[发明专利]一种基于隐密度分布的密集人群计数方法、系统及终端

权利要求书

1.一种基于隐密度分布的密集人群计数方法，其特征在于，包括：

获取密集人群图像I_c(x，y)中密集人群坐标数据，并转化为密集人群点图D_t(x，y)；

所述密集人群点图D_t(x，y)通过隐高斯密度生成器得到自适应的隐高斯密度图G(x，y)；

将所述隐高斯密度图G(x，y)作为密度预测器的学习目标，采用多层级的损失函数对生成目标进行约束；

将所述密集人群图像I_c(x，y)输入所述密度预测器，输出预测的密度预测图D_p(x，y)；

对所述密度预测图D_p(x，y)所有像素值进行求和，得到最终的预测人数；

所述密集人群点图D_t(x，y)通过隐高斯密度生成器得到自适应的隐高斯密度图G(x，y)，包括：

所述隐高斯密度生成器采用高斯网络，将所述密集人群点图D_t(x，y)与N个有不同方差σ值的高斯核K进行卷积，得到有不同尺度信息的第一特征图，将所述第一特征图进行同样的卷积操作得到第二特征图；

对所述第二特征图采用多个蒙版高斯卷积模块进行提取，通过高斯包络约束初始化参数，多个蒙版高斯卷积模块将所述第二特征图提取分解出不同层级的特征，再利用残差操作，将相邻两个蒙版高斯卷积模块输入的不同层级的特征依次相加，得到更具鲁棒性的特征；

将所述更具鲁棒性的特征输入多层卷积构成的解码模块，每层卷积层输出通道数相较输入逐渐减小，最终得到隐高斯密度图G(x，y)。

2.根据权利要求1所述的基于隐密度分布的密集人群计数方法，其特征在于，所述采用多层级的损失函数对生成目标进行约束，包括：

采用均方误差损失函数，通过逐像素的约束，使所述密度预测器输出的密度预测图D_p(x，y)与所述隐高斯密度图G(x，y)的分布保证相近；

采用贝叶斯损失函数，通过行人点范围的约束，使所述密度预测器输出的密度预测图D_p(x，y)与人工标注的行人坐标位置的概率分布保持相近；

采用对抗损失函数，通过判别器识别预测的密度预测图D_p(x，y)真伪，使生成的密度预测图D_p(x，y)保留更多高频信息，即提高密集区域预测精度。

3.根据权利要求1所述的基于隐密度分布的密集人群计数方法，其特征在于，将所述密集人群图像I_c(x，y)输入密度预测器，输出预测的密度预测图D_p(x，y)，包括：

将预训练的VggNet作为特征提取网络，将密集人群图像I_c(x，y)输入VggNet网络得到特征图，再将该特征图上采样，经多层卷积层后得到输出的密度预测图D_p(x，y)，所述特征提取网络、上采样层、多层卷积层组成密度预测器。

4.根据权利要求3所述的基于隐密度分布的密集人群计数技术方法，其特征在于，根据所述密度预测器输出的密度预测图D_p(x，y)和所述隐高斯密度图G(x，y)，采用LSGAN损失函数更新判别器参数。

5.根据权利要求1-4任一项所述的基于隐密度分布的密集人群计数方法，其特征在于，还包括对隐高斯密度图G(x，y)进行优化，所述优化根据计数损失项或贝叶斯项进行，或者根据平滑项和计数损失项进行，或者根据平滑项和贝叶斯项进行，生成更高质量的隐高斯密度图；其中，

设计计数损失项，采用L1距离，约束隐高斯密度图G(x，y)总数与标注的总人数相近；

设计平滑项，采用平滑项损失函数约束使隐高斯密度图G(x，y)的像素点与周围像素具有连贯性；

设计贝叶斯项，通过对前景点与背景做高斯建模，约束隐高斯密度图G(x，y)与训练数据中人工标注的标注点的概率分布一致，减小背景噪声区域对目标人群区域的干扰；

将上述更高质量的隐高斯密度图作为密度预测器的学习目标。