[发明专利]基于场的高密度人流量定位与监测方法

说明书

本发明公开了一种基于场的高密度人流量定位与监测方法。包括：根据获取的原始彩色人流量图像生成七通道图像数据；根据常用的人流量监测数据集生成场数据，作为标注数据；根据场数据设计损失函数；将原始彩色人流量图像与标注数据作为样本数据集，基于损失函数对深度神经网络进行训练；将待检测原始彩色人流量图像的七通道数据输入训练好的深度神经网络，根据网络输出场数据进行热力图重建，对热力图中亮斑进行计数和定位，实现高密度人流量定位与监测。利用本发明，可以在高密度人流量监测场景中，实现实时人流量监测，降低计算量，提高监测效率和监测精度。

技术领域

本发明涉及智慧城市、人工智能、仪器仪表技术领域，具体涉及一种基于场的高密度人流量定位与监测方法。

背景技术

目前，用于检测人流量及人群密度的图像处理系统主要分为两大类。一种是基于检测的统计，主要通过基于深度神经网络的物体检测器得到人物的边界框，并通过边界框的个数来推定人群密度和短时间内的流量变化。基于边界框的方法主要有以下限制：难以检测遮挡的物体，对完全遮挡的物体只能通过跟踪和重识别的方法修正，提高了系统的实时性要求和整体复杂度；随之带来的问题是计算量偏大，只有输入分辨率足够大的图像才能得到足以区分人物的分辨率，存在分辨率瓶颈导致无法得到更小目标的检测结果，进而导致无法平衡计算量和性能；检测精度较低。

另一种是基于热力图的网络来进行人群计数和定位。基于热力图方式的网络同样存在低分辨率容易导致性能劣化的问题，并且存在小目标难以训练的问题。一般情况下基于热力图的网络输出是需要使用概率云的后处理方法进行位置回归的，由于概率云的范围较大，为了避免发生混叠，需要提高网络分辨率并适当缩小训练时的概率云分布，这样又造成了计算量与分辨率的矛盾，又因为网络训练的损失函数是基于均方误差的，所以对于小目标难以训练。

因此，现有人流量定位与监测技术存在计算量大、监测精度低的问题。

发明内容

本发明提供了一种基于场的高密度人流量定位与监测方法，该方法实现了高密度人流量定位与监测，降低了计算量，监测精度更高。

一种基于场的高密度人流量定位与监测方法，该方法包括：

步骤一，根据获取的原始彩色人流量图像生成七通道图像数据T{R,G,B,D,H,M,N}，其中，R、G、B为原始彩色图像RGB数据的对应通道分量，D通道为暗通道数据，H通道为亮通道数据，M通道为高光细节，N通道为阴影细节；

步骤二，根据常用的人流量监测数据集生成场数据F{X,Y,C,R}，作为标注数据，其中，X分量表示横坐标方向上向真值点聚拢的强度，Y分量表示纵坐标方向上向真值点聚拢的强度，C分量表示标注位置的置信度，R分量表示标注半径；

步骤三，根据场数据设计损失函数Loss＝MSE_XY*H(C)+MSE_R，其中，MSE_XY为场数据分量X、Y的联合均方误差损失，H(C)为分量C的交叉熵损失，MSE_R为分量R的均方误差损失；

步骤四，将原始彩色人流量图像与标注数据作为样本数据集，基于损失函数Loss对深度神经网络进行训练；

步骤五，将待检测原始彩色人流量图像的七通道数据输入训练好的深度神经网络，根据网络输出场数据进行热力图重建，对热力图中亮斑进行计数和定位，实现高密度人流量定位与监测。

步骤一中的暗通道数据为：

D(i,j)＝min(R(i,j),G(i,j),B(i,j))

其中，D(i,j)是像素位置(i，j)处暗通道数据D的像素值；

所述亮通道数据为：

H(i,j)＝max(R(i,j),G(i,j),B(i,j))