[发明专利]一种基于切换卷积网络的人群计数方法及系统

说明书

本公开公开了一种基于切换卷积网络的人群计数方法及系统，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，通过积分，得到目标图像中的人数。切换卷积网络由几个卷积核大小不同的CNN作为密度图预测的回归器，由经训练的选择分类器来对于每一张输入图像选取最优的CNN回归器，将其结果作为最终结果，提高了预测人群数量的准确性和鲁棒性。

技术领域

本公开涉及图像处理技术领域，特别是涉及一种基于切换卷积网络的人群计数方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

人群计数是人群分析的一个分支，对视频监控、公共区域规划、交通流监测等都是必不可少的。它的目的是能够准确地预测目标数目。此外还可以将用于群组技术的方法扩展到其他领域的计数任务，如细胞显微镜、车辆计数、环境调查等。然而由于存在各种复杂性，如遮挡、高杂波、人员分布不均、光照不均匀、场景内和场景外的外观、尺度和透视等变化，结果的准确性远远不是最佳的。现存的人群计数方法主要分为三大类：基于检测的方法、基于回归的方法和基于密度估计的方法。

基于检测的方法，使用一个滑动窗口检测器来检测场景中人群，并统计相应的人数。基于检测的方法主要分为两大类，一种是基于整体的检测，另一种是基于部分身体的检测。基于整体的检测方法，主要训练一个分类器，利用从行人全身提取的小波、HOG、边缘等特征去检测行人。学习算法主要有SVM、boosting和随机森林等方法。基于整体检测的方法主要适用于稀疏的人群计数，随着人群密度的提升，人与人之间的遮挡变得越来越严重。所以基于部分身体检测的方法，被用来处理人群计数问题。基于检测身体的部分结构，例如头，肩膀等去统计人群的数量。这种方法比之基于整体的检测，在效果上有略微的提升。

基于回归的方法。无论何种基于检测的方法，都很难处理人群之间严重的遮挡问题。所以，基于回归的方法逐渐被用来解决人群计数的问题。基于回归的方法，主要思想是通过学习一种特征到人群数量的映射。这类方法步骤主要分为两步，第一步提取低级的特征，例如前景特征，边缘特征，纹理和梯度特征；第二步是学习一个回归模型，例如线性回归，分段线性回归，岭回归和高斯过程回归等方法学习一个低级特征到人群数的映射关系。

近些年来，深度学习被广泛应用于各个研究领域，如计算机视觉，自然语言处理等。深度学习凭借其出色的特征学习能力，在很多方面都取得了很大的成就。研究者们也开始将卷积神经网络应用在基于密度估计的人群计数方法中，这种网络可以更好地学习图像与密度图之间的非线性映射。

发明内容

为了解决上述问题，本公开提出一种基于切换卷积网络的人群计数方法及系统，切换卷积网络由几个卷积核大小不同的CNN作为密度图预测的回归器，然后再由一个经训练的选择分类器来对于每一张输入图像选取最优的CNN回归器，将其结果作为最终结果，提供一种利用图像中人群密度变化的切换卷积神经网络生成高质量密度图进行计数的方法，提高了预测人群数量的准确性和鲁棒性。

为了实现上述目的，本公开采用如下技术方案：

第一方面，本公开提供一种基于切换卷积网络的人群计数方法，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。