[发明专利]一种无人机航拍图片的人群密度估计方法

权利要求书

1.一种无人机航拍图片人群密度估计系统，其特征在于包括：

卷积神经网络模块，为具有跨层连接结构的卷积神经网络，用于对航拍图像中的微小行人目标进行感知，并回归人群密度图，从而得到能够回归人群密度图的原始网络；

剪枝模块，用于基于AP聚类算法的网络剪枝方法对原始网络进行剪枝，同时压缩网络参数并减少卷积运算，得到便于部署的轻量化网络；

估算模块，用于FPGA编程在无人机上实现轻量化网络的人群密度估计算法；

还包括预处理模块，对无人机航拍数据集进行预处理；

(1)划分训练集与测试集；

(2)数据增强：通过左右对称与上下对称的方式进行数据扩张；

(3)根据标注的位置信息生成密度图估计网络的监督信号，标注信息为图片中所有人人头的坐标位置(x，y)，监督信号为根据人头坐标位置生成的人群密度图，

其中(x_i,y_i)为坐标位置，σ为高斯函数的参数，在航拍图像中高斯核扩散参数取σ＝2，D为计算得到的真实密度图；

(4)由于在网络中存在两个下采样层，网络预测的密度图长度、宽度都是原图像的四分之一；

在计算作为监督信号的密度图矩阵时，首先，根据步骤(3)计算出原图像的密度图D(T)；其次，对密度图D(T)进行下采样，得到D_down；最后，由于密度图上所有点数数值之和与图片中人头数目相等，因此对下采样后的矩阵每一点处的数值乘以系数sum(D(T))/sum(D_down)，得到D，即：

其中sum(A)表示对矩阵A中所有元素求和。

2.根据权利要求1所述的无人机航拍图片人群密度估计系统，其特征在于：卷积神经网络模块中密度图回归网络由三个子网络构成，每个子网络包含三列具有不同大小、数量卷积核的卷积网络。

3.根据权利要求2所述的无人机航拍图片人群密度估计系统，其特征在于：所述的卷积网络还具有跨层连接结构，底层特征图倾向感知图片细节信息，高层特征图倾向感知高层语义信息，将底层特征图与高层特征图进行融合，使底层细节特征得以保留和加强。

4.根据权利要求1所述的无人机航拍图片人群密度估计系统，其特征在于：所述的剪枝模块中，对基于卷积核的AP聚类算法结果对原始网络各层的卷积核进行剪枝，其对每一个卷积层剪枝具体为：

判断荣誉模块，通过AP聚类算法判断冗余卷积核；

删除冗余模块，删去冗余卷积核及其对应参数，保留聚类中心对应的卷积核；

训练收敛模块，将删去卷积核后的整体网络训练至收敛。

5.根据权利要求1所述的无人机航拍图片人群密度估计系统，其特征在于所述的卷积神经网络模块，通过具有跨层连接的网络结构对航拍图像人群密度图进行回归：

(1)网络结构通过跨层连接，使浅层的包含大量细节特征的特征图保留到高层，与高层语义特征进行融合，融合采用拼接特征图的方式，用K_p表示第p个子网络对应的非线性映射，用R_q代表第q个子网络的输出特征图，F为最后一层密度图回归卷积层对应的非线性映射，O为输出的人群密度图，则有：

(2)采用欧式损失作为密度图回归的损失函数，其定义如下：

其中，W为整个网络的参数，X_i为输入图片，D为计算出的作为网络回归目标的人头密度图，n是训练数据个数，F(X_i；W)代表网络对输入图片人头密度的估计结果，是整个网络的误差损失；

(3)采用梯度下降算法和误差反传算法来优化训练网络，得到原始稠密网络。