[发明专利]一种基于密度图的人群密度分析与检测定位方法

权利要求书

1.一种基于密度图的人群密度分析与检测定位方法，其特征在于，包括以下步骤：

步骤1)，获取人群图像S(S₁,S₂,…,S_u,…,S_U)，将人群图像S_u中的头部进行标注组成稀疏矩阵，通过几何自适应高斯核函数将该稀疏矩阵转化为二维的地面真实人群密度图将密度图中所有的像素值积分求和得到人群图像中的真实人数，具体步骤如下：

步骤1.1)，针对人群高度密集的输入人群图像S_u，在人群图像S_u的像素x_i处有一个人头，通过delta函数表示为δ(x-x_i)，用H(x)表述一张人群图像中的N个被标记的人头的稀疏矩阵：

步骤1.2)，一个人体头部的周围区域中人群分布的密度均匀，通过最近邻居法，估计人群分布的集合形变，具体计算方法如下：

其中，P^GT(x)为生成的二维地面真实情况密度图，x_i为人头在图像中的像素位置，N为图像中的人头总数，为距离x_i人头最近的m个人头与该人头的平均距离，在拥挤场景中人体头部的大小与两个邻居的人头中心之间的距离有关，的值在人群密度较小的情况下近似等于人头的大小；

步骤1.3)，将地面真实的人群密度图的所有像素值积分求和，求出输入图像中所包含的真实人数，

步骤2)，通过深度分离空洞卷积网络模型学习输入图像与人群密度图像之间的特征映射函数，即S(x)→P^GT(x)之间的映射关系，并设计网络输出预测图像与地面真实人群密度图像之间的损失函数，实现端到端的预测模型，具体步骤如下：

步骤2.1)：构建深度分离空洞卷积网络模型，该模型前端为去除了全连接层并且已预训练的VGG-16模型，包括10层卷积层与3层池化层，后端为一层空洞率为r＝1的分离层以及两组空洞率为r＝2、r＝3的空洞卷积层，卷积层的卷积核大小为k*k，通过空洞卷积扩大感受野：

RF_n＝RF_n-1+(Ksize_n-1)*stride

其中，RF_n为当前层感受野的大小，RF_n-1为上一层感受野的大小，Ksize_n为当前层卷积核的大小，stride为前面所有层步长的乘积；

步骤2.2)，输入人群图像S_u(w,h,3)至深度分离空洞卷积神经网络模型，其中，w为人群图像S_u的宽度，h为人群图像S_u的高度，3为图像的RGB三维通道，训练深度分离空洞卷积神经网络模型学习输入图像与人群密度图像之间的特征映射函数，在训练期间，随机梯度下降的固定学习率为LR；

步骤2.3)，选择倍率为的双线性插值，使得输出的预测图像与输入的人群图像之间共享相同的分辨率；

步骤2.4)，采用欧式距离来测量预测的人群密度图与地面真实值之间的距离，即预测的各点与真实的各点的均方差，损失函数的计算方法如下：

其中，B表示训练批次的大小，P(S_b；Θ)表示深度分离空洞卷积神经网络模型预测输出的人群密度图，参数显示为Θ，S_b表示输入的人群图像，表示输入图像的地面真实密度图；

步骤2.5)，将预测的得到的人群密度的所有像素值积分求和并结合损失函数得到预计的人数总和，实现人群密度分析和人群计数；

步骤3)：将步骤2)预测得到的人群密度图输入至基于特征金字塔模型实现的RetinaNet目标检测网络，使用人群密度图协助目标检测网络实现人头与非人头的分类，同时使用最近邻居策略估计头部边界框以初始化锚点信息，训练目标检测网络，实现人体头部检测与定位。

2.根据权利要求1所述基于密度图的人群密度分析与检测定位方法，其特征在于：所述步骤1.2)中高斯核参数β取0.3。

3.根据权利要求1所述基于密度图的人群密度分析与检测定位方法，其特征在于：所述步骤2.1)中卷积核大小k*k取3*3。