CN112541891A - 一种基于空洞卷积高分辨率网络的人群计数方法及系统 - Google Patents

一种基于空洞卷积高分辨率网络的人群计数方法及系统 Download PDF

Info

Publication number
CN112541891A
CN112541891A CN202011421271.6A CN202011421271A CN112541891A CN 112541891 A CN112541891 A CN 112541891A CN 202011421271 A CN202011421271 A CN 202011421271A CN 112541891 A CN112541891 A CN 112541891A
Authority
CN
China
Prior art keywords
branch
network
resolution
crowd
hole
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.)
Granted
Application number
CN202011421271.6A
Other languages
English (en)
Other versions
CN112541891B (zh
Inventor
吕蕾
韩润
陈梓铭
吕晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Normal University
Original Assignee
Shandong Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Normal University filed Critical Shandong Normal University
Priority to CN202011421271.6A priority Critical patent/CN112541891B/zh
Publication of CN112541891A publication Critical patent/CN112541891A/zh
Application granted granted Critical
Publication of CN112541891B publication Critical patent/CN112541891B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种基于空洞卷积高分辨率网络的人群计数方法及系统，所述方案中空洞卷积高分辨率网络模型从高分辨率前端网络开始，逐步地增加低分辨率分支，形成了三个并行分支结构，每个分支都具有不同大小的感受野，可以捕捉不同尺度的特征，进行多次多尺度融合，使每一个分支都反复接收来自另一个并行分支的信息，从而生成了丰富的高分辨率密度图；本公开所述方案有效地解决了多尺度等问题，提高了人群计数的精度。

