[发明专利]模型的构建方法、人群密度估计方法、装置、设备和介质

说明书

本申请实施例公开了一种网络模型的构建方法、人群密度估计方法、装置、设备和存储介质，应用标注的训练样本进行训练，获得预设数量的回归器；将训练样本分别输入至每个回归器，得到对应的人群密度图；确定每个人群密度图和训练样本对应的真实密度图之间的误差，选取误差最小的人群密度图对应的回归器的编号作为训练样本的分类编号；根据训练样本的分类编号和训练样本微调初始分类器，以得到分类器，应用通过分类器分类后的训练样本微调回归器，直至满足预设训练条件时停止，将最新的分类器和回归器作为目标分类器和目标回归器。提高了人群密度估计的准确性，节约了人力物力。

技术领域

本申请实施例涉及计算机视觉技术，尤其涉及一种网络模型的构建方法、人群密度估计方法、装置、设备和存储介质。

背景技术

随着科技的进步和人们生活水平的提高，人们的社交活动逐渐增多，交通枢纽、大型活动现场及大型公共场所人流拥堵越来越严重，由于人流拥堵造成的安全隐患日趋严重。因此，如何自动、实时的，进行人数估计具有重要的研究价值，对于公共事务人员提供有效的事件决策也有深入的指导意义。

现有技术中，通常是对图像设计一系列有针对性的特征，例如LBP(Local BinaryPattern，局部二值模式)、Gabor、HOG(Histogram of Oriented Gradient，方向梯度直方图)和共生矩阵等，以通过这些特征反映出图像的某些潜在特性，在获取到这些特征后，选择一个合适的训练学习方法，例如Adaboost和SVM(Support Vector Machine，支持向量机)等，对特征和人群密度的关系进行拟合，从而对特定场景中的人群密度进行分类，或者是对人群数量进行回归。

但是，这些方法中还需要设计有针对性的特征，这个过程需要耗费大量的人力，而且准确性和有效性较低。

发明内容

本申请提供了一种网络模型的构建方法、人群密度估计方法、装置、设备和存储介质，以解决现有技术中估计人群密度时耗费人力大以及准确性低的问题。

本发明采用如下技术方案：

第一方面，本申请实施例提供了一种网络模型的构建方法，该方法包括：

应用标注的训练样本进行训练，获得预设数量的回归器；

将所述训练样本分别输入至每个回归器，得到每个回归器对应的人群密度图；

确定每个人群密度图和训练样本对应的真实密度图之间的误差，选取误差最小的人群密度图对应的回归器的编号作为所述训练样本的分类编号；

根据所述训练样本的分类编号和所述训练样本微调初始分类器，以得到分类器，应用所述分类器对训练样本进行分类，应用分类后的训练样本微调所述回归器，直至满足预设训练条件时停止分类器和回归器的微调，将最新的分类器和回归器作为预先构建的网络模型的目标分类器和目标回归器。

第二方面，本申请实施例提供了一种人群密度估计方法，该方法包括：

将获取到的视频帧输入至预先构建的深度卷积神经网络模型中，通过所述深度卷积神经网络模型中的分类器确定所述视频帧所属的回归器类别；

应用与所述回归器类别对应的所述深度卷积神经网络模型中的回归器对所述视频帧进行回归分析，得到人群密度图；

所述预先构建的深度卷积神经网络模型基于本申请实施例第一方面所述的网络模型的构建方法确定。

第三方面，本申请实施例提供了一种网络模型的构建装置，该装置包括：

回归器获取模块，用于应用标注的训练样本进行训练，获得预设数量的回归器；

密度图获取模块，用于将所述训练样本分别输入至每个回归器，得到每个回归器对应的人群密度图；