基于多尺度引导注意力机制网络的人群计数方法及系统技术方案

本公开提供了一种基于多尺度引导注意力机制网络的人群计数方法及系统，获取待识别的图像数据；对获取的图像数据进行多尺度特征提取，得到多个特征图，对所有特征图进行融合得到多尺度融合特征图；将获取的各个尺度的特征图和多尺度融合特征图输入到预设的引导注意力机制模型中，得到不同尺度下的注意力特征图；将各个尺度下的注意力特征图进行融合，对融合后的特征图进行密度回归，得到人群密度图，根据人群密度图得到人群计数；本公开通过采用多尺度引导注意力机制来捕获更丰富的多尺度上下文特征信息，能够将局部特征与其相应的全局依赖关系相集成，并以自适应方式突出显示重要的通道信息，极大的提高了人群计数精度。

【技术实现步骤摘要】
基于多尺度引导注意力机制网络的人群计数方法及系统
本公开涉及计算机视觉图像处理
，特别涉及一种基于多尺度引导注意力机制网络的人群计数方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
，并不必然构成现有技术。随着科技水平发展到新的高度，人民的生活质量逐步得到提升。人们经常参加一些大型活动，在这种场景下，但随之而来的安全隐患诸如拥挤、踩踏等对人民生命财产带来巨大的威胁。因此，高密度人群分布场所的安防措施成了保障人民群众生命财产安全的关键性问题。因此，人群计数问题的研究也越来越火热，若能准确估计当前场景的人群密度、及时地检测人群急剧变化，就可以优化公共交通调度、安排相应的安保措施，以此来达到有效的减少或避免此类事件发生的目的。近年来，基于计算机视觉的人群计数取得了巨大的进展。人群计数的目的是预测图像中出现的人数。针对人群计数开发的算法具有多种应用，如视频和交通监控，农业监测(植物计数)，细胞计数，场景理解，城市规划和环境调查。计算机视觉领域已经通过各种方式来处理这个任务：早期的工作基于身体或头部检测器的输出进行计数，或者学习从图像的全局或局部特征到预测计数的映射。但是，这些方法只适用于比较稀疏的人群。在拥挤的场景中，人群计数仍然是一项具有挑战性的任务，因为它存在尺度可变化、遮挡、视角变化、背景杂乱等问题。专利技术人发现，目前一些基于卷积神经网络(CNN，ConvolutionalNeuralNetworks)的方法试图解决这些问题，并取得了不同程度的成功。尽管卷积神经网络推动了人群计数的发展，但这些模型仍存在一些缺陷。首先，使用多尺度方法，由于相似的低级特征在多个尺度上被多次提取，导致信息冗余，尽管金字塔池化、空洞卷积金字塔这些方法可能有助于在不同尺度上捕获对象，但所有图像区域的上下文依赖都是同构的、非自适应的，忽略了局部特征表示和上下文信息之间的依赖关系；其次，无法有效地对远距离特征依赖关系进行提取，从而导致无法精确地进行人群计数。
技术实现思路
为了解决现有技术的不足，本公开提供了一种基于多尺度引导注意力机制网络的人群计数方法及系统，采用多尺度引导注意力机制来捕获更丰富的多尺度上下文特征信息，从而克服了现有的卷积神经网络结构的限制，能够将局部特征与其相应的全局依赖关系相集成，并以自适应方式突出显示重要的通道信息；同时不同模块之间的附加损失会通过引导注意力机制忽略无关信息，并通过强调相关的特征关联来关注图像的人群区域，进而极大的提高了人群计数的精度。为了实现上述目的，本公开采用如下技术方案：本公开第一方面提供了一种基于多尺度引导注意力机制网络的人群计数方法。一种基于多尺度引导注意力机制网络的人群计数方法，包括以下步骤：获取待识别的图像数据；对获取的图像数据进行多尺度特征提取，得到多个特征图，对所有特征图进行融合得到多尺度融合特征图；将获取的各个尺度的特征图和多尺度融合特征图输入到预设的引导注意力机制模型中，得到不同尺度下的注意力特征图；将各个尺度下的注意力特征图进行融合，对融合后的特征图进行密度回归，得到人群密度图，根据人群密度图得到人群计数。作为可能的一些实现方式，引导注意力机制模型中，根据空间注意力和通道注意力，得到加权后的不同尺度下的注意力特征图。作为可能的一些实现方式，通过设置不同的损失函数，引导注意力机制模型在训练中自我调整需要注意的特征信息。作为进一步的限定，根据获取的特征图和多尺度融合特征图，结合引导注意力机制模型的编码-解码器和注意力机制模块，得到各个尺度上的第一注意力损失函数，将各个尺度上的第一注意力损失函数相加后得到组合引导损失。作为进一步的限定，引导编码-解码器的输出与其输入的特征一致或者接近一致，结合重构的特征图以及输入的特征图，得到各个尺度上的第二注意力损失函数，将各个尺度上的第二注意力损失函数相加后得到组合重建损失。作为可能的一些实现方式，将得到的多个特征图进行concate操作，而后进行卷积操作，生成多尺度融合特征图。作为可能的一些实现方式，对人群密度图像素值进行累加求和，得到最终的人群计数的数值。本公开第二方面提供了一种基于多尺度引导注意力机制网络的人群计数系统。一种基于多尺度引导注意力机制网络的人群计数系统，包括：图像获取模块，被配置为：获取待识别的图像数据；多尺度特征提取模块，被配置为：对获取的图像数据进行多尺度特征提取，得到多个特征图，对所有特征图进行融合得到多尺度融合特征图；引导注意力机制模块，被配置为：将获取的各个尺度的特征图和多尺度融合特征图输入到预设的引导注意力机制模型中，得到不同尺度下的注意力特征图；人群计数模块，被配置为：将各个尺度下的注意力特征图进行融合，对融合后的特征图进行密度回归，得到人群密度图，根据人群密度图得到人群计数。本公开第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于多尺度引导注意力机制网络的人群计数方法中的步骤。本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于多尺度引导注意力机制网络的人群计数方法中的步骤。与现有技术相比，本公开的有益效果是：1、本公开所述的方法、系统、介质或电子设备，采用多尺度引导注意力机制来捕获更丰富的多尺度上下文特征信息，从而克服了现有的卷积神经网络结构的限制，能够将局部特征与其相应的全局依赖关系相集成，并以自适应方式突出显示重要的通道信息。2、本公开所述的方法、系统、介质或电子设备，不同模块之间的附加损失会通过引导注意力机制忽略无关信息，并通过强调相关的特征关联来关注图像的人群区域，进而极大的提高了人群计数的精度。本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。附图说明构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。图1为本公开实施例1提供的基于多尺度引导注意力机制网络的人群计数方法的流程示意图。图2为本公开实施例1提供的基于多尺度引导注意力机制网络的计数方法的原理图。图3为本公开实施例1提供的引导注意力机制模块原理图。具体实施方式下面结合附图与实施例对本公开作进一步说明。应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当本文档来自技高网...

