[发明专利]一种基于卷积神经网络的电影院实时上座率统计方法

权利要求书

1.基于卷积神经网络的电影院实时上座率统计方法，其特征在于，包括如下步骤：

步骤1、在电影院屏幕前固定高清摄像机与红外摄像机，高清摄像机与红外摄像机分别录取现场座位视频，高清摄像机录取彩色视频、红外摄像机录取灰色视频；

步骤2、在录取现场座位视频中用矩形框标出每个座位的位置，并收剪切下该位置的图片；

步骤3、通过人工标定的方法获取无人座位图像与有人座位图像，对这些图像进行预处理与增强获得有效的方形训练图像；

步骤4、将有效图像送入深层卷积神经网络中来训练网络；

步骤5、将训练得到的网络模型在验证集上进行验证，根据结果调整训练集并继续训练步骤4中的深层卷积神经网络；

步骤6、将训练好的网络在测试集上进行测试；

步骤7、实时采集监控视频中步骤2中标定的座位图片，累加识别结果并统计上座率。

2.根据权利要求1所述的方法，其特征在于，重复第4步直至在验证集上的检测准确率达到预期目标或者网络损失函数开始收敛。

3.根据权利要求1所述的方法，其特征在于，截取视频画面中座位的图片，再通过人工分拣出10000张有人座位图片与10000张无人座位图片，将这些图片分为四个图像集：训练集（8000张有人，8000张无人），辅助训练集（1000张有人，1000张无人），验证集（500张有人，500张无人），测试集（500张有人，500张无人）。

4.根据权利要求1所述的方法，其特征在于，步骤4中的深层卷积神经网络包括：

卷积层1，包括100组卷积核，每组卷积核的尺寸为3*3，卷积的步长为1；卷积得到的100幅特征图像经过RELU非线性映射和一个核为2*2步长为2的下采样，再经过一次正则化后得到的100幅特征图送往卷积层2；

卷积层2，包括步骤和卷积层1相同，不同的是：有200组滤波核，每组尺寸为2*2*100，卷积步长为1.其它和卷积层1相同，输出送往卷积层3；

卷积层3，包括步骤和卷积层1相同，不同的是：有300组滤波核，每组尺寸为2*2*200，卷积步长为1.其它和卷积层1相同；输出送往卷积层4；

卷积层，包括步骤和卷积层1相同，不同的是：有400组滤波核，每组尺寸为2*2*300，卷积步长为1.其它和卷积层1相同输出送往全连接层1；

全连接层1，包括500个节点，每个节点都进行一个概率为50%的dropout，每个节点的输出都进行一次RELU非线性映射作为最终输出，结果送往全连接层2；

全连接层2，包括500个节点，操作同全连接层1，结果送往softmax层；

Softmax分类层，包括2个输出分别代表有人和无人。