[发明专利]一种人群计数方法

说明书

本发明公开了一种人群计数方法，所述方法包括训练阶段和测试阶段，所述训练阶段包括以下步骤：步骤1，获得训练图像之间的相似性，并选择训练样本；步骤2，对选择的训练样本进行聚类，为每一类存储一组权重；步骤3，训练权重检索模块。本发明公开的使用存储增强的人群计数方法，构建的是多权重网络，利用了样本之间的关系，并提高了具有多个参数集的单个简单网络的泛化能力，可以与大多数现有方法集成，并显著提高其性能。

技术领域

本发明属于计算机视觉技术领域，具体涉及人群计数方法。

背景技术

人群计数任务用于估计一张图片中目标的数量，例如行人、车辆、动物等。该任务因为在多种场景下广泛的应用而引发了越来越多的关注，例如在机场、车站、大型购物中心或者人群游行时，对人群的计数均很重要。特别是在疫情大流行时，聚集的人群会显著增加被病毒感染的可能性，检测并警告人群在公共领域的聚集对控制疫情的传播具有重要的作用。

在特定的应用背景下，例如均匀的密度或固定的视角下，现有的人群计数方法已经获得了可靠的性能。但是，在不受限制的情况下，现有方法的性能将受到极大地削弱，主要原因是不受约束的目标场景在许多方面都很复杂，包括不同的视角、可变的比例、不同的密度以及宽范围的亮度和对比度等，最终导致被计数的目标的视觉特征发生显著变化。

大多数现有方法尝试使用具有多个通道的单一网络来处理不受约束的情况，不同的通道用于处理不同尺度的数据。但是，相关研究指出，很难通过单个网络解决人群计数问题，建议利用多个网络，其中每个网络负责特定的规模或密度。例如，Switch-CNN即是在多通道的CNN之前设计了一个switch结构来为指定的图片寻找最优的通道，但由于手动设计多通道是不切实际的，因此，Switch-CNN只能处理有限的比例变化。

此外，为了处理跨场景计数任务，现有技术首先在训练数据集上对模型进行了预训练，在推理阶段，使用粗糙的密度图和给定的透视图来查找与测试图像相似且精细的训练样本，然后在这些样本上调整预训练模型以获得该测试图像的定制模型。但是，透视图并不容易获得，在通常情况下不可用，而且密度图之间的相似性无法描述图像之间的复杂相关性。

可见，现有大多数的人群计数方法采用复杂的结构、参数量大的骨干网络来增强人群计数的泛化性，但是当在大规模数据集上测试时，这些方法带来的改善并不能使人满意。因此，有必要提供一种新的人群计数方法，以解决上述问题。

发明内容

为了克服上述问题，本发明人进行了锐意研究，结果发现：通过分析样本之间的关系建立了一个采用多组参数的人群计数网络，该网络对不同的样本加载不同的参数；同时提出了一种任务驱动的相似度，其基于样本间的在微调时的互相增强关系，根据相似度，相似的样本将被聚类为一个集群，每个集群被用来获取一组特定的参数，该方法利用了样本之间的关系，并提高了具有多个参数集的单个简单网络的泛化能力，可以与大多数现有方法集成，并显著提高其性能，从而完成了本发明。

具体来说，本发明的目的在于提供以下方面：

第一方面，提供了一种使用存储增强的人群计数方法，所述方法包括训练阶段和测试阶段，所述训练阶段包括以下步骤：

步骤1，获得训练图像之间的相似性，并选择训练样本；

步骤2，对选择的训练样本进行聚类，为每一类存储一组权重；

步骤3，训练权重检索模块。

第二方面，提供了一种计算机可读存储介质，存储有使用存储增强的人群计数程序，所述程序被处理器执行时，使得处理器执行所述使用存储增强的人群计数方法的步骤。

第三方面，提供了一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有使用存储增强的人群计数程序，所述程序被处理器执行时，使得处理器执行所述使用存储增强的人群计数方法的步骤。

本发明所具有的有益效果包括：