[发明专利]基于多列卷积神经网络的单张图像人群计数算法

权利要求书

1.一种基于多列卷积神经网络的单张图像人群计数算法，包括以下步骤：

建立多列卷积神经网络，利用样本集对该多列卷积神经网络进行训练，得到待学习参数Θ的估计，使得通过该多列卷积神经网络得到的样本集中任意输入图像x的人群密度估计图F(x；Θ)与该输入图像x的实际人群密度图M(x)间的欧式距离最小，其特征在于：

所述多列卷积神经网络包括子网络一、子网络二、子网络三，同一张输入图像x输入子网络一、子网络二、子网络三后均经过四次卷积和两次池化得到三组不同的特征图，子网络一的卷积的卷积核大小为N₁×N₁，子网络二的卷积的卷积核大小为N₂×N₂，子网络三的卷积的卷积核大小为N₃×N₃，N₁＞N₂＞N₃，三组特征图在通道维度上链接在一起，再用一个1×1的核卷积得到人群的估计密度图，该多列卷积神经网络的损失函数是多列卷积神经网络的第i幅输入图像x_i的人群密度估计图F(x_i；Θ)和多列卷积神经网络的第i幅输入图像x_i的实际人群密度图M(x_i)之间的欧氏距离L(Θ)，式中，N为输入多列卷积神经网络的图像数量，为多列卷积神经网络的参数设定一个初始值后，根据实际的标准密度图算出输入图片的损失：L(Θ)，然后在每一次优化迭代中更新整个网络的参数Θ，直到损失值收敛到一个较小的值。

2.如权利要求1所述的一种基于多列卷积神经网络的单张图像人群计数算法，其特征在于：采用随机梯度下降法在每一次优化迭代中更新整个网络的参数Θ。

3.如权利要求1所述的一种基于多列卷积神经网络的单张图像人群计数算法，其特征在于：输入图像x对应的实际人群密度图M(x)表示为：式中，N为图像中的人数，表示输入图像x中每个像素的位置，x_i为第i个人头在输入图像x中的位置，δ(·)为单位冲击函数，*为卷积操作，为标准差为σ_i的高斯核。