[发明专利]一种更快的基于深度学习的密集目标计数方法

权利要求书

1.一种更块的基于深度学习的密集目标计数方法，其特征是：在基于深度学习的技术上，构建一种新的轻量化神经网络结构，并通过学习生成相似的测试图片的密度图的方式，实现对密集目标的图片进行快速数目统计的目标，其最终的效果在保证较好准确率的同时大大地加快了识别速度，其网络结构的规模远低于其他同类算法。

2.根据权利要求1所述的一种更快的基于深度学习的密集目标技术方法，在数据集制作密度图标签的详细步骤是：对图像上所有目标位置进行人工标记，一般认定为该目标所占像素点区域的重心位置。使某一个目标的标记记作Pi(xi,yi)，并将其表示为δ(x-x_i)，这样对于具有N个目标的的图像I，为了具有物理密度的连续性，进行归一化高斯处理，从而生成相对应的密度图和数值矩阵文件，并作为标签文件。

3.根据权利要求1所述的一种更快的基于深度学习的密集目标技术方法，构建的新的轻量化网络结构具体是：主要分为前后相连的两个部分组成，第一个部分是前期特征提取器，第二个为多尺度特征学习器。对于第一部分由conv-pooling-conv-pooling组成，第一个卷积层为24个大小为5*5的卷积核，第一个池化层是大小为2*2，步长为1的最大值池化层，第二个卷积层为48个大小为3*3的卷积核，第二个池化层同样为大小为2*2，步长为1的最大值池化层。

紧接着第二部分主要由一个多孔空间金字塔池化结构组成，由并行的4个空洞卷积层组成，其区别在于适用不同的采样率参数，分别为2，4，6，8。最后再接一个1×1的卷积生成预测密度图，且所有的卷积函数适用relu函数进行非线性激活。

4.根据权利要求1所述的一种更快的基于深度学习的密集目标技术方法，在训练测试网络的详细步骤是：

(1)创立训练样本

将每一张图片平均分为大小一致、无重叠部分的9份子图片。而对于标签文件，在经过同样操作的处理之后，还需主要保持每一小块密度矩阵的积分值与原图真实数目一致。

(2)训练：首先定义目标函数为带有正则化的均方误差函数如下所示：

然后采用k-折叠交叉验证方法进行训练。将数据集分为k份，一次epoch一共训练k次，每次以k-1份作为训练集，1份作为验证集。最后在网络构建完成之后开始进行对训练图像的自动学习，直到收敛后停止训练，并生成相应的模型文件。

(3)测试：将待测试图片输入到已训练好的网络，并输出相应的密度图，对其数值矩阵进行求和得到最终的测试数目。

(4)评价指标：利用求取平均绝对误差(MAE)和均方误差(MSE)来评估，MAE来评估模型的准确性，MSE来评估模型的鲁棒性，具体计算公式如下所示：

N指图片总数目，z_i和分别代表的真实数目和预测数目。