基于自适应分类的人群计数方法及系统技术方案

本发明专利技术提供一种基于自适应分类的人群计数方法及系统，属于机器视觉技术领域，将人群图像输入到训练好的分类模型中，确定所述人群图像的待识别类别，根据所述人群图像的待识别类别将所述人群图像输入到对应的训练好的计数模型中，得到人群密度图，对人群密度图进行积分计算，得到所述人群图像中的人数。本发明专利技术减小了整张图像上人头的尺度差异，减小了在尺度方面对计数结果的影响，实现了对图像块进行准确的计数，对对应尺度的密度图能够进行更精准的预测；在分支中使用空洞卷积，与具有同样大小感受野的标准卷积核相比，具有更少的参数；与具有相同参数的卷积核相比，具有更大的感受野，大大降低了计算量，提高了人群计数的计算效率。

【技术实现步骤摘要】
基于自适应分类的人群计数方法及系统
本专利技术涉及机器视觉
，具体涉及一种基于自适应分类的人群计数方法及系统。
技术介绍
随着大型公共活动的举办频率越来越高，许多安全隐患问题也随之而来。因此，需要快速准确地对场景中的人群进行计数，以便做出快速的指挥调度，及时疏散人流。人群计数的难点主要是摄像机的角度问题，表现为远离镜头的人的尺寸要比离镜头近的人的尺寸小很大，具有较大的尺度差异；此外，图像中的人群分布不均也对精确计数造成一定的困难。传统的基于检测的人群计数算法对稀疏场景中的人群较为有效，但是对于高度稠密场景的人群计数效果较差。为此，当前主流的人群计数算法主要采用卷积神经网络，其网络结构包括单列、多列等结构。单列结构训练速度快，但对多尺度信息不敏感，最终得到的估计效果较差。多列结构则是通过多列的特征图进行融合，产生最终的密度图。这种结构虽然考虑到了多尺度信息，但是在多特征图融合过程中参数众多且产生过多的冗余信息，存在计算量过大的问题。
技术实现思路
本专利技术的目的在于提供一种无冗余信息，计算量小，计算速度快的基于自适应分类的人群计数方法及系统，以解决上述
技术介绍
中存在的至少一项技术问题。为了实现上述目的，本专利技术采取了如下技术方案：一方面，本专利技术提供一种基于自适应分类的人群计数方法，包括如下步骤：将人群图像输入到训练好的分类模型中，确定所述人群图像的待识别类别，所述待识别类别按照人群图像中人头之间的尺度差异分为第一类别和第二类别；其中，所述分类模型使用多组数据训练得到，所述多组数据包括第一类数据和第二类数据，所述第一类数据中的每组数据均包括：包括人群的照片以及表示该照片属于第一类别的标签；第二类数据中的每组数据均包括：包括人群的照片以及表示该照片属于第二类别的标签；根据所述人群图像的待识别类别将所述人群图像输入到对应的训练好的计数模型中，得到人群密度图，对人群密度图进行积分计算，得到所述人群图像中的人数。优选的，所述计数模型按照人群图像中人头之间的尺度差异分为第一类计数模型和第二类计数模型；所述第一类计数模型通过第一训练集训练得到，所述第一训练集包括：包括人群的照片以及表示将该照片通过第一类计数模型预测得到的人群密度与该照片中实际的人群密度的绝对差最小的标签；所述第二类计数模型通过第二训练集训练得到，所述第二训练集包括：包括人群的照片以及表示该照片通过第二类计数模型预测得到的人群密度与该照片中实际的人群密度的绝对差最小的标签。优选的，所述计数模型的训练包括：将多幅人群图像进行扭曲化处理，并通过高斯卷积处理，得到对应的真实密度图；将每一幅人群图像及对应的真实密度图划分为大小相等的4个图像块；将所有的图像块依次分别输入第一空洞卷积网络和第二空洞卷积网络，分别得到对应的预测密度图，通过积分得到预测人数；计算每个图像块分别在第一空洞卷积网络和第二空洞卷积网络上的预测人数与真实人数间的绝对误差，取绝对误差最小的网络作为该图像块的标签；待所有的图像块均被测试完之后，被分为了两组，每组中图像块都具有表示该图像块在对应的网络上绝对误差最小的标签；将分好的两组训练图像集分别在其标签对应的空洞卷积网络上进行训练，拟合各自的数据集，预测各自对应尺度的图像中的人数。优选的，训练所述分类模型时，将两组训练集输入模型中的分类器进行训练，使分类器能够对输入的图像块进行分类，预测图像块所属的标签，将图像块传递到对应的空洞卷积网络。优选的，对人群图像进行扭曲化处理包括：距离镜头超过阈值的区域向外均匀拉伸，扩大人头的尺度；距离镜头小于阈值的区域向内收缩，缩小人头的尺度，生成相应的真实密度图。优选的，对计数模型中的第一空洞卷积网络和第二空洞卷积网络进行预训练，其损失函数定义为：其中，N为训练样本的数量，Ii为第i个输入图像块，w代表参数，F(Ii,w)表示估计的密度图，Gi表示真实密度图。优选的，所述分类模型的分类器在VGG19网络基础上，采用前16个卷积层，增加了一个全局平均池化层，再连接两个全连接层，最后连接一个softmax层。第二方面，本专利技术提供一种基于自适应分类的人群计数系统，包括：采集模块，用于采集人群图像；类别识别模块，用于将人群图像输入到训练好的分类模型中，确定所述人群图像的待识别类别，所述待识别类别按照人群图像中人头之间的尺度差异分为第一类别和第二类别；其中，所述分类模型使用多组数据训练得到，所述多组数据包括第一类数据和第二类数据，所述第一类数据中的每组数据均包括：包括人群的照片以及表示该照片属于第一类别的标签；第二类数据中的每组数据均包括：包括人群的照片以及表示该照片属于第二类别的标签；计算模块，用于根据所述人群图像的待识别类别将所述人群图像输入到对应的训练好的计数模型中，得到人群密度图，对人群密度图进行积分计算，得到所述人群图像中的人数。第三方面，本专利技术提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的方法。第四方面，本专利技术提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法。本专利技术有益效果：减小了整张图像上人头的尺度差异，减小了在尺度方面对计数结果的影响，实现了对图像块进行准确的计数，对对应尺度的密度图能够进行更精准的预测；在分支中使用了空洞卷积，与具有同样大小感受野的标准卷积核相比，具有更少的参数；与具有相同参数的卷积核相比，其具有更大的感受野，使得计算量大大降低，提高了人群计数的计算效率。本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例所述的基于自适应分类的人群计数方法流程图。图2为本专利技术实施例所述的分类预测器的功能原理框图。图3为本专利技术实施例所述的空洞卷积的原理图。图4为本专利技术实施例所述的分支网络的功能原理结构框图。具体实施方式下面详细叙述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义本文档来自技高网...

