[发明专利]基于卷积神经网络的人群密度分布估计方法

说明书

本发明涉及一种基于卷积神经网络的人群密度分布热度图生成方法，将人群图片集分为训练样本集及测试样本集，利用全卷积神经网络架构进行人群标签图像分割，利用卷积神经网络进行人数回归；并通过多尺度模板运算对密度图进行纠正，根据修正后的密度图和回归人数，生成人群密度分布热度图，完成人群密度分布估计。本发明利用全卷积神经网络强大的学习能力，提取图像的深层特征，进行准确的人群分割，克服了传统方法的密度计算对于全图特征的低效性和盲目性；通过多尺度的模板纠正，一定程度上克服了人群远近的透视效应；针对估计人数做映射，不同摄像头的热度图具可横向对比，适用于多种人群场景，能够实时获取人群密度分布热度图。

技术领域

本发明涉及人群密度分布估计技术领域，特别涉及一种基于卷积神经网络的人群密度分布估计方法。

背景技术

公共场所的人群密度是涉及公共场所客流状况及安全问题的一个关键指标，伴随着智能监控的技术发展，从摄像头视频数据直接生成人群密度热度图的方法研究具有重要的现实意义和社会价值。传统的人群密度分布方法主要包括两类：一、基于视频监控中运动信息的前景分割、特征提取及人数回归的方法；二、基于单张图片子区域提取特征值，对每个子区域从多种不同而互补的源进行人数估计，并求出图片中总人数的方法。以上传统方法在理想条件下可以取得较好的检测效果，但是在出现下面复杂的场景时，往往会表现出很差的性能，方法一只能针对运动的人群做估计，如果人群静止则会误判为背景，人群估计数就会明显少于实际人数。方法二也有明显不足，如在人群密度较低时，多源特征的提取误差变大，如常用的傅里叶分析方法往往失效。现有技术中基于灰度共生矩阵等纹理特征的人群密度估计方法，即在图像的多个方向上计算训练样本的灰度共生矩阵，并计算其对应的度量指标例如对比度、均匀程度、熵等表征为特征向量，再运用主成分分析等方法，并通过线性回归分析，建立线性回归方程，用以对待测样本进行估计，其容易对无人区域误判，同时当人群密度较低时，无法得到有效的纹理信息，无法对低密度区域做出正确的估计。

发明内容

针对现有技术中的不足，本发明提供一种基于卷积神经网络的人群密度分布估计方法，运用深度卷积神经网络进行特征学习，能够深刻揭示海量数据中承载的信息，达到更准确的数据效果，且对尺度、旋转及角度转换、光照变化均具有很好的鲁棒性，适用于多种人群场景，能够实时获取人群密度分布热度图。

按照本发明所提供的设计方案，一种基于卷积神经网络的人群密度分布估计方法，具体包含如下步骤：

步骤1.选取不同场景人群图像数据集，对单个图片中的人群位置进行像素级标注并统计人数，生成标签信息，标签信息包括：标签图像和人数标签，其中，标签图像中人群部分像素标记为目标灰度值；将图像数据集中原图及其对应的标签信息分成两部分，一部分作为训练样本集，另一部分作为测试样本集，每个样本集中的样本包括一张图像、相应的标签图像以及人数标签；

步骤2.构建人群分割全卷积神经网络和人数回归卷积神经网络；并利用训练样本集，离线学习全卷积神经网络参数及卷积神经网络参数，得到相应的网络模型；

步骤3.利用训练好的网络模型，得到输入图像的人数和人群标签图；

步骤4.根据选取图片对应的摄像头高度和倾斜角设计纠正模板，对人群标签图进行多尺度模板卷积和蒙版运算，生成密度图像；

步骤5.根据密度图像和人数，生成人群密度热度图，进行人群密度分布的估计。

上述的，步骤1中人群位置进行像素级标注并统计人数，具体包含：对单个图片中有人的位置像素表示为1，没有人群的位置像素表示为0，生成标签信息，其中，标签信息中的标签图像采用带调色板的检索图片表示。

上述的，步骤2学习人群分割全卷积神经网络参数具体包含如下内容：

步骤2.1.1、建立全卷积神经网络结构，包含七组卷积和五次池化，利用训练样本集，学习人群分割估计函数F(x,Θ)，其中，x为训练样本集中输入图像，Θ为网络学习参数；