人群计数方法及装置制造方法及图纸

本公开涉及目标检测技术领域，提供了一种人群计数方法及装置。该方法包括：构建特征提取网络、下采样网络、上采样网络、回归网络和分类网络，利用特征提取网络、下采样网络、上采样网络、回归网络和分类网络构建人群计数模型；获取训练数据集，利用训练数据集训练人群计数模型：计算训练数据集中训练样本对应的密度归一化平均精度，基于密度归一化平均精度实现训练样本中预测点与真值点之间的第一次匹配，利用匈牙利算法实现训练样本中预测点与真值点之间的第二次匹配，其中，训练样本的标签包括真值点；利用训练好的人群计数模型检测目标图像中人群的数量。采用上述技术手段，解决现有技术中，密集人群场景下人群计数准确率低的问题。题。题。

【技术实现步骤摘要】
人群计数方法及装置


[0001]本公开涉及目标检测
，尤其涉及一种人群计数方法及装置。

技术介绍

[0002]目前常用的人群计数方法是基于人头位置直接回归进行计数，该方法在头部尺度连续变化或者人群密度较大的情况下，在训练阶段对于标签真值会有混淆（也就是预测点与真值标签的匹配会出现大量错误），导致定位错误，置信度偏低，最终会导致密集人群场景下人群计数准确率低的问题。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下技术问题：密集人群场景下人群计数准确率低的问题。

