层和第六层卷积层；所述第一层卷积层连接所述第一最大池化层。


4.根据权利要求2所述的人群密度分析方法，其特征在于，所述第一卷积层包括通道数分别为10、14和16，卷积核大小分别为9、7和5的卷积层。


5.根据权利要求1至4任一项所述的人群密度分析方法，其特征在于，所述轻量化神经网络模型利用历史识别图像进行训练的过程，包括：
接收所述历史识别图像；
标注所述历史识别图像中每个人头的中心位置，得到每个人头在所述历史识别图像上的人头中心坐标；
基于所述历史识别图像，利用...

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