[发明专利]人群密度检测方法、装置、计算机设备和存储介质

说明书

本申请涉及一种人群密度检测方法、装置、计算机设备和存储介质。该方法包括：获取待检测图像；将待检测图像输入注意机制特征图生成网络中，得到第一特征图；将待检测图像和第一特征图输入多尺度卷积网络中，得到第二特征图；该第二特征图包括不同尺度卷积下的特征图；将第二特征图输入特征融合网络中，得到人群密度热力图。该方法通过引入视觉注意机制，更专注于待检测图像中人群特征的图像部分，有效减少待检测图像中各种噪声的影响，使得得到的第一特征图质量更高；且通过不同尺度的卷积操作，可以获取输入图像中高层的语义信息以及低层的细节信息，使得第二特征图所包含的信息更加全面，大大提高了得到的人群密度热力图的图像质量。

技术领域

本申请涉及计算机技术领域，特别是涉及一种人群密度检测方法、装置、计算机设备和存储介质。

背景技术

随着人口密度的增大，许多公共基础设施例如地铁站、高铁站等经常会迎来短期的人流高峰。因此，对公共基础设施等场合进行人群密度估计，对后续公共基础设施的管理以及协调是十分必要的，而背景噪声、遮挡和人群分布的多样性等问题增加了人群密度估计的难度。

传统技术中，多数是利用深度神经网络进行特征回归，一般是把神经网络当作特征提取器，并在网络的最后一层使用逻辑回归分类器将提取的特征进行分类映射，得到人群密度热力图。

但是，传统技术基于特征回归的方法大多聚焦在降低计数错误率上，而忽略了人群密度热力图的质量。因此，其得到的人群密度热力图存在质量不高的问题。

发明内容

基于此，有必要针对传统技术中得到的人群密度热力图质量不高的问题，提供一种人群密度检测方法、装置、计算机设备和存储介质。

一种人群密度检测方法，该方法包括：

获取待检测图像；

将待检测图像输入注意机制特征图生成网络中，得到第一特征图；

将待检测图像和第一特征图输入多尺度卷积网络中，得到第二特征图；该第二特征图包括不同尺度卷积下的特征图；

将第二特征图输入特征融合网络中，得到人群密度热力图。

在其中一个实施例中，将待检测图像和第一特征图输入多尺度卷积网络中，得到第二特征图，包括：

对待检测图像和第一特征图进行融合，得到融合特征图；

将融合特征图输入多尺度卷积网络中，得到第二特征图。

在其中一个实施例中，多尺度卷积网络包括深层全卷积网络和浅层全卷积网络；将融合特征图输入多尺度卷积网络中，得到第二特征图，包括：

将融合特征图输入深层全卷积网络中，得到深层特征图；将融合特征图输入浅层全卷积网络中，得到浅层特征图；

将深层特征图和浅层特征图作为第二特征图。

在其中一个实施例中，上述深层全卷积网络包括16层卷积层和4层最大池化层；

该4层最大池化层分别位于第2层卷积层之后、第4层卷积层之后、第7层卷积层之后和第16层卷积层之后，该4层最大池化层中前3层最大池化层的步长大小为2、最后一层最大池化层的步长大小为1。

在其中一个实施例中，上述浅层全卷积网络包括3层卷积层和3层最大池化层；该3层最大池化层与3层卷积层顺序连接。

在其中一个实施例中，将待检测图像输入注意机制特征图生成网络中，得到第一特征图，包括：

将待检测图像输入注意机制特征图生成网络，输出待检测图像属于前景图像的第一概率和属于背景图像的第二概率；

提取注意机制特征图生成网络最后一层卷积层中的特征图，得到前景特征图和背景特征图；