[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

说明书

本发明公开了一种基于密度图的人群密度分析与检测定位方法，将用于训练的数据集中的人群图像进行预处理，利用高斯滤波器转化为二维的人群密度图像，其次设计一种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，实现端到端的预测模型，并对预测密度图像素值积分求和实现人群计数，最后将预测得到的人群密度图输入至RetinaNet目标检测网络实现人头检测与定位。本发明实现在人群高度密集场景下人头与非人头的分类，能够解决高度密集场景下的人群密度分析无法提供具体定位以及人群检测中的漏检问题。

技术领域

本发明涉及一种基于密度图分类的人群检测与定位方法，主要设计一种深度分离空洞卷积神经网络模型生成高质量的人群密度图并将人群密度图输入目标检测网络更好的实现目标分类，实现人群密度分析以及人头检测定位，属于图像处理、目标检测和人工智能的交叉应用领域。

背景技术

人群密度分析以及人头检测定位的目的是通过人群密度图获取人的空间分布信息并检测出人物的具体定位信息，已成为计算机视觉领域的一个热点问题，在人群行为分析、公共场所监控等方面有着广泛的应用。人群密度分析方法主要有三种：基于检测的方法、基于回归的方法、基于深度学习的方法。

1.基于检测的方法：该方法主要分为基于整体检测和基于人物局部的检测。传统方法利用SVM检测器，boosting算法和随机森林矩阵等方法训练一个分类器，提取行人全身的小波、HOG、边缘、纹理等特征去检测行人。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，局部检测的方法主要通过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，在效果上略有提升。

2.基于回归的方法：主要是学习一种特征到人群数量的映射。该方法首先提取低级的特征，例如前景特征，边缘特征，纹理和梯度特征；其次学习一个回归模型，例如线性回归，分段线性回归，岭回归和高斯过程回归或神经网络等方法学习一个低级特征到人群数量的映射关系。该方法大多数需要进行前景分割，生成静止的背景模型，对于光照变化十分敏感，当场景转换时每次都需要重新训练模型，时间和计算代价高。

3.基于深度学习的方法：该方法通常通过卷积神经网络提取行人特征并通过估计人群密度概率图进行人群计数。人群密度概率图可提供人群在图像中的分布信息，卷积神经网络可以生产一个端到端的人群密度估计模型。

发明内容

发明目的：本发明的目的是生成高质量的人群密度图输入至目标检测网络以提高检测精度，提出了一种基于密度图的人群密度分析与检测定位方法。该方法将人群密度图像与目标检测网络相结合，解决了单纯的人群计数无法提供人群分布的空间信息，人物的具体位置信息以及目标检测网络对人群图像直接检测时对小尺寸头部造成的漏检问题。本发明可以生成高质量的人群密度图提供人群分布的空间信息，并有效解决小尺寸头部的漏检问题，检测精确度高，具有良好的鲁棒性。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于密度图的人群密度分析与检测定位方法，包括以下步骤：

步骤1)，获取人群图像S(S₁,S₂,......,S_i,......,S_n)，用户输入人群图像，将人群图像S_i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P^GT(P^GT₁,P^GT₂,......,P^GT_i,......P^GT_n)，将密度图P^GT_i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：