[发明专利]一种复杂环境下的拥挤度分类方法

权利要求书

1.一种复杂环境下的拥挤度分类方法，其特征在于，包括以下步骤：

(1)图像预处理：统一每张监控图像的分辨率；

(2)建立遮挡物检测模型：

①创建Mask R-CNN模型，加载数据集上预训练的模型参数；

②网络模型前向传播，将图像和标注信息输入网络，首先经过ResNet-50提取图像特征，然后再经过FPN模块提取图像的多尺度特征，经过RPN模块获得获选框，然后再经过RoIAlign模块和全连接层等得到最后的分类、分割以及掩码；

③更新模型参数，根据图像的标注信息和步骤②的结果，分别进行边框回归、分类损失计算和分割损失计算，并通过梯度反向传播更新参数；损失计算公式如下所示，

代表分类损失，是一个二类对数损失，代表边框回归损失，是一个smooth L1损失，代表分割误差，是一个平均二值交叉熵损失，重复②③过程直到达到预设的终止条件；

(3)将采集的监控图像输入训练好的遮挡物检测模型，得到描述图像中遮挡物空间位置的二值掩码；

①将待检索监控图像进行预处理，进行图像尺寸标准化；

②识别监控图像中的遮挡物，将处理好的待检索监控图像输入训练好的网络模型，前向传播后得到描述遮挡物空间位置的二值掩码；

(4)建立图像修补模型，加载在图像数据集Places2上已训练完全的模型参数；将步骤3得到的遮挡物空间位置二值掩码和原始监控图像输入网络，网络将结合上下文信息对遮挡区域进行修补，对行人图像缺失的区域进行填充，消除遮挡的区域，最终输出修补后的监控图像；

(5)建立行人检测模型，加载模型在人群计数数据集上已训练完全的模型参数；将步骤4得到的已修补监控图像输入网络中，网络检测图像中的行人数目，确定拥挤分类。

2.如权利要求1所述的复杂环境下的拥挤度分类方法，其特征在于，所述步骤1中图像分辨率统一设置为256*256。

3.如权利要求1所述的复杂环境下的拥挤度分类方法，其特征在于，所述步骤2中将待使用的训练集按照COCO格式构造，采用COCO train2017数据集，其中每幅图像都要标注出遮挡行人的物体。