【技术保护点】
1.一种基于自适应分类的人群计数方法，其特征在于，包括如下步骤：/n将人群图像输入到训练好的分类模型中，确定所述人群图像的待识别类别，所述待识别类别按照人群图像中人头之间的尺度差异分为第一类别和第二类别；其中，所述分类模型使用多组数据训练得到，所述多组数据包括第一类数据和第二类数据，所述第一类数据中的每组数据均包括：包括人群的照片以及表示该照片属于第一类别的标签；第二类数据中的每组数据均包括：包括人群的照片以及表示该照片属于第二类别的标签；/n根据所述人群图像的待识别类别将所述人群图像输入到对应的训练好的计数模型中，得到人群密度图，对人群密度图进行积分计算，得到所述人群图像中的人数。/n

【技术特征摘要】
1.一种基于自适应分类的人群计数方法，其特征在于，包括如下步骤：
将人群图像输入到训练好的分类模型中，确定所述人群图像的待识别类别，所述待识别类别按照人群图像中人头之间的尺度差异分为第一类别和第二类别；其中，所述分类模型使用多组数据训练得到，所述多组数据包括第一类数据和第二类数据，所述第一类数据中的每组数据均包括：包括人群的照片以及表示该照片属于第一类别的标签；第二类数据中的每组数据均包括：包括人群的照片以及表示该照片属于第二类别的标签；
根据所述人群图像的待识别类别将所述人群图像输入到对应的训练好的计数模型中，得到人群密度图，对人群密度图进行积分计算，得到所述人群图像中的人数。


2.根据权利要求1所述的基于自适应分类的人群计数方法，其特征在于：所述计数模型按照人群图像中人头之间的尺度差异分为第一类计数模型和第二类计数模型；所述第一类计数模型通过第一训练集训练得到，所述第一训练集包括：包括人群的照片以及表示将该照片通过第一类计数模型预测得到的人群密度与该照片中实际的人群密度的绝对差最小的标签；所述第二类计数模型通过第二训练集训练得到，所述第二训练集包括：包括人群的照片以及表示该照片通过第二类计数模型预测得到的人群密度与该照片中实际的人群密度的绝对差最小的标签。


3.根据权利要求2所述的基于自适应分类的人群计数方法，其特征在于，所述计数模型的训练包括：
将多幅人群图像进行扭曲化处理，并通过高斯卷积处理，得到对应的真实密度图；
将每一幅人群图像及对应的真实密度图划分为大小相等的4个图像块；
将所有的图像块依次分别输入第一空洞卷积网络和第二空洞卷积网络，分别得到对应的预测密度图，通过积分得到预测人数；
计算每个图像块分别在第一空洞卷积网络和第二空洞卷积网络上的预测人数与真实人数间的绝对误差，取绝对误差最小的网络作为该图像块的标签；待所有的图像块均被测试完之后，被分为了两组，每组中图像块都具有表示该图像块在对应的网络上绝对误差最小的标签；
将分好的两组训练图像集分别在其标签对应的空洞卷积网络上进行训练，拟合各自的数据集，预测各自对应尺度的图像中的人数。


4.根据权利要求3所述的基于自适应分类的人群计数方法，其特征在于，训练所述分类模型时，将两...

【专利技术属性】
技术研发人员：吕蕾，韩润，庞辰，陈梓铭，吕晨，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：山东;37