一种基于深度多尺度生成对抗网络的人群计数方法技术

本发明专利技术提供一种基于深度多尺度生成对抗网络的人群计数方法，包括如下步骤：选取训练数据集记为Train，其中包含人群图片集X和对应的真实密度图集Y两部分；设计对抗网络模型M，将M分为G和A两个模型，其中模型G是深度多尺度的全卷积模型，模型A是全连接神经网络模型；利用训练数据Train对模型M进行训练，拟合已构建的模型在训练数据L上的误差，保存最佳的G模型；将需要预测的人群图片输入到步骤3中保存的G模型，映射出密度图并估计出人群总数。本发明专利技术首先利用深度多尺度模型将人群图映射为密度图之后，又将真实的密度图与映射得到的密度图进行判别，从而进一步提高生成模型的质量和增加人数预测的准确率。增加人数预测的准确率。增加人数预测的准确率。

【技术实现步骤摘要】
一种基于深度多尺度生成对抗网络的人群计数方法


[0001]本专利技术涉及计算机视觉
，具体涉及一种基于深度多尺度生成对抗网络的人群计数方法。

技术介绍

[0002]随着城市人口的迅速增长和城市化进程的加快，导致了体育赛事、政治集会、交通和通讯等群众性活动增加。人群计数和人群密度估计对于城市规划、人群控制、人群安全检测和视频监控的应用价值日益凸显。
[0003]从图像或视频中准确地估计人群数目已成为计算机视觉技术在人群控制和公共安全中的重要应用。在公共集会、体育赛事等场景中，参与人数或人数密度是未来活动规划和空间设计的重要信息。良好的人群计数方法也可以扩展到其他领域，例如，从微观图像中计数细胞或细菌，估计野生动物保护区的动物群体，或估计交通枢纽或交通堵塞的车辆数量，等等。
[0004]人群控制和公共安全等有着密切的联系，如何从监控中准确的估计出人群总数至关重要，研究者们广泛地关注着这个问题。目前的人群计数方法从输出目标图像中的人数发展到用密度图显示人群分布特征，因为人群分布的密度图能获得更全面的信息，这对于在高风险环境中做出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度多尺度生成对抗网络的人群计数方法，其特征在于：包括如下步骤：步骤1、选取训练数据集记为Train，其中包含人群图片集X和对应的真实密度图集Y两部分；步骤2、设计对抗网络模型M，将M分为G和A两个模型，其中模型G是深度多尺度的全卷积模型，模型A是全连接神经网络模型；步骤3、利用训练数据Train对模型M进行训练，拟合已构建的模型在训练数据L上的误差，保存最佳的G模型；步骤4、将需要预测的人群图片输入到步骤3中保存的G模型，映射出密度图并估计出人群总数。2.如权利要求1所述的基于深度多尺度生成对抗网络的人群计数方法，其特征在于：步骤2中，设人群图片集中的第k张图片为x
k
∈X，k＝1,2,...,n；第i层卷积的第j个卷积核为W
ij
，则G模型的计算结果为：output＝x
k
*W
ij
；G模型中包括前端卷积模型、3个卷积支路和后端卷积模型三部分。3.如权利要求2所述的基于深度多尺度生成对抗网络的人群计数方法，其特征在于：步骤2中，A模型中，包含一个自适应最大池化层，将输入的密度图调整到相同的尺寸，还包含4个全连接层，其中最后一个全连接层包含1个神经元，使用sigmoid函数进行激活，使映射结果仅包含两种情况，即真和假，其中真记作1，假记作0。4.如权利要求3所述的基于深度多尺度生成对抗网络的人群计数方法，其特征在于：步骤3中，设x
k
对应的真实密度图为y
k
∈Y，k＝1,2,...,n，使用训练样本集Train学习深度多尺度生成对抗模型M的过程为：(1)初始化G模型和A模型的参数；(2)固定模型A的参数，将x
k
输入到模块G中映射出密度图G(x
k
)，再把G(x
k
)输入到A模型中得到判别结果A(G(x
k
))；将真实密度图y
k
输入...

【专利技术属性】
技术研发人员：贾富海，王锐，张东松，毛凤翔，谈敦铭，高涛，
申请(专利权)人：信阳学院，
类型：发明
国别省市：