Description

一种基于空洞卷积高分辨率网络的人群计数方法及系统
技术领域
本公开涉及深度学习、计算机视觉技术领域，尤其涉及一种基于空洞卷积高分辨率网络的人群计数方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
随着人口数量的不断增长以及经济水平不断提高，各种大型活动举办得愈加频繁，人群聚集也随之越来越频繁，相应地带来了许多安全隐患问题。近些年来踩踏事件在全国乃至全世界层出不穷，引起了人们的广泛关注。与此同时，视频监控摄像机也越来越普及，遍布大街小巷，假如可以利用视频中的图像数据，精确地估算出当前场景的人数及密度分布，相关部门做出相应的措施和人流疏导，那么就可以极大程度的减少类似事件的发生。
发明人发现，人群计数问题的难点主要是在图像中人群之间的遮挡以及人员离摄像头远近造成的尺度差异等。目前主流的人群计数算法主要有基于基本CNN的方法、基于单列CNN的方法以及基于多列CNN的方法。其中基于基本CNN的方法仅采用最基本的CNN层，并没有额外的特征信息，也正因此，其计数准确度表现得比较差；基于单列的方法使用单列的且更深的CNN，但由于单列网络的简单结构，很难去获得不同尺度的特征信息。与单列网络结构相比，多列神经网络在不同的列使用不同大小的卷积核，捕捉不同尺度的信息，但是模型往往参数众多且产生过多的冗余信息，造成计算时间过长等问题。
发明内容
本公开为了解决上述问题，提供了一种基于空洞卷积高分辨率网络的人群计数方法及系统，其能够精准、快速地对图像中的人群进行计数，有效解决了在人群分布不均、尺度不同情况下的人群计数的问题。
根据本公开实施例的第一个方面，提供了一种基于空洞卷积高分辨率网络的人群计数方法，包括：
获取待测人群图像，并进行预处理；
将预处理后的人群图像输入预训练的人群计数网络，生成相应的密度图并通过积分得到预测人数；
其中，所述人群计数网络基于空洞卷积高分辨率网络，从高分辨率前端网络开始，逐步地增加低分辨率分支，形成了三个并行分支结构，每个分支具有不同大小的感受野，来捕捉不同尺度的特征，且每个分支都反复接收来自另一个并行分支的信息，进行多次多尺度融合。
根据本公开实施例的第二个方面，提供了一种基于空洞卷积高分辨率网络的人群计数系统，包括：
图像获取单元，其用于获取待测人群图像，并进行预处理；
人群计数单元，其用于将预处理后的人群图像输入预训练的人群计数网络，生成相应的密度图并通过积分得到预测人数；
其中，所述人群计数网络基于空洞卷积高分辨率网络，从高分辨率前端网络开始，逐步地增加低分辨率分支，形成了三个并行分支结构，每个分支具有不同大小的感受野，来捕捉不同尺度的特征，且每个分支都反复接收来自另一个并行分支的信息，进行多次多尺度融合。
根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种基于空洞卷积高分辨率网络的人群计数方法。
根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种基于空洞卷积高分辨率网络的人群计数方法。
与现有模型相比，本公开的有益效果是：
(1)本公开所述方案在每个分支中都使用了空洞卷积，并通过设置不同的空洞率使得其拥有一个不同大小的感受野去捕捉不同尺度的特征，相对于拥有相同大小感受野的普通卷积来讲，空洞卷积包含更少的参数，使得计算量大大降低，提高了人群计数的计算效率。
(2)本公开所述方案在并行的多分辨率分支上重复地执行多尺度融合，使得并行分支不断地交换不同分辨率的表示信息，从而产生了丰富的位置和语义信息。
(3)本公开所述方案逐步地增加从高分辨率到低分辨率的分支，并使它们并行连接，最终获得高分辨率的表示。
本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，并不构成对本公开的不当限定。
图1为本公开实施例一中所述的一种基于空洞卷积高分辨率网络的人群计数方法的整体方案流程图；
图2为本公开实施例一中所述的空洞卷积高分辨率网络模型的具体实施方案图；
图3为本公开实施例一中所述的空洞卷积高分辨率网络模型的结构图；
图4为本公开实施例一中所述的残差单元的结构图；
图5为本公开实施例一中所述的空洞卷积的原理图；
图6为本公开实施例一中所述的分支制作模块的结构图；
图7为本公开实施例一中所述的多尺度融合模块的结构图。
具体实施方式
为了使本公开的目的和技术方案更加清晰明白，下面结合附图对本公开进行详细的描述。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一：
本实施例的目的是提供一种基于空洞卷积高分辨率网络的人群计数方法。
如图1～图2所示，一种基于空洞卷积高分辨率网络的人群计数方法，具体包括以下几个步骤：
步骤一：获取人群图像数据集，并进行预处理；
所述预处理步骤包括：将获取的数据集进行整理，划分训练数据集和测试数据集，并裁切为相同的尺寸，将训练数据集进行数据增强，去掉无关信息。
步骤二：构建基于空洞卷积高分辨率的人群计数网络；
