[发明专利]一种基于深度学习的人员检测计数方法

说明书

本发明公开了一种基于深度学习的人员检测计数方法，包括：1、对视频监控图像进行周期采集，基于FiarMot算法对人员进行检测；2、提取检测人员感兴趣区域并计算其与监控区域交并比；3、构建自适应尺度LSTM神经网络，融合全连接层和小波变换特征并使用SCN分类器进行分类，根据检测结果的熵损失值评价自动调节网络尺度。本发明能根据检测结果的熵损失值评价自动调节网络尺度，从而能实现视频人员检测模型的自寻优调节和重构，进而提高不同环境下指定区域视频人员检测率，满足准确化快速化的实际需求。

技术领域

本发明属于计算机视觉，图像识别技术，深度学习技术领域，具体的说是一种基于深度学习的人员检测计数方法。

背景技术

人员检测计数在一些特定场合对管理具有指导意义，例如在商场中对消费者的人员估计可以分析，制定相应的消费策略，对景点的人员检测计数可以调控游客数量，避免拥挤和危险区域的进入，提升安全性和游客满意度。

然而环境信息多种多样，目前的人员检测计数模型无法适应各类复杂场景，例如煤井矿场景，由于煤矿的安全规定，副井上下井口处人员只能从单侧进入罐笼，从另一侧离开罐笼。井口环境复杂，视频无法进行人员的准确检测。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于深度学习的人员检测计数方法，以期能解决复杂场景下人员检测计数误识率高的问题，能根据检测结果的熵损失值评价自动调节网络尺度，实现自动调整检测模型并进行人员检测计数，从而提高复杂背景下人员检测率和计数精度，并满足准确化快速化的实际需求。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于深度学习的人员检测计数方法的特点是按如下步骤进行：

步骤1、利用FiarMot算法对视频图像中的人员进行检测，并根据所设置的人员置信度阈值P₀，得到人员预测矩形边界框的坐标位置信息cls＝(tx,ty,tw,th)；其中，tx,ty分别表示预测矩形边界框cls的中心点的横坐标和纵坐标，tw,th分别表示预测矩形边界框cls的宽与高；

步骤2、按照采样周期提取所述人员矩形边界框的坐标位置信息cls中感兴趣区域集合，记为A＝{A₁,A₂,···,A_i,···,A_N}；其中，A_i表示第i张视频图像中的感兴趣区域，并有：A_i＝{cls′_i,1,cls′_i,2，···,cls′_i,j,···,cls′_i,m)，cls′_i,j表示第i张视频图像里预测出的第j个人预测边界框的感兴趣区域；m表示视频图像里所检测的人员个数，N表示一个采样周期内的总视频图像数；

步骤3、设置视频采集图像中的指定区域R，实时计算感兴趣区域集合A和指定区域R的交并比iou值，从而得到交并比序列集合S＝{S₁,S₂,···,S_i,···,S_N}；其中，S_i表示所述第i张视频图像中的感兴趣区域A_i和指定区域R的交并比iou值；

步骤4、构建LSTM神经网络，包括：卷积层，池化层，LSTM层、全连接层、特征融合层以及SCN分类器；其中，第一部分为x×x的卷积层，卷积核的个数是M个，第二部分为y×y的最大池化层，第三部分为长短期记忆网络层，长短期记忆结点个数是N个，并初始化长短期记忆网络层级q＝1；第四部分为全连接层，令全连接结点个数为C，第五部分为特征融合层，并初始化小波变化尺度a＝1，第六部分为SCN分类器，且节点个数为E；