[发明专利]基于峰值置信图的人群检测方法

权利要求书

1.基于峰值置信图的人群检测方法，其特征在于，包括以下步骤：

步骤S1、提取图像中的特征信息：

步骤S2、将提取到的特征信息映射为峰值置信图；

步骤S3、在峰值置信图中寻找峰值来计算人群的数目和位置；

所述步骤S2具体为：采用反卷积层和卷积层进行上采样，将特征图恢复成原图的大小，以获取峰值置信图：采用两个卷积层及四个反卷积层进行上采样，四个反卷积层依次设置于两个卷积层之间，其中，第一个卷积层负责编码特征图信息，中间四个反卷积层负责将特征图上采样成原图尺寸，最后一个卷积层负责将特征图映射成峰值置信图；

所述步骤S2中，所述峰值置信图函数为：

F(x，y)＝M(x_R，y_R)

其中，表示第i个头部位置对应的高斯核，M(x_i，y_i)表示已包含i个头部位置的置信函数，R表示图像中的人数，σ_i为第i个头部对应高斯核的方差，ksize为像素大小，(x_i，y_i)表示包含i个头部位置的图像坐标，F(x，y)表示头部位置峰值置信函数。

2.根据权利要求1所述的基于峰值置信图的人群检测方法，其特征在于，所述步骤S1具体为采用残差网络提取图像中的特征信息，获得特征图。

3.根据权利要求2所述的基于峰值置信图的人群检测方法，其特征在于，所述步骤S1具体包括如下步骤：

步骤S11、将残差网络的layer3以及之前的层作为外部后端，以提取图像中的特征信息；

步骤S12、更改layer3的步长，获得残差块；

步骤S13、对图像中的特征信息进行提取，并进行下采样，得到缩小了8倍的特征图。

4.根据权利要求3所述的基于峰值置信图的人群检测方法，其特征在于，所述步骤S1中，所述残差网络训练过程中，使用残差网络在Image Net上预训练模型前三层的参数；将数据集划分为交叉集，验证集和训练集；使用Adam优化算法，由交叉集得出学习率为5e-5和权重衰退率为1e-4；输入图像进行正则化，然后在训练集上进行训练，得到预测的峰值置信图；将预测的峰值置信图经过求取极值点，统计预测的人数；同时，每在训练集上迭代一次，便在验证集上进行一次验证，保留验证集中最佳的模型。

5.根据权利要求1所述的基于峰值置信图的人群检测方法，其特征在于，将峰值置信图乘一个放大因子factor。

6.根据权利要求1所述的基于峰值置信图的人群检测方法，其特征在于，所述步骤S2中，使用均方损失评估真实峰值置信图与预测峰值置信图的误差，真实峰值置信图为预测峰值置信图与峰值置信图函数表征图的差值，均方损失函数为：

其中θ表示需要学习的参数，N表示图片总数，F(I_i；θ)表示第i幅输入图像I预测的峰值置信图，G_i表示第i幅输入图像I真实的峰值置信图。

7.根据权利要求6所述的基于峰值置信图的人群检测方法，其特征在于，所述步骤S2中，采用计算相邻像素点之间的差异及均方损失，共同评估真实峰值置信图与预测峰值置信图的误差，具体包括：

步骤A、使用大小为3*3的卷积核kernel＝[[-1，-1，-1]，[-1，9，-1]，[-1，-1，-1]]分别与真实峰值置信图函数表征图和预测峰值置信图进行卷积，得到相邻像素点之间的关系；

步骤B、采用上述卷积后的结果，取绝对值，获得相邻像素点之间的损失：

步骤C、采用均方损失评估真实峰值置信图和预测峰值置信图之间的误差：

步骤D、计算总损失：

L(θ)＝L_mse(θ)+L_ker(θ)。

8.根据权利要求1所述的基于峰值置信图的人群检测方法，其特征在于，所述步骤S3中，所述在峰值置信图中寻找峰值中，采用非极大抑制方法对图像的头部位置峰值置信函数F(x，y)寻找峰值，峰值极值点位置集合P为：

其中，F(x_i，y_j)表示大小为(W，H)的峰值密度图像中第(i，j)个像素点，arg max表示求取最大值的下标，W和H分别表示峰值密度图的宽度和高度，δ₄表示该峰值密度图每个像素点的四邻域，θ为阈值。