CN112488074A - 一种基于卷积神经网络的引导区域密集人群计数方法 - Google Patents
一种基于卷积神经网络的引导区域密集人群计数方法 Download PDFInfo
- Publication number
- CN112488074A CN112488074A CN202011523187.5A CN202011523187A CN112488074A CN 112488074 A CN112488074 A CN 112488074A CN 202011523187 A CN202011523187 A CN 202011523187A CN 112488074 A CN112488074 A CN 112488074A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- density distribution
- training
- picture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种基于卷积神经网络的引导区域密集人群计数方法，属于计算机视觉技术领域。利用累加的高斯核函数矩阵生成人群的密度分布图；对卷积神经网络进行训练；利用训练完成的生成器，将场景图片输入，得到相应场景图片密度分布图，利用场景图片像素值累加表征图片的人群总数。本发明首次将卷积神经网络引入到人群计数的解决方案中，从全新的生成式模型角度对问题进行求解；具有训练时间短，训练简单，同时得到更优密度分布图的优点，更具有实际的应用价值。
Description
技术领域
本发明涉及一种基于卷积神经网络的引导区域密集人群计数方法，属于计算机视觉技术领域。
背景技术
人群计数可定义为:给定一张对应的图片统计出图片中的人群的总的数量。它是一种自动的人群计数技术，能在监控网络中快速的求取场景中人群的数量，是智能视频监控等应用中的重要的组成部分。
大型活动已经成为经济发展和文化交流的重要载体，而群体管理也成为社会管理中的重要方面。人群的数量是人群的重要属性，可以为管理者提供重要的决策信息，在近年来的卷积神经网络应用领域受到广泛的关注和研究。目前并没有将卷积神经网络引入到人群计数的方案，使得人群计数操作较为复杂。
发明内容
为解决背景技术中存在的问题，本发明提供一种基于卷积神经网络的引导区域密集人群计数方法。
实现上述目的，本发明采取下述技术方案：一种基于卷积神经网络的引导区域密集人群计数方法，所述方法包括如下步骤：
S1：利用累加的高斯核函数矩阵生成人群的密度分布图；
S2：对卷积神经网络进行训练；
S3：利用训练完成的生成器，将场景图片输入，得到相应场景图片密度分布图，利用场景图片像素值累加表征图片的人群总数。
与现有技术相比，本发明的有益效果是：
本发明首次将卷积神经网络引入到人群计数的解决方案中，从全新的生成式模型角度对问题进行求解；具有训练时间短，训练简单，同时得到更优密度分布图的优点，更具有实际的应用价值。
具体实施方式
下面对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于卷积神经网络的引导区域密集人群计数方法，所述方法包括如下步骤：
S1：利用累加的高斯核函数矩阵生成人群的密度分布图；
S2：对卷积神经网络进行训练；
S3：利用训练完成的生成器，将场景图片输入，得到相应场景图片密度分布图，利用场景图片像素值累加表征图片的人群总数。
所述S1包括如下步骤：
S101：标注训练图片，在对应的行人头部标注点xi；
S102：计算整幅图像的人群密度分布图，以每个行人点坐标为中心，构造一个满足累加值为1的高斯核函数矩阵块δ(x-xi)*Gσ，进而通过对单个行人的累加作为整体密度其中δ(x-xi)代表位于xi处的单个行人，Gσ代表二维的高斯滤波算子。
所述S2包括：利用生成器编码网络提取输入图片的语义属性信息，生成器解码网络生成人群密度分布图样本，混合第一和第二步得到的密度分布图，抽样，利用判别器判别抽样得到密度分布图属于生成器生成或属于第一步得到的真实密度分布图的样本；得到训练完成的卷积神经网络中的生成器；
所述卷积神经网络包括：特征提取层、部位检测层、形变处理层、遮挡处理层以及分类器；
所述特征提取层根据提取图像中检测区域的像素值，对所述检测区域的像素值进行预处理，并对所述预处理后的图像进行特征提取，得到所述检测区域的特征图；
所述部位检测层通过M个过滤器分别检测所述检测区域的特征图，输出所述检测区域的M个部位对应的响应图，每个过滤器用于检测一个部位，每个部位对应一个响应图；
所述形变处理层根据所述M个部位对应的响应图分别确定所述M个部位的形变，并根据所述M个部位的形变确定所述M个部位的得分图；
所述遮挡处理层根据所述M个部位的得分图确定所述M个部位对应的遮挡；
所述分类器根据所述遮挡处理层的输出结果，确定所述检测区域内是否有目标物体。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同条件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (4)
1.一种基于卷积神经网络的引导区域密集人群计数方法，其特征在于：所述方法包括如下步骤：
S1：利用累加的高斯核函数矩阵生成人群的密度分布图；
S2：对卷积神经网络进行训练；
S3：利用训练完成的生成器，将场景图片输入，得到相应场景图片密度分布图，利用场景图片像素值累加表征图片的人群总数。
2.根据权利要求1所述的一种基于卷积神经网络的引导区域密集人群计数方法，其特征在于：所述S1包括如下步骤：
S101：标注训练图片，在对应的行人头部标注点x i；
S102：计算整幅图像的人群密度分布图，以每个行人点坐标为中心，构造一个满足累加值为1的高斯核函数矩阵块δ(x-x i)*Gσ，进而通过对单个行人的累加作为整体密度其中δ(x-x i)代表位于x i处的单个行人，Gσ代表二维的高斯滤波算子。
3.根据权利要求1或2所述的一种基于卷积神经网络的引导区域密集人群计数方法，其特征在于：所述S2包括：利用生成器编码网络提取输入图片的语义属性信息，生成器解码网络生成人群密度分布图样本，混合第一和第二步得到的密度分布图，抽样，利用判别器判别抽样得到密度分布图属于生成器生成或属于第一步得到的真实密度分布图的样本；得到训练完成的cGAN网络中的生成器。
