[发明专利]基于多任务协同特征重建目标计数网络的方法

权利要求书

1.基于多任务协同特征重建目标计数网络的方法，其特征在于，所述方法包括以下步骤：

步骤1：建立训练样本和标签；将获取的训练图片和标注进行预处理，以便网络的训练；

步骤2：建立基于多任务协同重建特征的目标计数网络；

步骤3：将步骤1中训练样本输入到步骤2建立的卷积网络模型中，通过Adam优化策略对网络进行参数学习，

步骤4：深度网络模型测试。

2.根据权利要求1所述的基于多任务协同特征重建目标计数网络的方法，其特征在于，步骤1：建立训练样本和标签；将获取的训练图片和标注进行预处理，以便网络的训练；具体如下：设训练数据总共有N张图片及其对应的标注(其中每张图片的长和宽均为256)，记训练集合中的图片为{I₁,I₂,...,I_N}和每个图片对应的标签{l₁,l₂,...,l_N}，其中第i个图片的标注为分别表示第j个目标位置的横坐标和纵坐标，m表示在该图片中目标的个数。

步骤101：将第i张图片I_i的标签l_i生成高斯密度图den_i，可通过如下公式计算：

其中表示给定图片的坐标，x_j表示第j个标注目标位置表示高斯核，其中σ²是方差项，通过均值化确保所有像素点高斯值的加和1；如果x不在x_j的邻域范围内，只计算邻域范围内的高斯值，并对该范围内计算该位置的加和进行归一化，并保证第j位置生成高斯的加和为1；此时第i个图片的标签l_i变换为den_i；

步骤102：依次对步骤101中的第1至第N张图片执行步骤101的操作，将图片的标签转换成高斯密度图；进而将训练数据的标签转换为训练的目标密度图标签{den₁,den₂,...,den_M}；

步骤103：对步骤102生成的目标密度图标签进行二值化生成掩膜标签，即(den_i＞0)＝1,该操作是将非零值转换成1，步骤102的标签{den₁,den₂,...,den_M}分别生成{bina₁,bina₂,...,bina_M}；

步骤104：将步骤102生成的目标密度图标签进行密度分割生成密度分布标签，即(den_i＞θ₁)＝4,(θ₁默认为0.9),(θ₁≥den_i＞θ₂)＝3,(θ₂默认为0.6),(θ₂≥den_i＞θ₃)＝2,(θ₃默认为0.3),(θ₃≥den_i＞θ₄)＝1,(θ₄默认为0)，(den_i≤θ₄)＝0；步骤102的标签{den₁,den₂,...,den_M}分别生成{distr₁,distr₂,...,distr_M}；

步骤105：将步骤102生成目标密度图标签的总人数和进行分割生成密度等级标签，即(默认为150),(默认为100),(默认为50),步骤102的标签{den₁,den₂,...,den_M}分别生成{level₁,level₂,...,level_M}。