[发明专利]一种自监督的幂律分布人群计数方法、装置和电子设备

说明书

本发明实施例涉及通信技术领域，特别涉及一种自监督的幂律分布人群计数方法、装置和电子设备，通过自训练的方式实现人群密度空间信息的建模，通过引入幂律分布描绘人群分布，极大优化了传统人群计数Point‑wise的标签化过程，补足了当前主流视觉计数模型只能利用强监督的形式进行人群计数建模的问题。此外，模型还能充分的应用在迁移学习框架中，在多个视觉背景场景下获得较好的自适应迁移效果。

技术领域

本申请实施例涉及计算机技术领域，特别涉及一种自监督的幂律分布人群计数方法、装置和电子设备。

背景技术

近年来，随着智慧交通、医疗器械、智慧景区等领域的兴起，人群计数问题成为了计算机视觉领域的研究热点。既利用相机作为传感器，通过获取群体场景的视觉信息实现群体计数。大量的前人实验中已经证实了，群体计数模型在社会安全和控制管理等领域扮演了重要的角色。

目前，群体计数模型的研究主要分为两类：基于特征提取的计数模型；基于深度学习的计数模型。基于特征的计数模型主要通过设计人工特征提取算子，例如视觉信息中的纹理、梯度、边缘特征，实现视觉计数；当面对高强度密集人群的场景中，基于特征提取的计数模型的计数精度会下降。随着深度学习在计算机视觉领域中的广泛应用，通过卷积网络自适应的学习人群特征，成为了目前人群计数模型的主流方案。利用深度学习实现人群计数目前有两种主流方式，即深度回归计数模型和分类计数模型。深度回归计数模型主要通过密度估计回归的方式，针对人群特征和视觉密度图之间映射关系进行建模，实现场景的计数。此外，基于深度分类计数模型通过将标签离散化的方式将图像样本当作识别问题进行建模。相比于特征提取的计数模型，基于深度学习的人群计数模型由于利用了卷积神经网络的强大特征表达能力，提升了计数的精确性。

当前，以深度学习为代表的人工智能技术已被证明具备非常强的特征学习能力，并在计算机视觉、自然语言处理等应用中获得了显著的效果。在人群计数领域，卷积神经网络的计数模型主要是基于样本-标签的强监督的训练形式，严重依赖样本标签化的过程。而标签化过程只能通过人工，利用逐点打标的方式，标签化效率低，标签化成本高。

发明内容

本发明实施方式的目的在于提供一种自监督的幂律分布人群计数方法、装置和电子设备，解决了现有技术中只能通过人工，利用逐点打标的方式，标签化效率低，标签化成本高的问题。

为解决上述技术问题，第一方面，本发明的实施方式提供了一种自监督的幂律分布人群计数方法，包括：

S1、将视觉场景样本图像切分成若干子图像块，得到训练样本集；

S2、对所述训练样本集中的每个所述子图像块按多个预设旋转角度的一个预设旋转角度进行随机旋转，每个所述预设旋转角度对应一个旋转标签，确定每个所述子图像块的旋转标签；

S3、根据每个旋转标签下的所述子图像块进行构建的双流自监督幂律分布人群计数网络进行训练，得到用于人群场景计数的双流自监督幂律分布人群计数网络；其中，所述双流自监督幂律分布人群计数网络包括人群分布匹配网络和多个旋转方向卷积网络，每个所述预设旋转角度对应一个旋转方向卷积网络。

作为优选的，步骤S1具体包括：

S11、对视觉场景样本图像进行图像增强处理，并进行亮度增强和色彩增强；所述图像增强处理包括翻转；

S12、将步骤S11处理后的所述视觉场景样本图像切分成若干子图像块。

作为优选的，步骤S3中，所述旋转方向卷积网络包括卷积层、池化层和全连结层；每层所述卷积层后都嵌入有Batch_Normalization结构；所述旋转方向卷积网络用于预测旋转标签；

所述人群分布匹配网络包括卷积层和池化层；每层所述卷积层后都嵌入有Batch_Normalization结构。

作为优选的，步骤S3具体包括：