[发明专利]一种基于切换卷积网络的人群计数方法及系统

权利要求书

1.一种基于切换卷积网络的人群计数方法，其特征在于，包括：

对目标图像进行分块，将图像块输入切换卷积神经网络，对其经过分类器根据密度进行分类；

将分类后的图像块通过回归器进行密度图的特征提取，对得到的密度图特征，通过特征拼接，得到结合全局密度图特征的特征图；

对结合全局密度特征的特征图经过均值池化和反卷积层的处理，得到目标估计密度图，通过对目标估计密度图积分，得到目标图像中的人数。

2.如权利要求1所述的一种基于切换卷积网络的人群计数方法，其特征在于，

所述切换卷积神经网络包括若干个结构不同的CNN回归器和一个选择最优回归器的分类器；

所述分类器为基于VGG16的三类分类器，移除VGG16中的全连接层，使用Conv 5特征上的全局平均池去除空间信息和聚集判别特征，全局平均池后的全连接层和三级Softmax分类器对应于CNN回归器，将分类后得到的不同密度的图像块传输给对应的回归器，获取不同尺度的特征图。

3.如权利要求2所述的一种基于切换卷积网络的人群计数方法，其特征在于，

所述Switch-CNN的分类器通过预训练、差分训练、Switch训练和集成训练完成训练；所述预训练中采用损失函数以及SGD梯度下降进行参数更新；

所述预训练损失函数定义为：

其中，N是训练样本的数目，表示图像x_i的地面真相密度图，Θ表示输入图像的参数，表示带有输入图像xi的参数Θ的CNN回归器的输出，L₂损失函数作为回归估计计数和真计数之间的计数误差。

4.如权利要求3所述的一种基于切换卷积网络的人群计数方法，其特征在于，

所述差分训练将训练图像块进行分类，每一类对应于CNN回归器，对每个CNN回归器使用对应的数据集合进行微调；

所述Switch训练对不同标签下的图像块进行训练生成分类器；

所述集成训练通过对switch和regressors的切换训练对图块分类器和CNN回归器的参数进行微调。

5.如权利要求1所述的一种基于切换卷积网络的人群计数方法，其特征在于，

所述特征拼接具体为，将目标图像块的张量经过回归器后获得相应的输入张量，保持行维度不变，对列维度进行拼接，得到结合全局密度图特征的特征图。

6.如权利要求1所述的一种基于切换卷积网络的人群计数方法，其特征在于，

均值池化公式表示：

其中，v_m表示提取自图像的滑动窗口中T个像素点的第m个像素点，m表示该元素在滑动窗口中的空间方位，池化步骤利用定义的空间池化算子F将v_m映射为相应的统计值。

7.如权利要求6所述的一种基于切换卷积网络的人群计数方法，其特征在于，

通过两个卷积层对结合全局密度特征的特征图进行增强生成特征图的特征，并使用两个反卷积层还原特征图分辨率，得到目标估计特征图，对其进行映射得到目标估计密度图。

8.一种基于切换卷积网络的人群计数系统，其特征在于，包括：

分类模块，其用于对目标图像进行分块，将图像块输入切换卷积神经网络，对其经过分类器根据密度进行分类；

特征拼接模块，其用于将分类后的图像块通过回归器进行密度图的特征提取，对得到的密度图特征，通过特征拼接，得到结合全局密度图特征的特征图；

计算模块，其用于对结合全局密度特征的特征图经过均值池化和反卷积层的处理，得到目标估计密度图，通过对目标估计密度图积分，得到目标图像中的人数。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项方法所述的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项方法所述的步骤。