[发明专利]一种基于深度学习的人群计数和密度估计方法

说明书

本发明公开了一种基于深度学习的人群计数和密度估计方法，具体步骤为：1、构建数据集，使用监控摄像头采集场所中的视频数据，整理形成所需要的大规模人群计数和密度估计数据集；2、基于多分支的粗粒度人群计数和密度估计：接受大规模人群计数数据集的数据，使用多分支卷积神经网络结构对视频图像进行粗粒度人群计数和密度估计；3、基于多分支的互信息计算：接受基于多分支的粗粒度预测结果，计算各分支之间的互信息；4、基于互学习策略的细粒度人群计数和密度估计：根据各分支间的互信息，更新网络参数，多次迭代后获取最终准确的人群计数和密度估计结果。通过仿真验证了本发明进一步解决参数冗余，减少过拟合，提高了模型泛化能力。

技术领域

本发明涉及人工智能、深度学习、智能监控、智能安防技术领域，具体涉及一种基于深度学习的人群计数和密度估计方法。

背景技术

在节假日或者举办大型活动时，往往出现大规模人群聚集在公共场所中，经常会出现人群拥堵导致人流缓慢，甚至可能导致踩踏事故发生。这对公共场所的交通管控、治安防范等造成了很大的不便。此外更是有恐怖组织人员利用公共场所人流密集，容易隐藏且影响力大的特点，实施恐怖袭击。人群密度估计成为大规模公共场所安防领域的一个重要研究方向。传统的凭借人力来实现人群监控容易产生疲劳和误判，随着机器视觉研究的快速发展，基于深度学习的人群密度估计研究得到越来越多的关注。它不仅能够节省大量的人力物力，还能够提高密度估计的准确度和稳定性，并在人群密度超过阈值时进行实时报警。

在人群密度估计中，存在严重遮挡，且由于视频图像透视失真，不同位置的行人尺寸也有所不同，这些问题使得人群密度估计极具挑战。为了改善特征表示的尺度不变性，近年来人群计数和密度估计的研究大量采用多分支结构卷积神经网络，使用不同尺度的滤波器进行人群密度估计来处理不同的尺度和分辨率。然而，由于分支间存在大量的冗余参数，现有的多分支网络在不同的分支中表现出几乎相同的尺度特征，严重影响计数精度，导致过拟合。

因此，在基于多分支卷积神经网络的人群计数和密度估计算法中，需要在模型训练时最小化不同分支之间的互信息，从而引导每个分支学习不同的图像特征，并使用互学习策略进一步解决参数冗余，提高模型泛化能力。

发明内容

为了解决上述问题，本发明提供一种基于深度学习的人群计数和密度估计方法。

本发明的一种基于深度学习的人群计数和密度估计方法，包括以下步骤：

步骤1：构建数据集，使用监控摄像头采集场所中的视频数据，对视频中的人进行标注，整理形成所需要的大规模人群计数和密度估计数据集；

步骤2：基于多分支的粗粒度人群计数和密度估计：接受大规模人群计数数据集的数据，通过多分支卷积神经网络，使用不同尺度的卷积核，得到一个粗粒度人群计数和密度估计模型；

步骤3：基于多分支的互信息计算：接受基于多分支的粗粒度预测结果，计算各分支之间的互信息；

步骤4：基于互学习策略的细粒度人群计数和密度估计：根据各分支间的互信息，更新网络参数，多次迭代后获取最终准确的人群计数和密度估计结果。

进一步的，步骤3具体为：

3.1互信息统计网络：根据多分支卷积神经网络结构，设计对应的互信息统计网络；

3.2互信息计算：根据多分支卷积神经网络学习的特征，计算各分支之间的互信息。

进一步的，步骤4具体为：

4.1更新互信息统计网络：使用计算得到的互信息，根据互信息损失函数更新互信息统计网络；

4.2更新多分支卷积神经网络：使用更新后的互信息统计网络参数，根据损失函数更新多分支卷积神经网络；