一种俯视图像的目标计数方法、系统及存储介质技术方案

本发明专利技术提供一种俯视图像的目标计数方法，其特征在于，包括以下步骤：步骤S1，采集俯视图像并生成图像数据集。步骤S2，利用几何自适应高斯卷积方法对图像数据集进行处理。步骤S3，构建回归计数神经网络模型。步骤S4，将真实密度图集作为训练集输入到回归计数神经网络模型进行监督训练，得到训练完成的回归计数神经网络模型。步骤S5，利用几何自适应高斯卷积方法对待计数图像进行处理。步骤S6，待计数图像的真实密度图输入到训练完成的回归计数神经网络模型。步骤S7，对待计数图像的预测密度图进行积分，得到待计数图像的目标个数。本发明专利技术提供一种俯视图像的目标计数系统。本发明专利技术提供一种俯视图像的目标计数存储介质。一种俯视图像的目标计数存储介质。一种俯视图像的目标计数存储介质。

【技术实现步骤摘要】
一种俯视图像的目标计数方法、系统及存储介质


[0001]本专利技术涉及一种俯视图像的目标计数方法、系统及存储介质。

技术介绍

[0002]随着城市化建设速度的加快，道路车辆数量愈发变多，城市的道路系统也愈加复杂，导致车辆与道路之间的关系变得更难以处理。能够实现准确的车辆计数，了解路面车辆信息，对于现代的道路系统建设与道路交通资源再分配有着重要意义，而常用的基于路口摄像头的车辆计数存在着目标易被遮挡，方向单一的问题。而利用光学遥感技术与无人机航拍技术所得到的俯视视角图像，包含着更广阔的空间范围，可以对大范围道路进行直接监测，得出道路的全局信息，此外，其具有的俯视视角特性减少了车辆被遮挡的可能性，可以提高识别精度，这使得对道路车辆进行系统全面的计数成为可能。
[0003]目前通用的目标计数采用基于检测的计数方法和基于回归的计数方法。基于检测的方法是参考目标检测模型，在计数任务中，都是先生成目标的检测框并给出预测概率值，再对检测框的数量进行统计，得出最终的计数结果；基于回归的方法是参考回归计数模型，直接对整张图像生成预测的密度图，再对密度图进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种俯视图像的目标计数方法，其特征在于，包括以下步骤：步骤S1，采集俯视图像，并生成图像数据集；步骤S2，利用几何自适应高斯卷积方法对所述图像数据集进行处理，得到真实密度图集；步骤S3，构建回归计数神经网络模型；步骤S4，将所述真实密度图集作为训练集输入到回归计数神经网络模型，利用损失函数Loss进行监督训练，当满足训练结束条件，训练结束并得到训练完成的回归计数神经网络模型；步骤S5，利用所述几何自适应高斯卷积方法对所述待计数图像进行处理，得到所述待计数图像的真实密度图；步骤S6，所述待计数图像的真实密度图输入到所述训练完成的回归计数神经网络模型，得到所述待计数图像的预测密度图；步骤S7，对所述待计数图像的预测密度图进行积分，得到所述待计数图像的目标个数，其中，所述回归计数神经网络模型包括基于VGG
‑
16的预训练模块、注意力模块、多尺度适应模块、方向适应模块和结果输出模块，所述所述注意力模块包括卷积层、softmax层和全连接层，所述多尺度适应模块包括多尺度卷积层、池化层和全连接层，所述方向适应模块包括卷积层、可变形卷积层、可变形池化层和全连接层，所述几何自适应高斯卷积方法的计算公式为：式中，N为图像中计数目标的个数，x
i
是所要计数的目标在图像中的坐标，x为坐标变量，为冲激函数，表示图像中计数目标的冲击响应函数，F(x)为所述真实密度图集中的某一真实密度图的像素，为自适应的高斯核，σ
i
为所述高斯核的标准差。2.根据权利要求1所述的一种俯视图像的目标计数方法，其特征在于：其中，所述损失函数Loss的具体表达式为：式中，L(θ)为欧几里得距离，SSIM为图像结构相似性的损失函数，λ为权重参数。3.根据权利要求2所述的一种俯视图像的目标计数方法，其特征在于：其中，所述步骤S2中的所述几何自适应高斯卷积方法包括以下步骤：步骤S2
‑
1，利用K
‑
d树在所述俯视图像中确定三个与计数目标之间的距离最近的临近目标，并计算所述计数目标与三个所述临近目标的平均距离，得到所述自适应的高斯核步骤S2
‑
2，从K
‑
d树端点依次用垂直线和水平线来分割所述俯视图像中，所述俯视图像一侧的点归为左子树，另一侧的点归为右子树，将图像上的无序点划分出树形结构；步骤S2
‑
3，得到所述树形结构后，自上而下遍历的搜索与所述计数目标点的最临近的
点；步骤S2
‑
4，根据所述最临近的点和所述计数目标之间的距离，估算计数目标的大小，并生成真实密度图。4.根据权利要求1所述的一种俯视图像的目标计数方法，其特征在于：其中，所述欧几里得距离L(...

【专利技术属性】
技术研发人员：关佶红，魏畅，刘天颖，杨涵晨，张毅超，周水庚，
申请(专利权)人：复旦大学，
类型：发明
国别省市：