适于大景深的人群特征识别网络构建及训练方法技术

一种适于大景深的人群特征识别网络构建及训练方法，网络包括：前端网络采用剔除了全连接层的VGG‑16网络，并且采用3×3的卷积核；前端的VGG‑16网络中，进行了三次最大池化，用以降低特征图的分辨率；后端网络为三层分支网络，它们分别采用空洞率为2和3的空洞卷积。网络的训练步骤包括：1)生成密度图，2)损失函数，3)评估标准。本方案中，加入先验信息的loss：在网络训练时，使用L2距离作为损失函数，传统L2距离作为损失函数存在高估低密度区人群、低估高密度去人群的问题，使用分块计算损失函数的方法，大大减小了这个问题带来的误差，有效的提升了计数准确率。

【技术实现步骤摘要】
适于大景深的人群特征识别网络构建及训练方法
本专利技术涉及计算机视觉中的人群计数领域，具体是一种基于卷积神经网络、针对大景深人群特征的模型构建及训练方法。
技术介绍
人群计数的主要任务是从图像中识别人群特征，准确的计算出图像中的人群数量。早期的人群计数分为基于检测和基于回归的方法。在基于检测的方法中，使用一个滑动窗口检测器来检测场景中人群，并统计相应的人数。基于检测的方法主要分为两大类，一种是基于整体的检测，另一种是基于部分身体的检测。基于整体的检测方法，例如，典型的传统方法，主要训练一个分类器，利用从行人全身提取的小波，HOG，边缘等特征去检测行人。学习算法主要有SVM,boosting和随机森林等方法。基于整体的检测方法主要适用于稀疏的人群计数，但是随着人群密度的提升，人与人之间的遮挡变得越来越严重。所以基于部分身体检测的方法，被用来处理人群计数问题，它主要通过检测身体的部分结构，例如头，肩膀等去统计人群的数量。这种方法比之基于整体的检测，在效果上有略微的提升。基于回归的方法，主要思想是通过学习一种特征到人群数量的映射，这类方法步骤本文档来自技高网...

【技术保护点】
1.一种适于大景深的人群特征识别网络构建及训练方法，其特征是/n所述人群特征识别网络包括：/n网络前端：前端网络采用剔除了全连接层的VGG-16网络，并且采用3×3的卷积核；/n上采样层：前端的VGG-16网络中，进行了三次最大池化，用以降低特征图的分辨率；/n网络后端：后端网络为三层分支网络，它们分别采用空洞率为2和3的空洞卷积，空洞卷积的定义如下：/n

【技术特征摘要】
1.一种适于大景深的人群特征识别网络构建及训练方法，其特征是
所述人群特征识别网络包括：
网络前端：前端网络采用剔除了全连接层的VGG-16网络，并且采用3×3的卷积核；
上采样层：前端的VGG-16网络中，进行了三次最大池化，用以降低特征图的分辨率；
网络后端：后端网络为三层分支网络，它们分别采用空洞率为2和3的空洞卷积，空洞卷积的定义如下：



其中：x(m,n)是长宽分别为M和N的输入图像信息，经过卷积核w(i,j)得到空洞卷积的输出y(m,n)；参数r表示空洞率；如果r＝1，则空洞卷积是普通卷积；
所述人群特征网络的训练步骤包括：
1)生成密度图：
采用脉冲函数卷积高斯核的方式来定义密度图；
假设标注点的位置为xi，则具有N个头的标签设为H(x)；如果假设在一个人头区域的周围，人群的密度是均匀的，它的最近邻给出了一个对于几何形变的合理的估计；
为了使得密度图能够...

【专利技术属性】
技术研发人员：田青，唐绍鹏，
申请(专利权)人：苏州玖合智能科技有限公司，
类型：发明
国别省市：江苏;32