一种群体迁移计数方法及系统技术方案

本发明专利技术实施例提供一种群体迁移计数方法及系统，采用了多阶特征提取模块，旨在面对不同视觉计数场景时，增强特征提取的分辨率，采用了切分融合模块，通过根据局部特征分类计数和回归计数表现，决定计算每阶段的局部特征是否应该被切分。通过分类和回归计数，构建适应于群体计数的背景域迁移模型；沿着多阶特征进行切分处理，并针对局部特征进行计数的基本思想，实现了模型针对多应用场景的泛化能力。提升了模型对于极端条件下的抗干扰性，补足了当前主流视觉计数模型只利用单一卷积网络实现视觉计数的缺陷。视觉计数的缺陷。视觉计数的缺陷。

【技术实现步骤摘要】
一种群体迁移计数方法及系统


[0001]本申请实施例涉及计算机
，特别涉及一种群体迁移计数方法及系统。

技术介绍

[0002]随着视频监控、医疗器械、智能制造和智慧城市等领域的兴起，越来越多的研究人员将他们的研究视角聚焦于群体计数的研究中。既利用相机作为传感器，通过获取群体场景的视觉信息实现群体计数。大量的前人实验中已经证实了，群体计数模型在社会安全和控制管理等领域扮演了重要的角色。
[0003]目前，群体计数模型的研究主要分为四类：基于检测的计数模型；基于回归的计数模型；密度估计计数模型和基于卷积神经网络的密度估计计数模型。基于检测的计数模型主要应用了滑窗法实现视觉计数。当面对高强度密集人群的场景中，基于检测的计数模型的效果会大打折扣。基于回归的计数模型首先提取视觉信息中的纹理、梯度、边缘特征。特征提取阶段之后，进一步使用线性和高斯混合回归等回归手段映射特征道计数模型中。虽然回归的计数模型虽然可以解决遮挡和背景杂质问题，但通常忽视了空间信息。密度估计模型通过拥挤先验信息构建局部特征和视觉密度图之间的映射关系，实现场景的计数。密度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种群体迁移计数方法，其特征在于，包括：步骤S1、获取视觉图像信号；步骤S2、将所述视觉图像信号输入至预先训练好的切分融合深度编
‑
解码网络，根据所述切分融合深度编
‑
解码网络的特征提取网络提取所述视觉图像信号的多阶特征；步骤S3、确定所述多阶特征中每阶特征用于预设计数模型时的分类结果、回归结果和阶段重要性分数；步骤S4、对所述多阶特征的分类结果、回归结果和阶段重要性分数进行融合得到计数结果。2.根据权利要求1所述的群体迁移计数方法，其特征在于，所述步骤S2中，所述特征提取网络包括VGG
‑
16网络；所述VGG
‑
16网络包括64、128、256、512、512个卷积神经元构建的五阶特征提取网络。3.根据权利要求2所述的群体迁移计数方法，其特征在于，所述步骤S3具体包括：构建切分融合网络，依次选取低阶特征构建分类计数模块、重要性打分模块和回归计数模块：步骤S31：构建视觉特征的分类计数模块，得到计数器C
i
‑1，计算步骤为：C
i
‑1＝Cov2(Relu(Cov1(F
i
‑1)))其中，Cov2为第一层卷积层,Cov1为第二层卷积层，Relu为非线性激励函数,F
i
‑1为第i
‑
1阶特征；为低阶视觉特征的分类计数模块打分，是用每阶段特征的计数器C
i
‑1，通过Softmax非线性算子计算，得到每阶特征的重要性分数ψ
i
‑1；计算公式为：ψ
i
‑1＝Softmax(C
i
‑1)步骤S32：构建视觉特征的密度计数模块，首先采用上采样操作实现低阶特征到高阶特征的编码操作，保持低阶特征i
‑
1的维度与高阶特征i的维度的一致性；构建高阶计数器更新模块，利用步骤S31公式中采用两层卷积层一层非线性池化层实现高阶计数器C
i
的更新，高阶特征算子的计算公式为：F
i
＝Upsample(F
i
‑1)其中，Upsample为上采样层；得到高阶特征算子后，使用平均池化层保留更多的视觉特征信息，并经过两层卷积层和非线性层，得到高阶特征的掩码W
i
；最后利用非线性算子Sigmoid，将掩码限制在[0,1]之间：W
i
＝Sigmoid(Cov2(Relu(Cov1(Avg(F
i
)))))式中，Avg为算数平均函数；步骤S33：构建回归计数模块，利用步骤S31公式中采用两层卷积层一层非线性池化层实现高阶计数器C
i
的更新：C
i
＝Cov2(Relu(Cov1(F
i
)))；根据所述分类计数模块、回归计数模块和重要性打分模块确定所述多阶特征中每阶特征用于预设计数模型时的分类结果、回归结果和阶段重要性分数。4.根据权利要求3所述的群体迁移计数方法，其特征在于，所述步骤S4具体包括：步骤S41：计算C
(0)
中每一列的最大值得到计数器C0，并将最低阶的计数器C0作为初阶的融合特征ρ0：C0＝max(C
(0)
...

【专利技术属性】
技术研发人员：胡睿晗，杨瑞，黎宇弘，
申请(专利权)人：广东省科学院智能制造研究所，
类型：发明
国别省市：