[发明专利]基于多尺度卷积神经网络的图像人群计数方法

摘要

本发明公开了一种基于多尺度卷积神经网络的图像人群计数方法，步骤(1)、生成连续的密度图标签，将标注过的图像转化为连续的估计密度图；步骤(2)、利用多尺度卷积神经网络得到预测人群的精确密度图，为卷积神经网络设置一个初始参数后，根据实际的密度图算出输入图片的损失L(θ)，然后在每一次优化迭代中更新整个网络的参数，直到损失值收敛到一个较小的值。与现有技术相比，本发明解决了单张图像中人群巨大尺度变化，在单支卷积神经网络的基础上，在生成预测密度图前融合了不同层级网络的特征，提取到不同深度对应不同尺度的特征，极大地提升了预测密度图的精度；解决了人群图像中的尺度变化和遮挡等问题。

主权项

一种基于多尺度卷积神经网络的图像人群计数方法，其特征在于，该方法包括以下步骤：步骤(1)、生成连续的密度图标签，将标注过的图像转化为连续的估计密度图，具体包括以下处理：将人工标记好的人头坐标生成对应的密度图，具有N个人头标记的图像表示为如下函数：H(x)=Σi=1Nδ(x-xi)]]>式中，δ(x‑xi)为delta函数；xi表示一个人头标注点所在的位置；估计密度图F(x)表达式如下：F(x)＝H(x)*；步骤(2)、利用多尺度卷积神经网络得到预测人群的精确密度图，具体包括以下处理：多尺度卷积神经网络经过卷积‑池化‑再卷积‑再池化的连接得到三个卷积层，从前三个卷积层提取到不同感受野的特征，将这些特征以级联合并的方式进行融合，再经过两个卷积层输出对应的密度图；计算该多尺度卷积神经网络的损失函数L(θ)，表达式如下：L(θ)=I2NΣi=1N||F(xi,θ)-M(xi)||22]]>其中，N为输入卷积神经网络的图像数量，xi为卷积神经网络的第i幅输入图像，M(xi)表示第i幅输入图像的精准密度图矩阵；为卷积神经网络设置一个初始参数后，根据实际的精准密度图算出输入图片的损失L(θ)，然后在每一次优化迭代中更新整个网络的参数，直到损失值收敛到一个较小的值。