分层多尺度人群计数的方法技术

本发明专利技术提供了一种分层多尺度人群计数的方法，该方法具体步骤如下：S1：获取数据集；S2：构建层次化多尺度神经网络；S3：训练层次化多尺度神经网络并测试；S4：获取摄像头图像，输入训练好的神经网络进行测试，得到该图片的预测人数。通过上述方式，本发明专利技术能够适用于大规模场景时的人群数量检测，有效的提高检测结果准确性。

【技术实现步骤摘要】
分层多尺度人群计数的方法
本专利技术涉及一种分层多尺度人群计数的方法。
技术介绍
随着国家城市化步伐的加快和城市经济的迅猛发展，旅游事业和人群集会场景增多，但同时伴随而来的还有安全隐患。2014年上海外滩就因人数众多，发生踩踏事件。因此通过设计一种人群计数方法，预测人群数量，对高度拥挤的场景进行预警，可以帮助相关人员进行突发事件事前预警和事后决策，人们的生命和财产安全就可得到保障。目前已有的人群计数主要分为两种：1)基于传统方法的方法，例如支持向量机、决策树等；2)基于深度学习的方法，如MCNN、CSRNet等网神经络方法。以上基于深度学习的人群计数方法均存在一定的局限性。方法1)使用传统方法，复杂度高，精度差；方法2)使用现有神经网络，精度较低等问题。
技术实现思路
本专利技术的目的在于提供一种分层多尺度人群计数的方法。为解决上述问题，本专利技术提供一种分层多尺度人群计数的方法，包括：S1：获取数据集并进行预处理，以得到预处理后的数据集；S2：构建层次化多尺度神经网络本文档来自技高网...

【技术保护点】
1.一种分层多尺度人群计数的方法，其特征在于，包括：/nS1：获取数据集并进行预处理，以得到预处理后的数据集；/nS2：构建层次化多尺度神经网络；/nS3：基于所述预处理后的数据集，训练层次化多尺度神经网络并测试层次化多尺度神经网络有效性；/nS4：获取摄像头图像，输入训练好的层次化多尺度神经网络进行测试，得到所述摄像头图像中的预测人数。/n

【技术特征摘要】
1.一种分层多尺度人群计数的方法，其特征在于，包括：
S1：获取数据集并进行预处理，以得到预处理后的数据集；
S2：构建层次化多尺度神经网络；
S3：基于所述预处理后的数据集，训练层次化多尺度神经网络并测试层次化多尺度神经网络有效性；
S4：获取摄像头图像，输入训练好的层次化多尺度神经网络进行测试，得到所述摄像头图像中的预测人数。


2.如权利要求1所述的分层多尺度人群计数的方法，其特征在于，步骤S1包括：
S11：下载公开数据集；
S12：将所述公开数据集分为测试集和训练集；
S13：将图像数据的宽高像素补充为8的倍数，并按比例调整定位图的位置；
S14：利用高斯核大小为25的高斯函数将定位图处理为密度图。


3.如权利要求1所述的分层多尺度人群计数的方法，其特征在于，步骤S2包括：
S21：前端网络提取特征：以VGG16的feature层作为特征提取层，kernel＝3，采用Conv2d卷积，每个卷积层后都加上Relu激活函数，层数为64、64、128、128，maxpooling(kernel＝2)，256、256、256，maxpooling(kernel＝2)，512、512、512，用此结构提取到特征feature；
S22：加载VGG16预训练参数；
S23：后端主干网络设计。


4.如权利要求3所述的分层多尺度人群计数的方法，其特征在于，步骤S23包括：
S231：后端主干网络为二维卷积，kernel为3，输入网络层数为512，输出网络层数为128，后接Relu激活函数；自定义的注意力模块AT1；最近邻插值上采样，上采样倍数为原数图像两倍；二维卷积，kernel为3，输入网络层数为128，输出网络层数为64，后接Relu激活函数；自定义的注意力模块AT2；最近邻插值上采样，上采样倍数为原数图像两倍；二维卷积，kernel为3，输入网络层数为64，输出网络层数为16，后接Relu激活函数；自定义的注意力模块AT2；最...

【专利技术属性】
技术研发人员：黄良军，祝鲁宁，沈世晖，张亚妮，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：上海;31