[发明专利]深度感知对象计数

说明书

提供了用于深度感知对象计数的方法和装置，包括计算机程序产品。在一些示例实施例中，可以提供一种方法，该方法包括通过经训练的机器学习模型来处理图像的第一分段和图像的第二分段，第一分段使用基于深度信息而选择的第一滤波器被处理以使得能够形成第一密度图，并且第二分段使用基于深度信息而选择的第二滤波器被处理以使得能够形成第二密度图；通过经训练的机器学习模型将第一密度图和第二密度图组合以形成针对图像的密度图；以及通过经训练的机器学习模型基于密度图来提供输出。还描述了相关的系统、方法和制品。

技术领域

本文中描述的主题涉及机器学习。

背景技术

机器学习技术使得计算机能够学习任务。例如，机器学习可以允许计算机在训练阶段期间学习执行任务。稍后，在操作阶段期间，计算机可以能够执行所学习到的任务。机器学习可以采用神经网络的形式，诸如深度学习神经网络、卷积神经网络(CNN)、状态矢量机、贝叶斯分类器和其他类型的机器学习模型。

发明内容

提供了用于深度感知对象计数的方法和装置，包括计算机程序产品。

在一些示例实施例中，可以提供一种方法，该方法包括通过经训练的机器学习模型来处理图像的第一分段和图像的第二分段，第一分段使用基于深度信息而选择的第一滤波器被处理以使得能够形成第一密度图，并且第二分段使用基于深度信息而选择的第二滤波器被处理以使得能够形成第二密度图；通过经训练的机器学习模型将第一密度图和第二密度图组合以形成图像的密度图；以及通过经训练的机器学习模型基于密度图来提供输出，该输出表示图像中的对象的数量的估计。

在一些变体中，本文中公开的包括以下特征在内的特征中的一个或多个特征可以可选地以任何可行的组合被包括。经训练的机器学习模型可以接收包括多个对象的图像，其中图像基于深度信息被至少分段为第一分段和第二分段。深度信息可以从被训练为从图像输出深度信息的另一机器学习模型来接收。经训练的机器学习模型可以包括多列卷积神经网络，该多列卷积神经网络包括第一卷积神经网络和第二卷积神经网络。第一卷积网络可以包括第一滤波器。第二卷积网络可以包括第二滤波器。第一滤波器和第二滤波器每个均包括卷积层。深度信息可以指示第一分段和/或第二分段的位置。深度信息可以指示归因于距相机的距离的对象大小。深度信息可以指示第一滤波器的第一滤波器大小和第二滤波器的第二滤波器大小。经训练的机器学习模型可以基于深度信息来选择第一滤波器的第一滤波器大小和第二滤波器的第二滤波器大小。训练可以基于参考图像，使得机器学习模型训练以学习密度图的生成。多个对象可以包括多个人、多个车辆和/或一群人。第一密度图可以估计第一分段中的对象的密度。第二密度图可以估计第二分段中的对象的密度。密度图可以估计图像中的对象的密度。

上述方面和特征可以根据期望配置在系统、装置、方法和/或制品中实现。本文中描述的主题的一个或多个变体的细节在附图和以下描述中阐述。根据说明书和附图以及根据权利要求书，本文中描述的主题的特征和优点将是明显的。

附图说明

在附图中，

图1描绘了根据一些示例实施例的包括人群和对应的密度图的图像的示例；

图2A描绘了根据一些示例实施例的卷积神经网络(CNN)的示例；

图2B描绘了根据一些示例实施例的CNN的另一示例；

图3A描绘了根据一些示例实施例的用于神经网络的神经元的示例；

图3B描绘了根据一些示例实施例的包括至少一个神经元的神经网络的示例；

图4描绘了根据一些示例实施例的多列卷积神经网络(MCCNN)；

图5A至图5D描绘了根据一些示例实施例的用于确定对象计数的过程流程；

图6描绘了根据一些示例实施例的装置的示例；以及