【技术实现步骤摘要】
本专利技术涉及图像处理领域，尤其是一种基于图像自适应恢复的雾天场景人群计数系统及方法。
技术介绍
1、近年来人群计数技术已在多个应用场景中展现其重要性，尤其是在智能视频监控领域。众多研究集中在晴朗天气条件下的人群计数分析，并且取得了显著的成果。然而，在雾天等复杂天气条件下，由于颜色退化和图像对比度降低等因素的影响，这些针对晴朗天气条件开发的方法往往无法达到预期的效果。目前，针对雾天场景下的人群计数研究虽然有所进展，但这些方法主要侧重于通过注意力机制增强模型在雾天场景中的特征提取能力，从而实现端到端的人群数量预测。这些方法大多忽略了根据天气条件对图像进行针对性增强的重要性，这可能导致无法充分恢复原始模糊物体中的潜在信息。此外，其他一些在雾天场景下进行的计算机视觉任务，如雾天目标检测，目标检测任务经常被分解为两个独立的阶段：去雾处理和目标检测。这种方法或者将其看作是域适应问题来处理。这些技术通常依赖于在去雾阶段进行大量的人工标注，或者依赖于设计复杂的域适应策略。这样不仅增加了工作的复杂性，而且在需要更高层次的推理功能的应用场景中，例如在雾天内进行人群计数任务时，这些方法可能会受到限制。
技术实现思路
1、本专利技术需要解决的技术问题是提供一种基于图像自适应恢复的雾天场景人群计数系统及方法。对雾天场景图像进行自适应地增强以降低雾天气因素对雾天人群计数性能的负面影响，从而实现对雾天场景图像中的人群数量进行精准预测。
2、为解决上述技术问题，本专利技术所采用的技术方案是：一种基于
3、本专利技术技术方案的进一步改进在于：系统各模块具体组成结构如下：
4、图像自适应恢复模块：包括去雾子模块和像素增强子模块，其中去雾子模块包括四个卷积层和元素乘法、元素减法及元素加法操作，其中第一卷积层卷积核的尺寸为1×1、第二卷积层卷积核的尺寸3×3、第三卷积层卷积核的尺寸5×5、第四卷积层卷积核的尺寸7×7；像素增强子模块包括参数学习单元、全局特征调整单元和图像调整单元，其中参数学习单元包括三个卷积层、一个平均池化层，第一卷积层的卷积核尺寸为7×7，第二、第三卷积层卷积核尺寸均为3×3；全局特征调整单元中包含一个全连接层；图像调整单元中包括用于提取图像的基础特征的主干网络，主干网络为三个卷积层，卷积核是尺寸均为1×1；
5、双分支特征引导模块：包括清晰化计数子模块、雾天计数子模块和雾天鲁棒损失项；其中清晰化计数子模块、雾天计数子模块由两个并行vgg-19网络的前16层和5个最大池化层组成，从输入到输出均依次为两个卷积层、一个池化层、两个卷积层、一个池化层、四个卷积层、一个池化层、四个卷积层、一个池化层、四个卷积层和一个池化层，每个卷积层的卷积核尺寸均为3×3，从输入到输出方向各卷积层通道数依次为64、64、128、128、256、256、256、256、512、512、512、512、512、512、512和512，五个最大池化层步长均为2；雾天鲁棒损失项lhr计算公式为：
6、
7、式中，gap表示全局平均池化操作；
8、频域注意融合模块：包括二维离散余弦变换层、平均池化层、两个全连接层、relu层和sigmoid层；
9、人群密度图回归模块：包括三个卷积层，第一卷积层卷积核尺寸为3×3，第二卷积层卷积核尺寸为3×3，第三卷积层卷积核尺寸为1×1，卷积层的通道数由输入至输出方向依次为256、128和1。
10、本专利技术技术方案的进一步改进在于：所述计数系统使用前利用若干张雾天场景图像和真实人群密度图对建立的计数系统进行训练，训练过程中使用贝叶斯损失作为真实人群密度图和生成的人群密度图的人群计数损失项，并结合使用雾天鲁棒损失项lhr，形成总损失函数为lwhole＝lc+λlhr使lwhole损失最小
11、为优化训练目的进行训练；具体人群计数损失项表示为：
12、
13、
14、
15、式中，γ(·)是距离函数，e[cn]表示第n个人的计数期望，dest表示估计的密度图，p(yn|xm)表示每个像素出现人的后验概率，n(xm:；zn,σ212×2)表示在xm处评估的二维高斯分布，xm表示每个目标在图像中的位置分布，yn表示目标标签，m表示每个密度图里的像素数量，n表示每张图像训练样本的总人数；
16、建立基于图像自适应恢复的雾天场景人群计数系统的总损失函数lwhole表示为：
17、lwhole＝lc+λlhr
18、具体地，人群计数损失项lc用于衡量估计人数和真实人数的误差距离，雾天鲁棒损失项lhr来衡量生成特征和特征之间的分布差异，λ为两损失项的权重系数，通过模型训练确定。
