[发明专利]人群计数模型的训练方法、装置和存储介质

权利要求书

1.一种人群计数模型的训练方法，其特征在于，包括：

获取多个训练样本；其中，每个所述训练样本，均包括原始图像，所述原始图像对应的真实人群计数密度图，以及根据所述原始图像中人群的密集程度确定的真实密集度标签；

利用当前的人群计数模型计算每一个训练样本的原始图像，得到每一个训练样本的估计人群计数密度图，以及得到每一个训练样本的估计密集度；

判断根据当前的人群计数模型的计数损失值和分类损失值计算得到的所述当前的人群计数模型的目标损失值是否满足收敛条件；其中，所述计数损失值根据每一个训练样本的真实人群计数密度图和估计人群计数密度图计算得到，所述分类损失值根据每一个训练样本的估计密集度和真实密集度标签计算得到；

若所述目标损失值不满足所述收敛条件，基于所述目标损失值更新所述人群计数模型的参数，返回执行所述利用当前的人群计数模型计算每一个所述训练样本的原始图像；

若所述目标损失值满足所述收敛条件，输出所述当前的人群计数模型。

2.根据权利要求1所述的训练方法，其特征在于，所述获取多个训练样本，包括：

获取多个初始样本；其中，每一个所述初始样本均包括原始图像，以及预先对所述原始图像中的人物位置进行标注得到的人群位置分布图像；

利用高斯滤波器计算每一个初始样本的原始图像和人群位置分布图像，得到所述初始样本的真实人群计数密度图；

针对每一个初始样本，根据所述初始样本的人群位置分布图中每两个人物位置之间的距离，计算得到所述初始样本的真实密集度；

利用聚类算法对每一个所述初始样本的真实密集度进行分类，从而确定每一个所述初始样本的真实密集度标签；

其中，每一个初始样本的原始图像，真实人群计数密度图以及真实密集度标签，组合为所述初始样本对应的训练样本。

3.根据权利要求2所述的训练方法，其特征在于，所述根据所述初始样本的人群位置分布图中每两个人物位置之间的距离，计算得到所述初始样本的真实密集度，包括：

针对所述人群位置分布图中标注的每一个人物位置，根据所述人物位置与其他人物位置的距离，从近到远地选取与所述人物位置相邻的N个人物位置作为所述人物位置的近邻；

针对所述人群位置分布图中标注的每一个人物位置，根据所述人物位置和所述人物位置的N个近邻之间的距离，计算得到所述人物位置的密集度指标；

根据所述人群位置分布图中每一个人物位置的密集度指标，计算得到所述初始样本的真实密集度。

4.根据权利要求1所述的训练方法，其特征在于，所述根据每一个训练样本的真实人群计数密度图和估计人群计数密度图计算得到当前的人群计数模型的计数损失值的过程，包括：

针对每一个训练样本，计算所述训练样本的估计人群计数密度图每个元素，与真实人群计数密度图中同一位置的元素的差值，得到所述训练样本的人群计数误差矩阵；

计算每一个训练样本的人群计数误差矩阵，得到所述训练样本的计数误差；

计算所有训练样本的计数误差的平均值，得到所述当前的人群计数模型的计数损失值。

5.根据权利要求1所述的训练方法，其特征在于，所述判断根据当前的人群计数模型的计数损失值和分类损失值计算得到的所述当前的人群计数模型的目标损失值是否满足收敛条件，包括：

根据当前的人群计数模型的计数损失值和分类损失值计算得到所述当前的人群计数模型的目标损失值；

计算当前的人群计数模型的目标损失值与前一次迭代的人群计数模型的目标损失值的差值；

判断所述差值的绝对值是否小于预设的阈值；

若所述差值的绝对值小于预设的阈值，则判断出所述当前的人群计数模型的目标损失值满足收敛条件；

若所述差值的绝对值大于或等于所述阈值，则判断出所述当前的人群计数模型的目标损失值不满足所述收敛条件。