[发明专利]人群计数及密度估计方法、装置、存储介质及终端

权利要求书

1.一种人群计数及密度估计方法，其特征在于，包括：

从具有标签数量限制的无标签人群图像数据集中随机选取多个图像进行标注，生成相应的人群密度标签，并加入到有标签人群图像数据集中；

基于所述有标签人群图像数据集，训练人群计数及密度估计模型，直至该模型收敛；

基于所述模型，使用概率加权选择策略从剩余的无标签人群图像数据集中选取多个图像，生成相应的人群密度标签，并加入到有标签人群图像数据集中；包括：使用所述模型对剩余的无标签人群图像数据集进行预测，得到各无标签人群图像数据的密度预测图和计数预测值；利用自然断点法对计数预测值集合进行区域划分，并将有标签人群图像和无标签人群图像按照上述得到的区域进行划分；计算每个区域中有标签人群图像数据集和无标签人群图像数据集的基于网格划分的相似度度量值；分别将每个区域内每张无标签人群图像数据的相似度度量值通过归一化转化为概率值；按照上述概率值在每个区域内对无标签人群图像数据进行不放回抽样，并对抽取的无标签人群图像数据进行人头标注并生成人群密度标签，并加入到有标签人群图像数据集中；

不断迭代优化，直至模型达到性能要求；

在达到性能要求的模型中加入基于特征混合和梯度反转的对抗学习分支，并使用有标签人群图像和无标签人群图像对模型进行训练；

利用上述使用有标签人群图像和无标签人群图像训练的模型对待预测人群图像进行人群计数及密度估计。

2.根据权利要求1所述的方法，其特征在于，所述人群密度标签的获取方法包括通过图像的人头标注与高斯核或自适应高斯核卷积获得。

3.根据权利要求1所述的方法，其特征在于，所述基于所述有标签人群图像数据集，训练人群计数及密度估计模型的方法包括密度图回归方法。

4.根据权利要求3所述的方法，其特征在于，所述密度图回归方法能够采用的函数包括均方差损失函数。

5.根据权利要求1所述的方法，其特征在于，所述对抗学习分支包括特征混合层、梯度反转层以及后续的二分类模块。

6.根据权利要求1所述的方法，其特征在于，所述对抗学习分支能够采用的函数包括二分类交叉熵损失函数。

7.一种人群计数及密度估计装置，其特征在于，包括：

标注模块，从具有标签数量限制的无标签人群图像数据集中随机选取多个图像进行标注，生成相应的人群密度标签，并加入到有标签人群图像数据集中；

训练模块，基于所述有标签人群图像数据集，训练人群计数及密度估计模型，直至该模型收敛；

筛选模块，基于所述模型，使用概率加权选择策略从剩余的无标签人群图像数据集中选取多个图像，生成相应的人群密度标签，并加入到有标签人群图像数据集中；包括：使用所述模型对剩余的无标签人群图像数据集进行预测，得到各无标签人群图像数据的密度预测图和计数预测值；利用自然断点法对计数预测值集合进行区域划分，并将有标签人群图像和无标签人群图像按照上述得到的区域进行划分；计算每个区域中有标签人群图像数据集和无标签人群图像数据集的基于网格划分的相似度度量值；分别将每个区域内每张无标签人群图像数据的相似度度量值通过归一化转化为概率值；按照上述概率值在每个区域内对无标签人群图像数据进行不放回抽样，并对抽取的无标签人群图像数据进行人头标注并生成人群密度标签，并加入到有标签人群图像数据集中；

循环模块，不断迭代优化，直至模型达到性能要求；

特征混合模块，在达到性能要求的模型中加入基于特征混合和梯度反转的对抗学习分支，并使用有标签人群图像和无标签人群图像对模型进行训练；

计数模块，利用上述使用有标签人群图像和无标签人群图像训练的模型对待预测人群图像进行人群计数及密度估计。

8.一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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的人群计数及密度估计方法。

9.一种电子终端，其特征在于，包括：处理器及存储器；

所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至6中任一项所述的人群计数及密度估计方法。