[发明专利]一种基于小样本学习的人群计数方法

权利要求书

1.一种基于小样本学习的人群计数方法，其特征在于，包括以下步骤：

S1：针对人群图像数据的特点，基于KNN的密度图生成方法，对人群图像进行预处理，生成对应的密度图；

S2：采用迁移学习，跨数据特征迁移；通过固定模型提取人群图像中的低级特征的前几层来保留在源域中学习的知识，对后几层进行微调，使模型适合目标域，固定模型集成源域和目标域的知识；

S3：构建自适应对抗网络计数模型，对于不同分辨率图像的输入，自适应地学习融合比例并聚合多个抽象级别以获得最终的密度图；

所述S2具体包括：

S21：利用大规模数据集上不同图像数据之间低级特征的相似性构造丰富的特征空间；

S22：在特征空间中，将特征迁移到人群计数小样本学习任务上，利用已有知识进行辅助学习；

所述S3具体包括：

S31：构建生成器，将单个人群图像输入到生成器中以获得估计密度图；将多尺度全卷积网络作为密度图生成器接受多尺度人群图像的输入，经过逐层提取特征，学习人群图像与密度图之间的映射关系；

S32：添加金字塔池化层到卷积层和全连接层之间实现多尺度输入，构建鉴别器；

S33：鉴别器参数保持固定，并使用BP算法来调整生成器参数，输出预测变量。

2.根据权利要求1所述的基于小样本学习的人群计数方法，其特征在于，所述S1具体包括：

S11：标注数据集，数据集包括原始数据集和头像标注集；假设像素x_i标记为对像头部，δ(x-x_i)为增量函数，对于存在N个被标记的头部的图像表示为：

S12：假设每个头周围的人群分布均匀，依据图像中人的头部大小确定传播参数σ，由于图像中人的头部大小跟人与其邻居之间的平均距离有关，根据人与其邻居之间的平均距离来自适应地确定其传播参数σ，也就是高斯卷积核的方差，解决密度图生成中透视效应引起的问题；

S13：采用高斯卷积核G_σ对图像进行卷积，转成密度函数F(x)＝H(x)*G_σ(x)，生成密度图；

S14：根据密度公式，得到密度图数据集。

3.根据权利要求2所述的基于小样本学习的人群计数方法，其特征在于，所述S12具体包括：对于给定图像中每个头部x_i，距其最近k个邻居距离表示为平均距离为：

其中，与方差σ_i成比例

4.根据权利要求2所述的基于小样本学习的人群计数方法，其特征在于，所述S14中的密度公式为：超参数β为方差与平均距离之间的比例系数。

5.根据权利要求1所述的基于小样本学习的人群计数方法，其特征在于，所述S31构建生成器的方法包括：

S311：建立特征图编码器作为前面层；采用VGG-16架构中删除了三个完全连接的层的前13层网络结构作为预训练模型，并将第四个最大池化层的步幅设置为1；添加多粒度卷积核并行化提取多尺度高级特征，通过融合局部与全局信息，找到各尺度之间的相互联系；

S312：建立密度图估计器作为后面层；使用卷积核尺寸大小同为3*3的两个卷积来逐步细化特征图的细节，在每个卷积层之后添加ReLU激活；然后使用1×1卷积层来估计每个位置的密度值。

6.根据权利要求5所述的基于小样本学习的人群计数方法，其特征在于，在前面层与后面层之间建立短路连接。

7.根据权利要求5所述的基于小样本学习的人群计数方法，其特征在于，所述S312还包括：采用batch size为1输入方式进行模型的训练，同时在每个卷积层之后添加实例正则化层，每次做卷积操作之后，利用单张图像统计信息来对全局信息进行分布调整；假设d维向量作为特征图的输入，则输出为：

其中，w和b是卷积层的权重和偏置，γ和j是实例正则化层(IN)的权重和偏置，μ和σ²分别是输入的均值和方差；ε是为了增加训练稳定性而加入的小的常量值，输出是由IN层归一化的要素的加权。

8.根据权利要求1所述的基于小样本学习的人群计数方法，其特征在于，所述S3自适应对抗网络计数模型的训练步骤：

将生成的密度图标记为0，将地面真实图标记为1；用鉴别器提供的额外对抗损失训练密度图生成器；

采用最小二乘损失函数作为目标损失函数来联合训练鉴别器和生成器：

在上式中，我们选择b＝1表示真实数据，选择a＝0表示预测数据；

其中，Z为随机变量，D为鉴别器，G为生成器；

在混淆鉴别器的基础上，生成器将生成的数据从决策边界拉到决策边界附近的位置。