4.根据权利要求3所述的一种基于卷积神经网络的引导区域密集人群计数方法，其特征在于：所述卷积神经网络包括：特征提取层、部位检测层、形变处理层、遮挡处理层以及分类器；
所述特征提取层根据提取图像中检测区域的像素值，对所述检测区域的像素值进行预处理，并对所述预处理后的图像进行特征提取，得到所述检测区域的特征图；
所述部位检测层通过M个过滤器分别检测所述检测区域的特征图，输出所述检测区域的M个部位对应的响应图，每个过滤器用于检测一个部位，每个部位对应一个响应图；
所述形变处理层根据所述M个部位对应的响应图分别确定所述M个部位的形变，并根据所述M个部位的形变确定所述M个部位的得分图；
所述遮挡处理层根据所述M个部位的得分图确定所述M个部位对应的遮挡；
所述分类器根据所述遮挡处理层的输出结果，确定所述检测区域内是否有目标物体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011523187.5A CN112488074A (zh) | 2020-12-21 | 2020-12-21 | 一种基于卷积神经网络的引导区域密集人群计数方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011523187.5A CN112488074A (zh) | 2020-12-21 | 2020-12-21 | 一种基于卷积神经网络的引导区域密集人群计数方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112488074A true CN112488074A (zh) | 2021-03-12 |
Family
ID=74915060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011523187.5A Pending CN112488074A (zh) | 2020-12-21 | 2020-12-21 | 一种基于卷积神经网络的引导区域密集人群计数方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112488074A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104680508A (zh) * | 2013-11-29 | 2015-06-03 | 华为技术有限公司 | 卷积神经网络和基于卷积神经网络的目标物体检测方法 |
| CN107330364A (zh) * | 2017-05-27 | 2017-11-07 | 上海交通大学 | 一种基于cGAN网络的人群计数方法及系统 |
-
2020
- 2020-12-21 CN CN202011523187.5A patent/CN112488074A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104680508A (zh) * | 2013-11-29 | 2015-06-03 | 华为技术有限公司 | 卷积神经网络和基于卷积神经网络的目标物体检测方法 |
| CN107330364A (zh) * | 2017-05-27 | 2017-11-07 | 上海交通大学 | 一种基于cGAN网络的人群计数方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Detection algorithm of safety helmet wearing based on deep learning | |
| CN107330364B (zh) | 一种基于cGAN网络的人群计数方法及系统 | |
| CN112183471A (zh) | 一种现场人员防疫口罩规范佩戴的自动检测方法及系统 | |
| CN106845415B (zh) | 一种基于深度学习的行人精细化识别方法及装置 | |
| CN113076683B (zh) | 用于变电站行为监测的卷积神经网络模型的建模方法 | |
| CN109101944B (zh) | 一种识别向河道内抛投垃圾的实时视频监控方法 | |
| CN103246896B (zh) | 一种鲁棒性车辆实时检测与跟踪方法 | |
| CN103839065A (zh) | 人群动态聚集特征提取方法 | |
| CN104217417B (zh) | 一种视频多目标跟踪的方法及装置 | |
| CN110674826B (zh) | 基于量子纠缠的字符识别方法 | |
| CN107977639A (zh) | 一种人脸清晰度判断方法 | |
| CN113989858B (zh) | 一种工作服识别方法及系统 | |
| CN109886159A (zh) | 一种非限定条件下的人脸检测方法 | |
| CN115841649A (zh) | 一种用于城市复杂场景的多尺度人数统计方法 | |
| CN105657372A (zh) | 实现执勤哨位视频智能侦测预警的方法及系统 | |
| Han et al. | A method based on multi-convolution layers joint and generative adversarial networks for vehicle detection | |
| CN105243354B (zh) | 一种基于目标特征点的车辆检测方法 | |
| CN111429376A (zh) | 高低精度融合的高效数字图像处理方法 | |
| CN114997279A (zh) | 一种基于改进Yolov5模型的建筑工人危险区域入侵检测方法 | |
| CN111832475B (zh) | 一种基于语义特征的人脸误检筛除方法 | |
| CN116311082B (zh) | 基于关键部位与图像匹配的穿戴检测方法及系统 | |
| CN113822110A (zh) | 一种目标检测的方法和装置 | |
| CN101877135A (zh) | 一种基于背景重构的运动目标检测方法 | |
| CN112488074A (zh) | 一种基于卷积神经网络的引导区域密集人群计数方法 | |
| CN110135224B (zh) | 一种监控视频的前景目标提取方法及系统、存储介质及终端 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210312 |