一种尺度自适应的人群计数方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种尺度自适应的人群计数方法、装置、设备及存储介质，所述方法包括：获取待检测的人群图像；通过深度神经网络对待检测的人群图像进行特征提取，得到不同尺度的第一特征图；对所述不同尺度的第一特征图进行反池化处理，并计算正则项损失和预测损失；根据所述正则项损失和所述预测损失得到所述深度神经网络的损失函数，并对所述损失函数进行迭代优化，得到优化后的深度神经网络；通过所述优化后的深度神经网络对所述待检测的人群图像进行特征提取，得到不同尺度的第二特征图；对所述不同尺度的第二特征图进行预设的运算处理，得到所述待检测的人群图像中的人数。本发明专利技术能够提升在人群尺度变化过大时的计数效果，同时有效降低计算量。同时有效降低计算量。同时有效降低计算量。

【技术实现步骤摘要】
一种尺度自适应的人群计数方法、装置、设备及存储介质


[0001]本专利技术涉及计算机视觉
，尤其涉及一种尺度自适应的人群计数方法、装置、设备及存储介质。

技术介绍

[0002]人群计数是计算机视觉领域的一个重要方向，在防止人潮拥挤发生踩踏、缓解交通阻塞中有着重要作用。现有的人群计数技术是通过预测图片或特征图中的每个像素是人的概率，再求积分得到图片中人数，从而达到人群计数的目的。然而，通过预测图片或特征图中每个像素的方法会在尺度变化过大时，造成密集人群的预测退化成感受野内的人数回归，进而导致模型容易在预测未见过场景时误差较大。
[0003]目前对于人群计数的多尺度问题有以下处理方式：直接通过特征图的每个像素来预测人的个数，但是这种处理方式忽视了尺度变化问题，在尺度变化过大时的效果很差。或者通过对不同感受野的特征图进行融合得到一个特征图(FPN)，虽然这种处理方式能缓解部分问题，但是会大大增加计算量。可以看出，这些处理方式存在不能解决尺度变化过大的问题；或者以增加极大计算量来缓解人群计数的多尺度问题，导致参数量增加、内存需求增加、训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种尺度自适应的人群计数方法，其特征在于，包括：获取待检测的人群图像；通过深度神经网络对所述待检测的人群图像进行特征提取，得到不同尺度的第一特征图；对所述不同尺度的第一特征图进行反池化处理，并计算正则项损失和预测损失；根据所述正则项损失和所述预测损失得到所述深度神经网络的损失函数，并对所述损失函数进行迭代优化，得到优化后的深度神经网络；通过所述优化后的深度神经网络对所述待检测的人群图像进行特征提取，得到不同尺度的第二特征图；对所述不同尺度的第二特征图进行预设的运算处理，得到所述待检测的人群图像中的人数。2.如权利要求1所述的尺度自适应的人群计数方法，其特征在于，所述通过深度神经网络对所述待检测的人群图像进行特征提取，得到不同尺度的第一特征图，具体为：将所述待检测的人群图像输入预设的深度网络结构模型中，得到不同尺度的第一特征图；其中，所述不同尺度的第一特征图为所述预设的深度网络模型结构中不同池化层处理前的特征图。3.如权利要求1所述的尺度自适应的人群计数方法，其特征在于，所述对所述不同尺度的第一特征图进行反池化处理，并计算正则项损失和预测损失，具体包括：对所述不同尺度的第一特征图进行反池化处理，得到反池化处理后的特征图，根据各通道特征图计算正则项损失；将反池化处理后的所有特征图相加，得到输出密度图，计算所述输出密度图与真实密度图之间的预测损失。4.如权利要求3所述的尺度自适应的人群计数方法，其特征在于，所述根据所述正则项损失和所述预测损失得到所述深度神经网络的损失函数，并对所述损失函数进行迭代优化，得到优化后的深度神经网络，具体包括：对所述正则项损失和所述预测损失进行加权求和，得到所述深度神经网络的损失函数；通过梯度下降对所述损失函数进行迭代优化，得到优化后的深度神经网络。5.如权利要求4所述的尺度自适应的人群计数方法，其特征在于，所述正则项损失中的正则项满足以下条件：以及其中，R(x)表示特征图某像素取值为x时的正则...

【专利技术属性】
技术研发人员：胡艳萍，肖传利，
申请(专利权)人：深圳市联洲国际技术有限公司，
类型：发明
国别省市：