一种银行大厅人群分布估计方法技术

本发明专利技术涉及一种银行大厅人群分布估计方法，该方法包括：将采集到的银行大厅人群图片输入至主干特征提取网络，提取卷积特征；将主干特征提取网络最后一层输出的浅层特征输入至多尺度注意力特征融合模块，融合其内通道注意力子模块提取出基于注意力感知信息的多尺度注意力特征K

【技术实现步骤摘要】
一种银行大厅人群分布估计方法


[0001]本专利技术涉及人群分布估计
，尤其是涉及一种银行大厅人群分布估计方法。

技术介绍

[0002]当前的银行网点大厅，广告投放位置很大程度靠主观意向，且放置后位置几乎不变，无法保证尽可能多的被潜在客户注意到；同时，随着时间推移，一个网点的业务量也会随着区域经济发展情况的变化而改变，有时需要动态的调整网点硬件设施和人员的配置，以实现资源利用最大化。
[0003]通过监控视频获取网点大厅的人数，实时获取各银行大厅的客户人数，有助于网点配置的动态调整；实时获取网点客户分布情况，也可为广告区的选取提供依据，对于银行网点服务质量的提高具有重要意义。
[0004]现有的银行大厅人群分布估计方法大多是支持向量机、随机森林以及Boosting等方法训练得到检测器，采用滑动窗口遍历图像，提取低层特征检测行人，统计图像中的人数。该类方法在复杂场景下，由于目标间的相互遮挡，检测器无法提取完成行人的特征，因此该精度极低。
[0005]由此可见，针对银行网点大厅复杂背景下，继续设计一个能克服复杂背景和相互遮挡且能实时获取银行网点大厅客户密度及分布情况的高精度密度估计方法。