技术实现思路

[0004]有鉴于此，本公开实施例提供了一种人群计数方法、装置、电子设备及计算机可读存储介质，以解决现有技术中，密集人群场景下人群计数准确率低的问题。
[0005]本公开实施例的第一方面，提供了一种人群计数方法，包括：构建特征提取网络、下采样网络、上采样网络、回归网络和分类网络，利用特征提取网络、下采样网络、上采样网络、回归网络和分类网络构建人群计数模型；获取训练数据集，利用训练数据集训练人群计数模型：计算训练数据集中训练样本对应的密度归一化平均精度，基于密度归一化平均精度实现训练样本中预测点与真值点之间的第一次匹配，利用匈牙利算法实现训练样本中预测点与真值点之间的第二次匹配，其中，训练样本的标签包括真值点；利用训练好的人群计数模型检测目标图像中人群的数量。
[0006]本公开实施例的第二方面，提供了一种人群计数装置，包括：构建模块，被配置为构建特征提取网络、下采样网络、上采样网络、回归网络和分类网络，利用特征提取网络、下采样网络、上采样网络、回归网络和分类网络构建人群计数模型；训练模块，被配置为获取训练数据集，利用训练数据集训练人群计数模型：计算训练数据集中训练样本对应的密度归一化平均精度，基于密度归一化平均精度实现训练样本中预测点与真值点之间的第一次匹配，利用匈牙利算法实现训练样本中预测点与真值点之间的第二次匹配，其中，训练样本的标签包括真值点；检测模块，被配置为利用训练好的人群计数模型检测目标图像中人群的数量。
[0007]本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
[0008]本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0009]本公开实施例与现有技术相比存在的有益效果是：因为本公开实施例通过构建特征提取网络、下采样网络、上采样网络、回归网络和分类网络，利用特征提取网络、下采样网
络、上采样网络、回归网络和分类网络构建人群计数模型；获取训练数据集，利用训练数据集训练人群计数模型：计算训练数据集中训练样本对应的密度归一化平均精度，基于密度归一化平均精度实现训练样本中预测点与真值点之间的第一次匹配，利用匈牙利算法实现训练样本中预测点与真值点之间的第二次匹配，其中，训练样本的标签包括真值点；利用训练好的人群计数模型检测目标图像中人群的数量，因此，采用上述技术手段，可以解决现有技术中，密集人群场景下人群计数准确率低的问题，进而提高密集人群场景下人群计数的准确率。
附图说明
[0010]为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0011]图1是本公开实施例的应用场景的场景示意图；图2是本公开实施例提供的一种人群计数方法的流程示意图；图3是本公开实施例提供的一种人群计数装置的结构示意图；图4是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
[0012]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
[0013]下面将结合附图详细说明根据本公开实施例的一种人群计数方法和装置。
[0014]图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括终端设备101、102和103、服务器104以及网络105。
[0015]终端设备101、102和103可以是硬件，也可以是软件。当终端设备101、102和103为硬件时，其可以是具有显示屏且支持与服务器104通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备101、102和103为软件时，其可以安装在如上的电子设备中。终端设备101、102和103可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，终端设备101、102和103上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
[0016]服务器104可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器104可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。
[0017]需要说明的是，服务器104可以是硬件，也可以是软件。当服务器104为硬件时，其可以是为终端设备101、102和103提供各种服务的各种电子设备。当服务器104为软件时，其
可以是为终端设备101、102和103提供各种服务的多个软件或软件模块，也可以是为终端设备101、102和103提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。
[0018]网络105可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙（Bluetooth）、近场通信（Near Field Communication，NFC）、红外（Infrared）等，本公开实施例对此不作限制。
[0019]用户可以通过终端设备101、102和103经由网络105与服务器104建立通信连接，以接收或发送信息等。需要说明的是，终端设备101、102和103、服务器104以及网络105的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本公开实施例对此不作限制。
[0020]图2是本公开实施例提供的一种人群计数方法的流程示意图。图2的人群计数方法可以由图1的计算机或服务器，或者计算机或服务器上的软件执行。如图2所示，该人群计数方法包括：S201，构建特征提取网络、下采样网络、上采样网络、回归网络和分类网络，利本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人群计数方法，其特征在于，包括：构建特征提取网络、下采样网络、上采样网络、回归网络和分类网络，利用所述特征提取网络、所述下采样网络、所述上采样网络、所述回归网络和所述分类网络构建人群计数模型；获取训练数据集，利用所述训练数据集训练所述人群计数模型：计算所述训练数据集中训练样本对应的密度归一化平均精度，基于所述密度归一化平均精度实现所述训练样本中预测点与真值点之间的第一次匹配，利用匈牙利算法实现所述训练样本中所述预测点与所述真值点之间的第二次匹配，其中，所述训练样本的标签包括所述真值点；利用训练好的所述人群计数模型检测目标图像中人群的数量。2.根据权利要求1所述的方法，其特征在于，所述特征提取网络内部网络从前到后依次为：一个第一膨胀卷积层，并行的所述第一膨胀卷积层、第二膨胀卷积层、第三膨胀卷积层和第四膨胀卷积层，两个第一普通卷积层，一个所述第一普通卷积层。3.根据权利要求1所述的方法，其特征在于，构建特征提取网络，包括：将所述特征提取网络的输入经过第一膨胀卷积层处理，得到第一特征；将所述第一特征分别经过所述第一膨胀卷积层处理、第二膨胀卷积层处理、第三膨胀卷积层处理和第四膨胀卷积层处理，得到第二特征、第三特征、第四特征和第五特征；将所述第二特征和所述第三特征经过第一普通卷积层处理，得到第一聚合特征，将所述第四特征和所述第五特征经过所述第一普通卷积层处理，得到第二聚合特征，将所述第一聚合特征和所述第二聚合特征经过所述第一普通卷积层处理，得到第三聚合特征，其中，所述第三聚合特征是所述特征提取网络的输出。4.根据权利要求1所述的方法，其特征在于，所述下采样网络由多个多倍下采样层串行连接组成，其中，多倍下采样层是由第二普通卷积层构成的，所述下采样网络的输入是所述特征提取网络的输出，所述下采样网络的输出是所述上采样网络的输入。5.根据权利要求1所述的方法，其特征在于，构建上采样网络，包括：将所述下采样网络的输出记作第六特征，所述下采样网络的输出是所述上采样网络的输入；将所述下采样网络的输出经过多倍上采样层处理，得到第七特征，其中，所述多倍上采样层是由第二普通卷积层构成的；将所述第七特征和所述下采样网络的多个多倍下采样层中与所述第七特征尺寸相同的输出经过所述第二普通卷积层处理，得到第八特征，其中，所述第八特征是所述上采样网络的输出，所述上采样网络的输出是所述回归网络和所述分类网络的输入。6.根据权利要求...

【专利技术属性】
技术研发人员：程剑杰，
申请(专利权)人：北京龙智数科科技服务有限公司，
类型：发明
国别省市：