[发明专利]一种基于对抗生成网络的目标计数方法

说明书

一种基于对抗生成网络的目标计数方法，模型训练过程的步骤如下：步骤1.1：图片预处理，随机提取原图中若干图像块并缩放为相同大小；步骤1.2：设计鉴别模型，采用卷积神经网络计算图片置信度；步骤1.3：生成模型的设计，同样采用卷积神经网络生成所需密度图；步骤1.4：对抗生成网络的训练，设置两个损失函数L_D和L_G，采用Adam方法分别优化鉴别模型和生成模型；模型使用过程的步骤如下：步骤2.1：密度图的生成，根据训练模型使用生成模型生成密度图步骤2.2：目标计数，根据公式(5)计算目标数量Num。本发明网络架构采用生成模型与鉴别模型以博弈的方式相互优化，从而获得精度较高的密度图。

技术领域

本发明涉及深度学习、目标计数等领域，设计出的网络主要用于生成实现目标计数所需的密度图。

背景技术

机器学习是一门多领域交叉学科，涉及概率论、统计学等多门学科。通过模拟人类的学习行为使计算机能够不断进行自我完善，最终达到比较好的性能，深度学习作为机器学习方法中的一种，其强大的学习能力解决了许多问题，得到了学者们广泛的认可。

目标计数可以应用于生活工作的很多方面，例如交通部门对车流量的监控，社交场所的人流量统计等等。现在有很多基于计算机视觉的方法来实现目标计数，但精度仍有待提高，尤其是在复杂环境下，如目标存在互相遮挡，粘连，部分可见等情况下的精确计数仍是一个难题。因此急需一种适用于复杂环境并且拥有较高的精度的目标计数方法，以便在现实场景中更好的运用计算机视觉来实现目标计数。

要设计出这样的一个方法，关键是设计一个学习能力较强的网络，能够准确识别场景中的目标，从而提升目标计数的准确率。

发明内容

为了克服复杂环境下精确计数的问题，本发明提出一种基于对抗生成网络的网络架构，该网络架构采用生成模型与鉴别模型以博弈的方式相互优化，从而获得精度较高的密度图。

本发明解决其技术问题所采用的技术方案是：

一种基于对抗生成网络的目标计数方法，所述方法包括模型训练过程和模型使用过程；

模型训练过程的步骤如下：

步骤1.1：图片预处理，随机提取原图中若干图像块并缩放为相同大小；

步骤1.2：设计鉴别模型，采用卷积神经网络计算图片置信度；

步骤1.3：生成模型的设计，同样采用卷积神经网络生成所需密度图；

步骤1.4：对抗生成网络的训练，设置两个损失函数L_D和L_G，采用Adam方法分别优化鉴别模型和生成模型；

模型使用过程的步骤如下：

步骤2.1：密度图的生成，根据训练模型使用生成模型生成密度图

步骤2.2：目标计数，根据公式(1)计算目标数量Num：

其中p为各像素值。

进一步，所述步骤1.1中，记一个训练集序列为(S₀,S₁,S₂,……,S_m)，以S₀为例，在S₀中取n个图像块(P₁,P₂,P₃,……,P_n)，取1-2个效果最好，将(S₀,P₁,P₂,P₃,……,P_n)缩放成相同的大小，作为生成模型输入。