[发明专利]人流密度预测方法及装置、计算机设备及可读介质

权利要求书

1.一种人流密度预测方法，其特征在于，所述方法包括：

获取待预测的图片；

采用预先训练的人流密度估计模型，预测所述待预测的图片中包括的人头数量，所述人流密度估计模型在训练时，包括用于预测人头数量的主干网络单元和用于预测热力图的至少一个分支网络单元，所述分支网络单元的输入特征从所述主干网络单元的中间特征中抽取，以融合有多个尺度的特征一起进行训练；以及所述人流密度估计模型在训练时，所述主干网络单元对训练图片进行多级卷积以得到各维度的中间特征，并预测出所述训练图片中包括的人头总数，所述分支网络单元从所述主干网络单元中抽取部分中间特征作为输入特征，基于抽取的中间特征进行卷积以及特征连接，并预测出相应维度的预估热力图。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

采用所述人流密度估计模型，预测所述待预测的图片的热力图。

3.根据权利要求2所述的方法，其特征在于，获取待预测的图片之后，采用预先训练的人流密度估计模型，预测所述待预测的图片中包括的人头数量之前，所述方法还包括：

将所述待预测的图片的尺寸调整到预设尺寸；和/或

将所述待预测的图片中的各像素点的RGB值减去相应的均值。

4.根据权利要求1-3任一所述的方法，其特征在于，采用预先训练的人流密度估计模型，预测所述待预测的图片中包括的人头数量之前，所述方法还包括：

采集数张包含人头图像的训练图片，且标注每张所述训练图片的已知人头总数；

生成每张所述训练图片的真实热力图；

根据数张所述训练图片、以及每张所述训练图片的已知人头总数和所述真实热力图，训练所述人流密度估计模型。

5.根据权利要求4所述的方法，其特征在于，根据数张所述训练图片、以及每张所述训练图片的已知人头总数和所述真实热力图，训练所述人流密度估计模型，包括：

(1)对于每张所述训练图片，将所述训练图片、对应的已知人头总数以及对应的真实热力图输入至所述人流密度估计模型中，由所述人流密度估计模型的所述主干网络单元输出预测人头总数、各所述分支网络单元分别输出不同尺寸粒度下的预估热力图；

(2)根据所述已知人头总数、所述预测人头总数、所述真实热力图以及不同尺寸粒度下的所述预估热力图，计算所述主干网络单元的损失函数和各尺寸粒度下的所述分支网络单元的损失函数的值；

(3)对得到所有损失函数的值累加得到总损失函数的值；

(4)判断所述总损失函数的值是否大于或者等于预设阈值，若是，调整所述人流密度估计模型中的所述主干网络单元和各所述分支网络单元的所有参数，使得总损失函数的值小于所述预设阈值；

重复采用数张所述训练图片按照上述(1)-(4)的方式对所述人流密度估计模型进行训练，直到所述人流密度估计模型预测的人头总数与所述已知人头总数始终一致、且所述预估热力图与所述真实热力图始终一致，确定所述人流密度估计模型的参数，进而确定所述人流密度估计模型。

6.根据权利要求4所述的方法，其特征在于，生成每张所述训练图片的真实热力图，包括：

对于每张所述训练图片，对所述训练图片中的每个人头进行打点标注，并记录每个打点位置的坐标；

建立与所述训练图片等尺寸的矩阵，将所述矩阵中所有元素初始化为0；根据所述训练图片中每个所述打点位置的坐标，将所述矩阵中对应位置的元素的数值更新为1；以每个所述打点位置为中心，进行高斯模糊处理，获取高斯模糊处理后对应的所述矩阵中每个位置的跳变函数值；在以所有的所述打点位置为中心进行高斯模糊处理后，将每个位置的跳变函数值累加，作为所述矩阵中对应所述位置的元素的数值；根据所述矩阵中各所述位置的元素的数值，生成所述训练图片的真实热力图。