[发明专利]一种目标密度估计神经网络的训练方法

说明书

本发明公开了一种目标密度估计神经网络的训练方法，本方法涉及图像处理领域，本方法提出了新的基于回归的网络训练方法，同时，该训练方法创新使用了基于注意力机制的学习模块，通过本方法训练后的神经网络能够在目标密度大、遮挡多的环境下同样具有良好的识别效果；本发明中的方法通过网络迭代和注意力训练，能有效训练出可靠的神经网络用以估计区域内高密度目标的个数，为基于目标个数的应用提供准确的基础。

技术领域

本发明涉及图像处理领域，具体地，涉及一种目标密度估计神经网络的训练方法。

背景技术

目前目标监控应用主要是基于目标识别的技术，这些检测方法通常是将目标用检测框圈出，通过统计检测框的数量来进行目标数量的统计，这些方法在目标密度大、遮挡多的环境下识别效果差，部分目标无法被检测框圈出，在统计时会漏掉许多目标。

发明内容

为了解决背景技术中所述的问题，本发明目的是提供一种目标密度估计神经网络的训练方法，通过本方法训练出的神经网络能够在目标密度大、遮挡多的环境下同样具有良好的识别效果。

本发明中的方法通过网络迭代和注意力训练，训练出可靠的神经网络用以估计区域内高密度目标的个数，为基于目标个数的应用提供准确的数据基础。

为实现上述发明目的，本发明提供了一种目标密度估计神经网络的训练方法，所述方法包括：

预处理训练图像，包括：标注训练图像中预设目标的位置，生成对应的预设目标坐标表格；

基于预设目标坐标表格，生成对应训练图像中预设目标的真值密度图；

基于各个训练图像对应的预设目标的真值密度图生成全局注意力区域图；

将训练图像和其对应的预设目标的真值密度图输入预设网络模型进行训练，预设网络模型输出训练图像对应的局部注意力区域图和预设目标密度预测图；

合并训练图像对应的局部注意力区域图与预设目标密度预测图得到训练图像对应的最终预测图；

将训练图像对应的最终预测图与训练图像对应的预设目标的真值密度图进行误差计算，获得误差记为MSE_loss；

将局部注意力区域图与全局注意力区域图进行误差计算，获得误差记为Att_loss；

将Att_loss乘以一个权重后与MSE_loss相加，得到总损失，将总损失反向传递入受训练的网络模型，进行受训练网络模型的权重更新；

统计最终预测图中的预设目标个数得到预设目标统计个数；

统计预设目标统计个数与预设目标真实个数误差得到预设目标个数差值、平均绝对误差MAE和均方根误差RMSE；

使用指数衰减调整学习率控制所训练网络模型的学习；

比较各个训练轮次的平均绝对误差MAE与均方根误差RMSE，记录误差最小的受训练网络模型，保存全部训练轮次的受训练网络模型的权重参数，记录最优网络模型与权重参数。

其中，本方法主要基于预设目标密度估计的回归算法，使用密度图统计目标数量，不需要使用检测框框出目标，同时添加了注意力学习模块，能有效提升所训练的神经网络在估算高密度人群数量时的精度。

其中，本发明中的预设目标可以为人，也可以为其他动物或建筑物或汽车等等物体，本发明对具体的预设目标类型不进行限定。

优选的，本发明中为了减少计算机的负荷，预处理训练图像还包括：将训练图像处理为同一尺寸。

优选的，本方法中所述基于预设目标坐标表格，生成训练图像中对应的预设目标的真值密度图，具体包括：