【技术保护点】
1.一种基于多尺度引导注意力机制网络的人群计数方法，其特征在于：包括以下步骤：/n获取待识别的图像数据；/n对获取的图像数据进行多尺度特征提取，得到多个特征图，对所有特征图进行融合得到多尺度融合特征图；/n将获取的各个尺度的特征图和多尺度融合特征图输入到预设的引导注意力机制模型中，得到不同尺度下的注意力特征图；/n将各个尺度下的注意力特征图进行融合，对融合后的特征图进行密度回归，得到人群密度图，根据人群密度图得到人群计数。/n

【技术特征摘要】
1.一种基于多尺度引导注意力机制网络的人群计数方法，其特征在于：包括以下步骤：
获取待识别的图像数据；
对获取的图像数据进行多尺度特征提取，得到多个特征图，对所有特征图进行融合得到多尺度融合特征图；
将获取的各个尺度的特征图和多尺度融合特征图输入到预设的引导注意力机制模型中，得到不同尺度下的注意力特征图；
将各个尺度下的注意力特征图进行融合，对融合后的特征图进行密度回归，得到人群密度图，根据人群密度图得到人群计数。


2.如权利要求1所述的基于多尺度引导注意力机制网络的人群计数方法，其特征在于：
引导注意力机制模型中，根据空间注意力和通道注意力，得到加权后的不同尺度下的注意力特征图。


3.如权利要求1所述的基于多尺度引导注意力机制网络的人群计数方法，其特征在于：
通过设置不同的损失函数，引导注意力机制模型在训练中自我调整需要注意的特征信息。


4.如权利要求3所述的基于多尺度引导注意力机制网络的人群计数方法，其特征在于：
根据获取的特征图和多尺度融合特征图，结合引导注意力机制模型的编码-解码器和注意力机制模块，得到各个尺度上的第一注意力损失函数，将各个尺度上的第一注意力损失函数相加后得到组合引导损失。


5.如权利要求3所述的基于多尺度引导注意力机制网络的人群计数方法，其特征在于：
引导编码-解码器的输出与其输入的特征一致或者接近一致，结合重构的特征图以及输入的特征图，得到各个尺度上的第二注意力损失函数，将各个尺度上的第二...

【专利技术属性】
技术研发人员：吕蕾，顾玲玉，谢锦阳，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：山东;37