[发明专利]人群计数方法及装置

权利要求书

1.一种人群计数方法，其特征在于，包括：

构建特征提取网络、下采样网络、上采样网络、回归网络和分类网络，依次连接所述特征提取网络、所述下采样网络、所述上采样网络、所述回归网络和所述分类网络，得到人群计数模型；

获取训练数据集，利用所述训练数据集训练所述人群计数模型：计算所述训练数据集中训练样本对应的密度归一化平均精度，基于所述密度归一化平均精度实现所述训练样本中预测点与真值点之间的第一次匹配，利用匈牙利算法实现所述训练样本中所述预测点与所述真值点之间的第二次匹配，其中，所述训练样本的标签包括所述真值点，所述训练样本中有人的位置为所述真值点，无人的位置为假值点；

利用训练好的所述人群计数模型检测目标图像中人群的数量；

其中，构建特征提取网络，包括：将所述特征提取网络的输入经过第一膨胀卷积层处理，得到第一特征；将所述第一特征分别经过所述第一膨胀卷积层处理、第二膨胀卷积层处理、第三膨胀卷积层处理和第四膨胀卷积层处理，得到第二特征、第三特征、第四特征和第五特征；将所述第二特征和所述第三特征经过第一普通卷积层处理，得到第一聚合特征，将所述第四特征和所述第五特征经过所述第一普通卷积层处理，得到第二聚合特征，将所述第一聚合特征和所述第二聚合特征经过所述第一普通卷积层处理，得到第三聚合特征，其中，所述第三聚合特征是所述特征提取网络的输出；

其中，计算所述训练数据集中训练样本对应的密度归一化平均精度，基于所述密度归一化平均精度实现所述训练样本中预测点与真值点之间的第一次匹配，包括：确定所述人群计数模型关于所述训练样本的准确率-召回率曲线；计算准确率-召回率曲线对应的面积，将计算结果作为所述密度归一化平均精度；将所述密度归一化平均精度小于预设阈值所对应的所述预测点与所述真值点进行匹配。

2.根据权利要求1所述的方法，其特征在于，所述特征提取网络内部网络从前到后依次为：一个第一膨胀卷积层，并行的所述第一膨胀卷积层、第二膨胀卷积层、第三膨胀卷积层和第四膨胀卷积层，两个第一普通卷积层，一个所述第一普通卷积层。

3.根据权利要求1所述的方法，其特征在于，所述下采样网络由多个多倍下采样层串行连接组成，其中，多倍下采样层是由第二普通卷积层构成的，所述下采样网络的输入是所述特征提取网络的输出，所述下采样网络的输出是所述上采样网络的输入。

4.根据权利要求1所述的方法，其特征在于，构建上采样网络，包括：

将所述下采样网络的输出记作第六特征，所述下采样网络的输出是所述上采样网络的输入；

将所述下采样网络的输出经过多倍上采样层处理，得到第七特征，其中，所述多倍上采样层是由第二普通卷积层构成的；

将所述第七特征和所述下采样网络的多个多倍下采样层中与所述第七特征尺寸相同的输出经过所述第二普通卷积层处理，得到第八特征，其中，所述第八特征是所述上采样网络的输出，所述上采样网络的输出是所述回归网络和所述分类网络的输入。

5.根据权利要求1所述的方法，其特征在于，所述回归网络是由多个第二普通卷积层串行连接构成，所述回归网络使用的损失函数是欧式距离损失函数；

所述分类网络是由多个第二普通卷积层和激活函数串行连接构成，所述分类网络使用的损失函数是交叉熵损失函数。

6.根据权利要求1所述的方法，其特征在于，利用匈牙利算法实现所述训练样本中所述预测点与所述真值点之间的第二次匹配，包括：

在当前训练中计算并更新所述预测点与所述真值点之间对应的置信度，当所述置信度大于预设分数时确定所述预测点与所述真值点是匹配的，当所述置信度不大于所述预设分数时确定所述预测点与所述真值点是不匹配的，将不匹配的预测点归为背景，以完成多次迭代训练；

当多个所述预测点与一个所述真值点是匹配的或者一个所述预测点与多个所述真值点是匹配的，计算每两个所述预测点与所述真值点之间的欧氏距离，根据每两个所述预测点与所述真值点之间的欧氏距离，实现所述预测点与所述真值点一对一的匹配。