[发明专利]基于卷积神经网络的高分辨率密集目标计数方法

权利要求书

1.一种基于卷积神经网络的高分辨率密集目标计数方法，其特征在于，包括如下步骤：

步骤1、对输入图像的密度等级进行判定，确定密集人群图像；

步骤2、利用几何自适应高斯响应计数估计密集人群图像中单个人头的尺度大小，生成监督预测密度图；

步骤3、将监督预测密度图先通过VGG-16 Net主干网络提取部分底层特征信息，再通过一个空洞卷积网络来提取全局低层特征信息，并输出空洞卷积网络中第四卷积层输出的特征图谱F_C4、第七卷积层输出的特征图谱F_C7以及最终输出第一特征图谱F₁；

步骤4、基于紧密连接网络DenseNet构建多路径扩张卷积层，采用多路径扩张卷积层从第一特征图谱F₁提取出具有多接受场的全局高级语义信息，并输出第二特征图谱F₂；

步骤5、利用空间注意力机制模块和通道注意力机制模块对第二特征图谱F₂进行加权，筛选第二特征图谱F₂中所包含的全局高级语义信息，输出第三特征图谱F₃；

步骤6、利用第三特征图谱F₃、步骤3输出的包含低层次信息的特征图谱F_C4、特征图谱F_C7进行解码操作，逐步通过上采样操作和解码卷积网络恢复第三特征图谱F₃的空间信息，并输出最终的高分辨率预测密度图；

步骤7、将高分辨率预测密度图的像素值进行累加求和，得到最终密集人群的计数结果。

2.根据权利要求1所述的基于卷积神经网络的高分辨率密集目标计数方法，其特征在于，步骤1所述对输入图像的密度等级进行判定，确定密集人群图像，具体如下：

利用图像分辨率和目标人数计算图像密度，z代表一张图像，ρ(z)为图像密度：

式中，height、width分别表示图像的高、宽包含的像素个数，number为图像中包含的目标人数；

设定阈值ε，若图像密度ρ(z)超过该阈值则判定输入图像为密集人群图像，进行密集目标计数；阈值ε根据不同的数据集和训练结果进行不同的设置。

3.根据权利要求1所述的基于卷积神经网络的高分辨率密集目标计数方法，其特征在于，步骤2中所述利用几何自适应高斯响应计数估计密集人群图像中单个人头的尺度大小，生成监督预测密度图，具体如下：

使用高斯模糊对头部标注进行模糊，并使监督预测密度图的分布遵循高斯均匀化，几何自适应高斯核定义为：

其中，D(a)为生成的监督预测密度图，先计算当前人头a和图像中所有其他人头a_k的平均距离，k=1,2,…,B-1，B为总人头数，高斯核函数的方差σ_k由平均距离乘以比例系数β得到，从而D(x)包含全局人头的像素分布，δ(·)为狄拉克函数，为方差为σ_k的高斯函数。