[发明专利]一种面向无人机图像的人群聚集密度分析方法

说明书

本发明提供了一种面向无人机图像的人群聚集密度分析方法，能够将密度估计和人群计数分任务并列进行，共享特征信息，提高预测效果；采用基于数据场的人群拥堵点和基于相对密度的拥堵等级可视化方法，全方位地展示人群聚集程度和空间分布状况。无人机图像经过基于多尺度和多任务学习相结合的深度卷积神经网络的人群识别算法处理之后，将得到人群计数的精确结果及人群密度估计结果即概率密度图。人群计数结果可以从数量角度分析人群聚集状态，概率密度图将用于可视化展示过程从空间角度分析人群聚集空间分布。

技术领域

本发明属于计算机应用技术领域，具体涉及一种面向无人机图像的人群聚集密度分析方法。

背景技术

人群聚集密度分析是在行人聚集场所中识别和发现人群分布情况。广场等行人聚集区域往往存在安全隐患，人群聚集密度分析有利于预防和处理踩踏拥挤等事故的。现有人群聚集分析的主要方法有根据动态视频识别行人、在非俯视图中识别行人以及在空中拍摄的俯视图中识别行人。

其中，动态视频识别成本高；非俯视图像涵盖的人群范围小，不能涵盖人群周围环境等整体信息，无法适应无人机图像中大范围的人群分析；在俯视图识别行人的方法中，采用神经网络算法进行人群聚集分析，不存在上述两种方法存在的问题，但是会受到图像大小的限制，对于不同拍摄距离下的人群图像检测效果也不是很理想，并且在可视化的过程中对于标注信息的依赖过大，现有常用的可视化方法是通过自适应高斯核函数生成密度图，这种方法对于标注信息依赖过大，如果不包含标注信息，则无法生成密度图。具体地，在俯视图识别行人的方法中，现有的采用神经网络算法进行人群聚集分析，比如VishwanathA.Sindagi等人设计了一种基于先验和多任务学习相结合的卷积神经网络的人群聚集密度分析方法，用于对俯拍获得的图像进行分析，该方法将人数密集和稀疏的数据集提前分组，然后分开训练模型。该网络中共享特征提取层将训练人数估计模型和密度估计模型分开训练，从而达到多任务的效果，克服了全连接层对于图像大小的限制。但是由于该网络特征提取的尺度是单一的，该网络对于不同大小的图像的识别效果不好。通过密度估计得到的结果以密度图的形式进行可视化展示，可视化效果不好，不够直观。上海科技大学张莹莹等人提出一种基于多列的卷积神经网络结构算法，将人群概率密度图估计的过程分为多个单独的网络结构得到不同的概率密度图，最后进行融合，从而在一定程度上解决了不同距离拍摄的图像识别准确率差异较大的问题。但由于该网络在多个子网络结构间缺乏特征信息的共享，该方法对于近距离的人群识别的MAE与MSE指数仍然高达400，存在较大改进空间，其网络全连接层的操作限制了图像的大小，也为图像预处理增加了难度。该方法通过自适应高斯核函数确定图像中人头像素大小，得到密度图展示，可视化效果有了一定提升，但较多依赖于标注信息，且无法直观展示人群聚集中心点与聚集状态。

可见，现有的基于卷积神经网络算法识别俯视图中行人的方法对于不同大小、不同拍摄距离下的人群图像识别效果并不理想，且人群聚集状态的可视化方法也存在不够直观、对标注信息依赖较大等问题。

发明内容

有鉴于此，本发明提供了一种面向无人机图像的人群聚集密度分析方法，能够将密度估计和人群计数分任务并列进行，共享特征信息，提高预测效果；采用基于数据场的人群拥堵点和基于相对密度的拥堵等级可视化方法，全方位地展示人群聚集程度和空间分布状况。

为实现上述目的，本发明的一种面向无人机图像的人群聚集密度分析方法，采用卷积神经网络对无人机图像进行人群识别提取，包括人群计数部分以及密度估计部分，其中人群计数部分输出为人群计数结果，密度估计部分输出为人群密度估计结果，其中，在卷积神经网络中构建多尺度共享特征提取部分，所述多尺度共享特征提取部分包括特征共享层以及多个不同尺度的输入卷积层，所述输入卷积层用于接收无人机图像，输出对应尺度的特征图；特征共享层用于将多个输入卷积层输出的特征图进行连接，并最终通过卷积操作输出特征图至人群计数部分以及密度估计部分；其中，输入卷积层的数目和各自的大小根据无人机拍摄高度的范围确定；