技术实现思路

[0006]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供了一种银行大厅人群分布估计方法，可有效克服复杂背景和相互遮挡的问题，且能实时精准获取银行网点大厅客户密度及分布情况。
[0007]本专利技术的目的可以通过以下技术方案来实现：
[0008]本专利技术给出了一种银行大厅人群分布估计方法，该方法包括：
[0009]将采集到的银行大厅人群图片输入至主干特征提取网络，提取卷积特征；
[0010]将主干特征提取网络最后一层输出的浅层特征输入至多尺度注意力特征融合模块，融合其内通道注意力子模块提取出基于注意力感知信息的多尺度注意力特征K
A
和多个空洞卷积分支的输出，得到多尺度特征；
[0011]将主干特征提取网络中间层输出的浅层特征和最后一层输出的浅层特征输入至空间注意力模块，生成注意力图A；
[0012]将多尺度特征与注意力图A融合后，通过密度图回归模块回归得到最终密度图。
[0013]优选地，所述主干特征提取网络为VGG
‑
16的前13层；其中，主干特征提取网络倒数第五层和最后一层的特征作为空间注意力模块的输入以生成注意力图A。
[0014]优选地，所述将主干特征提取网络最后一层输出的浅层特征输入至多尺度注意力特征融合模块，融合其内通道注意力子模块提取出基于注意力感知信息的多尺度注意力特
征K
A
和多个空洞卷积分支的输出，得到多尺度特征，包括：
[0015]输入降维后主干特征提取网络最后一层输出的浅层特征Y1，采用空洞率不同的多个空洞卷积分支提取出多尺度空洞卷积特征，其中，多个空洞卷积分支互相融合；
[0016]使用卷积层对多尺度空洞卷积特征和串联后的多尺度空洞卷积特征K进行加权处理，引入激活函数激活，采用逐像素相加的方法融合到每个空洞卷积分支中；
[0017]将串联后的多尺度空洞卷积特征K输入至通道注意力子模块，得到多尺度注意力特征K
A
；
[0018]将多尺度注意力特征K
A
与空洞卷积分支的输出逐像素相乘，得到多尺度特征。
[0019]优选地，所述将串联后的多尺度空洞卷积特征K输入至通道注意力子模块，得到多尺度注意力特征K
A
，包括：
[0020]1)从串联后的多尺度空洞卷积特征K中分别提取全局注意力信息K
g
和局部注意力信息K
l
；
[0021]2)将提取的全局注意力信息K
g
和局部注意力信息K
l
与串联后的多尺度空洞卷积特征K乘，并经激活函数处理后，得到最终的多尺度注意力特征K
A
。
[0022]优选地，所述局部注意力信息K
l
采用平均池化分支和最大池化分支进行提取，计算过程具体为：
[0023]平均池化分支和最大池化分支分别使用平均池化层和最大池化层处理输入特征K，然后使用像素级卷积进行加权处理，并通过ReLU激活函数激活，再引入一个像素级卷积处理后，采用逐像素相加的方法将平均池化分支和最大池化分支的注意力特征融合得到局部注意力信息K
l
。
[0024]优选地，所述全局注意力信息K
g
采用全局平均池化分支进行提取，其计算过程具体为：
[0025]采用全局平均池化将输入特征K通过2D空间维度压缩，生成逐通道的注意力信息流K
′
；
[0026]将注意力信息流K
′
注入到像素级卷积中执行卷积操作，激活后经像素级卷积处理得到全局注意力信息K
g
。
[0027]优选地，所述多尺度注意力特征融合模块包括串联且功能相同的第一多尺度注意力特征融合模块和第二多尺度注意力特征融合模块。
[0028]优选地，所述主干特征提取网络倒数第五层和最后一层的特征作为空间注意力模块的输入以生成注意力图A，具体包括：
[0029]1)将主干特征提取网络输出的浅层特征X与降维后的浅层特征Y1作为输入；其中，浅层特征X与降维后的浅层特征Y1的通道数对齐；
[0030]2)将浅层特征X与降维后的浅层特征Y1逐像素相加后输入双分支结构提取空间注意力信息，将两个分支的输出特征相乘，使用ReLU激活函数激活，得到空间注意力图A；其中，一个分支使用全局平均池化和像素级卷积处理，另一个分支依次经3*3卷积、ReLu激活函数和像素级卷积操作。
[0031]优选地，所述将多尺度特征与注意力图A融合后，通过密度图回归模块回归得到最终密度图，具体为：
[0032]将注意力图A与多尺度注意力特征融合模块中多个空洞卷积分支的输出特征逐像
素相乘，赋予密度图注意力权重，回归生成最终密度图。
[0033]优选地，所述将注意力图A与注意力特征融合模块中多个空洞卷积分支的输出特征逐像素相乘，赋予密度图注意力权重，回归生成最终密度图，具体为：
[0034]将自上而下空洞率分别为1、2、4的三个通道的输出特征与空间注意力图A逐像素相乘，赋予多尺度特征注意力权重，得到加权后的特征H1、H2、H3，分别对应上、中、下三个通道；
[0035]然后密度图回归模块采用阶梯式加权回归策略，进行两阶段融合：1)首先将上通道特征H1使用像素级卷积加权处理、中间通道和下通道特征H2、H3使用3*3卷积处理，并将上通道特征采用逐像素相加的方式融合到中间通道特征；2)将下通道特征使用3*3卷积处理，中间通道特征经ReLU函数激活后使用像素级卷积处理，采用逐像素相加的方式融合到下通道特征，最后经RReLU激活函数激活得到最终密度图M。
[0036]与现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种银行大厅人群分布估计方法，其特征在于，该方法包括：将采集到的银行大厅人群图片输入至主干特征提取网络，提取卷积特征；将主干特征提取网络最后一层输出的浅层特征输入至多尺度注意力特征融合模块，融合其内通道注意力子模块提取出基于注意力感知信息的多尺度注意力特征K
A
和多个空洞卷积分支的输出，得到多尺度特征；将主干特征提取网络中间层输出的浅层特征和最后一层输出的浅层特征输入至空间注意力模块，生成注意力图A；将多尺度特征与注意力图A融合后，通过密度图回归模块回归得到最终密度图。2.根据权利要求1所述的一种银行大厅人群分布估计方法，其特征在于，所述主干特征提取网络为VGG
‑
16的前13层；其中，主干特征提取网络倒数第五层和最后一层的特征作为空间注意力模块的输入以生成注意力图A。3.根据权利要求2所述的一种银行大厅人群分布估计方法，其特征在于，所述将主干特征提取网络最后一层输出的浅层特征输入至多尺度注意力特征融合模块，融合其内通道注意力子模块提取出基于注意力感知信息的多尺度注意力特征K
A
和多个空洞卷积分支的输出，得到多尺度特征，包括：输入降维后主干特征提取网络最后一层输出的浅层特征Y1，采用空洞率不同的多个空洞卷积分支提取出多尺度空洞卷积特征，其中，多个空洞卷积分支互相融合；使用卷积层对多尺度空洞卷积特征和串联后的多尺度空洞卷积特征K进行加权处理，引入激活函数激活，采用逐像素相加的方法融合到每个空洞卷积分支中；将串联后的多尺度空洞卷积特征K输入至通道注意力子模块，得到多尺度注意力特征K
A
；将多尺度注意力特征K
A
与空洞卷积分支的输出逐像素相乘，得到多尺度特征。4.根据权利要求3所述的一种银行大厅人群分布估计方法，其特征在于，所述将串联后的多尺度空洞卷积特征K输入至通道注意力子模块，得到多尺度注意力特征K
A
，包括：1)从串联后的多尺度空洞卷积特征K中分别提取全局注意力信息K
g
和局部注意力信息K
l
；2)将提取的全局注意力信息K
g
和局部注意力信息K
l
与串联后的多尺度空洞卷积特征K乘，并经激活函数处理后，得到最终的多尺度注意力特征K
A
。5.根据权利要求4所述的一种银行大厅人群分布估计方法，其特征在于，所述局部注意力信息K
l
采用平均池化分支和最大池化分支进行提取，计算过程具体为：平均池化分支和最大池化分支分别使用平均池化层和最大池化层处理输入特征K，然后使用像素级卷积进行加权处理，并通过ReLU激...

【专利技术属性】
技术研发人员：王兵，尹东岳，刘东华，吴伟，李英俊，王晓青，曹文虎，管叙鹏，孙晋锰，王帆，
申请(专利权)人：交通银行股份有限公司青岛分行，
类型：发明
国别省市：