[发明专利]一种人群密度估计和人流量统计方法

摘要

本发明涉及一种人群密度估计和人流量统计方法，本发明使用了多尺度融合的人群密度估计模型，该模型由深层网络和浅层网络组成，其中深层网络是基于VGG‑16而设计的。浅层网络主要是用来学习图片上所占像素比较小的目标的特征。而且多尺度融合的人群密度估计模型提取了深层网络不同卷积层的特征，将它们和深层网络和浅层网络的输出融合进行人群密度估计。同时将人群密度估计模型的输出当作人流量统计模型的输入，从而将两个模型融合在一起，这样不仅能大大加快神经网络的训练速度，在实际生活中的运用也更加广泛。本发明不仅提高了人群密度任务和人流量同任务的准确率，同时将人群密度估计任务和人流量统计任务在一个模型中完成。

主权项

1.一种人群密度估计和人流量统计方法，其特征在于，包括以下步骤：步骤1、对人群密度图片进行预处理操作；步骤2、将预处理后的人群密度图片上的人物头部用点标记出来，生成大小相同的二值图像，对生成的二值图像利用高斯核归一化算法产生热力图，一张热力图及与热力图相对应的人群密度图形成一组训练集；步骤3、将步骤2得到的训练集放入密度估计模型中进行训练，密度估计模型由深层网络和浅层网络组成，其中：深层网络为移除全连接层的VGG‑16，VGG‑16由五组全卷积层组成，VGG‑16的第一组卷积层和第二组卷积层有两个全卷积层，而VGG‑16的第三组全卷积层、第四组全卷积层和第五组全卷积层都由三个全卷积层组成，仅第一组卷积层、第二组卷积层、第三组全卷积层和第四组全卷积层后面连接了一层最大池化层，连接在第一组卷积层、第二组卷积层、第三组全卷积层后的最大池化层的步长为2，连接在第四组全卷积层后的最大池化层的步长为1浅层网络拥有三层卷积层和三层池化层；直接把深层网络的输出和浅层网络的输出连接起来后再加入了两个上卷积层，使得密度估计模型最后输出的特征图的大小和原始人群密度图片的大小相同；步骤4、根据训练完成的密度估计模型，将密度估计模型的输出作为双层LSTM的输出从而将人群密度估计模型和人流量统计模型连接起来，同时完成人群密度估计任务和人流量统计任务。