19、本专利技术技术方案的进一步改进在于：具体训练方法为建立一种基于图像自适应恢复的雾天场景人群计数系统，所建立系统中双分支特征引导模块的参数由两个并行的预训练vgg-19前十六层卷积层初始化，其他模块参数随机设定一个初始值，在每次使用计数系统得到图像样本的生成人群密度图之后，根据总损失函数lwhole对比真实人群密度图和生成人群密度图确定计数系统的每一次迭代误差，将计数系统每一次的误差反向传播，调整所述人群计数系统的参数，对所述一种基于图像自适应恢复的恢复雾天图像人群计数系统进行优化；采用adam优化算法在每一次优化迭代中更新参数，直到损失函数收敛到一个较小的值，保存参数及训练后的计数系统。
20、一种基于图像自适应恢复的雾天场景人群计数方法具体步骤如下：
21、步骤1：获取待处理的雾天场景人群图像；
22、步骤2：将待处理的雾天场景人群图像输入到图像自适应恢复模块进行清晰化恢复，得到清晰化图像；
23、步骤3：将待处理的雾天场景人群图像和清晰化图像输入到双分支特征引导模块进行初始特征提取，得到雾天场景初始特征和清晰化初始特征；
24、步骤4：将雾天场景初始特征和清晰化初始特征输入到频域注意融合模块进行融合得到高级语义特征；
25、步骤5：将高级语义特征输入到密度图回归模块进行密度图回归，得到人群密度图；
26、步骤6：将人群密度图的像素值进行求和，得到人群计数结果。
27、本专利技术技术方案的进一步改进在于：步骤2具体步骤如下：
28、步骤2.1：将雾天场景图像输入到去雾子模块中，输入到第一卷积层中得到特征图f1；
29、步骤2.2：将f1输入到第二卷积层中进行特征提取，得到特征图f2；
30、步骤2.3：将f1和f2进行通道链接得到特征图f3；
31、步骤2.4：将f3输入到第三卷积层中得到本文档来自技高网...
【技术保护点】
1.一种基于图像自适应恢复的雾天场景人群计数系统，包括用于获取待计数雾天场景图像的获取图像模块，其特征在于：获取图像模块之后设置有依次相连的图像自适应恢复模块、双分支特征引导模块、频域注意融合模块、人群密度图回归模块和用于对人群密度图的像素值进行求和的人群计数模块。
2.根据权利要求1所述的一种基于图像自适应恢复的雾天场景人群计数系统，其特征在于：系统各模块具体组成结构如下：
3.根据权利要求1所述的一种基于图像自适应恢复的雾天场景人群计数系统，其特征在于：所述计数系统使用前利用若干张雾天场景图像和真实人群密度图对建立的计数系统进行训练，训练过程中使用贝叶斯损失作为真实人群密度图和生成的人群密度图的人群计数损失项，并结合使用雾天鲁棒损失项LHR，形成总损失函数为Lwhole＝Lc+λLHR，使Lwhole损失最小为优化训练目的进行训练；
4.根据权利要求3所述的一种基于图像自适应恢复的雾天场景人群计数系统，其特征在于：具体训练方法为建立一种基于图像自适应恢复的雾天场景人群计数系统，所建立系统中双分支特征引导模块的参数由两个并行的预训练VGG-1
5.一种基于图像自适应恢复的雾天场景人群计数方法，其特征在于：应用于权利要求1-4任一权利要求所述的计数系统，具体步骤如下：
6.根据权利要求4所述的一种基于图像自适应恢复的雾天场景人群计数方法，其特征在于：步骤2具体步骤如下：
7.根据权利要求4所述的一种基于图像自适应恢复的雾天场景人群计数方法，其特征在于：步骤3具体步骤如下：
8.根据权利要求4所述的一种基于图像自适应恢复的雾天场景人群计数方法，其特征在于：步骤4具体步骤如下：
...【技术特征摘要】
1.一种基于图像自适应恢复的雾天场景人群计数系统，包括用于获取待计数雾天场景图像的获取图像模块，其特征在于：获取图像模块之后设置有依次相连的图像自适应恢复模块、双分支特征引导模块、频域注意融合模块、人群密度图回归模块和用于对人群密度图的像素值进行求和的人群计数模块。
2.根据权利要求1所述的一种基于图像自适应恢复的雾天场景人群计数系统，其特征在于：系统各模块具体组成结构如下：
3.根据权利要求1所述的一种基于图像自适应恢复的雾天场景人群计数系统，其特征在于：所述计数系统使用前利用若干张雾天场景图像和真实人群密度图对建立的计数系统进行训练，训练过程中使用贝叶斯损失作为真实人群密度图和生成的人群密度图的人群计数损失项，并结合使用雾天鲁棒损失项lhr，形成总损失函数为lwhole＝lc+λlhr，使lwhole损失最小为优化训练目的进行训练；
4.根据权利要求3所述的一种基于图像自适应恢复的雾天场景人群计数系统，其特征在于：具体训练方法为建立一种基于图像自适应恢复的雾天场景人群计数系统，所建立系统中双分支特征引导...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。