[发明专利]人群计数方法、装置、电子设备及存储介质

权利要求书

1.一种人群计数方法，其特征在于，所述方法包括：

获取训练图片集，并对所述训练图片集执行高斯核梯度不同的高斯变换处理，得到高斯变换后的矩阵图集；

利用所述矩阵图集对预构建的卷积核梯度不同的并行卷积神经网络进行特征提取训练，在所述特征提取训练的误差值满足第一预设条件时，得到目标特征图集和目标并行卷积神经网络；

利用所述目标特征图集对预构建的全连接神经网络进行特征降维训练，在所述特征降维训练的误差值满足第二预设条件时，得到目标全连接神经网络；

将所述目标并行卷积神经网络和所述目标全连接神经网络组合成集成模型，利用所述矩阵图集对所述集成模型进行集成训练，在所述集成训练的误差值满足第三预设条件时，得到目标集成模型；

利用所述目标集成模型对待测试图片进行人群计数，得到人群计数结果。

2.如权利要求1所述的人群计数方法，其特征在于，所述对所述训练图片集执行高斯核梯度不同的高斯变换处理，得到高斯变换后的矩阵图集，包括：

利用机器视觉工具将所述训练图片集转换为与所述训练图片集大小相同的标签矩阵集；

利用二维高斯变换公式生成不同梯度的高斯核；

利用不同梯度的高斯核对所述标签矩阵集进行计算，得到所述高斯变换后的矩阵图集。

3.如权利要求2所述的人群计数方法，其特征在于，所述利用所述矩阵图集对预构建的卷积核梯度不同的并行卷积神经网络进行特征提取训练，在所述特征提取训练的误差值满足第一预设条件时，得到目标特征图集和目标并行卷积神经网络，包括：

按照所述矩阵图集对应的高斯核的梯度大小与所述并行卷积神经网络中卷积核的梯度大小相同的原则，将所述矩阵图集分别输入到所述并行卷积神经网络对应的线路中；

并发执行所述并行卷积神经网络对应线路的特征提取的卷积计算，得到每条线路输出的特征图集；

对所有特征图集进行加权求平均计算，得到加权平均后的特征图集；

利用预测函数分别对所述加权平均后的特征图集进行计算，得到所述加权平均后的特征图集中每一张图片的预测人头数；

获取所述训练图片集中每一张图片的真实人头数；

利用预构建的第一损失函数计算所述每一张图片的预测人头数与对应的真实人头数的误差值；

判断所述误差值是否满足所述第一预设条件，若所述误差值不满足所述第一预设条件，则调整所述并行卷积神经网络的参数值，并返回所述同时并发执行所述并行卷积神经网络对应线路的特征提取的卷积计算的步骤；

若所述误差值满足所述第一预设条件，则停止所述提取特征的训练，得到所述目标特征图集和所述目标并行卷积神经网络。

4.如权利要求3所述的人群计数方法，其特征在于，所述对所有特征图集进行加权求平均计算，得到加权平均后的特征图集，包括：

根据所述并行卷积神经网络中每条线路对应的卷积核梯度的不同，对所述并行卷积神经网络中每条线路设置不同的权重值；

将所述每条线路输出的特征图集特征维度与对应线路的权重值相乘，得到所述每条线路输出的特征图集的加权值；

对所有特征图集的加权值执行平均操作，得到所述加权平均后的特征图集。

5.如权利要求3所述的人群计数方法，其特征在于，所述利用所述目标特征图集对预构建的全连接神经网络进行特征降维训练，在所述特征降维训练的误差值满足第二预设条件时，得到目标全连接神经网络，包括：

将所述目标特征图集进行特征融合，得到融合特征图集；

利用所述全连接神经网络对所述融合特征图集进行降维计算，得到一维特征图集；

根据所述一维特征图集中特征与人头数的映射关系，计算得到所述一维特征图集中每一张图片的预测人头数；

利用预构建的第二损失函数计算所述每一张图片的预测人头数与对应的真实人头数的误差值；

判断所述误差值是否满足所述第二预设条件，若所述误差值不满足所述第二预设条件，则调整所述全连接神经网络的参数值，并返回所述利用所述全连接神经网络对所述融合特征图集进行降维计算的步骤；

若所述误差值满足所述第二预设条件，则停止所述特征降维训练，得到所述目标全连接神经网络。