如图3所示，步骤二中的网络模型在水平方向上包括四个阶段，每个阶段都包含有一个或多个模块：第一阶段为前端网络，由四个残差单元组成，主要用于提取输入图像的低级特征；第二阶段和第三阶段都包含分支制作模块、特征提取模块以及多尺度融合模块，分别用于创建低分辨率分支、提取高级特征、融合并行分支的多尺度信息；第四阶段包含增强感受野层和输出层两个层，用于消除因多尺度融合生成的冗余信息，将处理后的特征图进行连接，输出密度图；在垂直方向上包含三个分支，它们的长度和分辨率依次降低，三个分支之间并行连接，每个分支都拥有不同大小的感受野，可以适应人头部尺度的变化。
步骤三：将预处理之后的人群图像输入我们的网络模型中，由前端网络进行低级特征的提取；
所述步骤三中的前端网络，由4个残差单元组成，每个残差单元都与ResNet-50相同，为一个宽度为64的瓶颈结构，主要用于提取输入图像的低级特征；其结构如图4中左图所示，其中a×a代表的是卷积核的大小。
步骤四：将前端网络产生的特征图依次输入网络的第二阶段和第三阶段，在每个阶段都进行如下过程：生成新的低分辨率分支、提取高级特征以及进行不同分支间的多尺度信息融合；
如图6所示，左图和右图分别为第二阶段和第三阶段的分支制作模块，第二阶段的分支制作模块使用的是空洞率为1和2的空洞卷积，用于创建一个新的并行的低分辨率分支，在第三阶段增加了一个空洞率为3的空洞卷积，用于创建一个新的并行低分辨率分支，基础卷积核大小均为3×3，图中的a×a@c-r表示卷积核长×卷积核宽@卷积核个数-空洞率，三种空洞率的空洞卷积原理图如图5所示。
如图4中右图，为特征提取模块中残差单元的结构，第二阶段和第三阶段的特征提取模块由四个残差单元组成，每个残差单元包含两个3×3卷积和一个交换单元，用来提取特征图的高级特征，并将输入和输出特征图通过交换单元融合在一起，以保持输出特征图的分辨率。
图7中的左图和右图分别为第二阶段和第三阶段中多尺度融合模块结构图，在多尺度融合模块中，我们使用1×1的卷积来执行多尺度融合，具体地，在第2阶段中，第2个分支产生的特征图采用1×1的卷积来匹配第1个分支产生的特征图，然后将两组特征图进行融合产生新的特征图，同理，对第1个分支产生的特征图进行类似的操作产生新的特征图，第3阶段的多尺度融合模块的操作与第2阶段同理。
步骤五：将第三阶段产生的特征图经过增强感受野层处理，将特征图进行连接，然后输出密度图；
所述步骤五中的增强感受野层由三个并行的空洞卷积组成，在3×3的基础卷积核大小上，三个分支卷积核的空洞率分别设置为1、2、3，用来增强感受野，消除掉前一阶段由于融合产生的冗余信息。随后将三个特征图进行连接，然后使用ReLU函数激活输出特征图。
步骤六：将最后输出的密度图与真实密度图进行损失计算，不断更新网络的参数；
步骤六中我们采用均方误差(MSE)作为损失函数，损失函数表达式如下：
Figure BDA0002822467820000071
其中b代表批大小，Ii表示输入图像，W代表参数，F(Ii,w)代表模型生成的密度图，Gi代表真实密度图。
步骤七：将待计数的人群图像输入我们已经训练好的空洞卷积高分辨率网络，生成相应的密度图并通过积分得到预测人数；
其中，所述人群计数网络基于空洞卷积高分辨率网络，从高分辨率前端网络开始，逐步地增加低分辨率分支，形成了三个并行分支结构，每个分支具有不同大小的感受野，来捕捉不同尺度的特征，且每个分支都反复接收来自另一个并行分支的信息，进行多次多尺度融合。
实施例二：
本实施例的目的是提供一种基于空洞卷积高分辨率网络的人群计数系统。
一种基于空洞卷积高分辨率网络的人群计数系统，包括：
图像获取单元，其用于获取待测人群图像，并进行预处理；
人群计数单元，其用于将预处理后的人群图像输入预训练的人群计数网络，生成相应的密度图并通过积分得到预测人数；
其中，所述人群计数网络基于空洞卷积高分辨率网络，从高分辨率前端网络开始，逐步地增加低分辨率分支，形成了三个并行分支结构，每个分支具有不同大小的感受野，来捕捉不同尺度的特征，且每个分支都反复接收来自另一个并行分支的信息，进行多次多尺度融合。
实施例三：
本实施例的目的是提供一种电子设备。
一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种基于空洞卷积高分辨率网络的人群计数方法，包括：
获取待测人群图像，并进行预处理；
将预处理后的人群图像输入预训练的人群计数网络，生成相应的密度图并通过积分得到预测人数；
其中，所述人群计数网络基于空洞卷积高分辨率网络，从高分辨率前端网络开始，逐步地增加低分辨率分支，形成了三个并行分支结构，每个分支具有不同大小的感受野，来捕捉不同尺度的特征，且每个分支都反复接收来自另一个并行分支的信息，进行多次多尺度融合。
实施例四：
本实施例的目的是提供一种非暂态计算机可读存储介质。
一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种基于空洞卷积高分辨率网络的人群计数方法，包括：
获取待测人群图像，并进行预处理；
将预处理后的人群图像输入预训练的人群计数网络，生成相应的密度图并通过积分得到预测人数；
其中，所述人群计数网络基于空洞卷积高分辨率网络，从高分辨率前端网络开始，逐步地增加低分辨率分支，形成了三个并行分支结构，每个分支具有不同大小的感受野，来捕捉不同尺度的特征，且每个分支都反复接收来自另一个并行分支的信息，进行多次多尺度融合。
上述实施例提供的一种基于空洞卷积高分辨率网络的人群计数方法及系统完全可以实现，具有广阔的应用前景。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种基于空洞卷积高分辨率网络的人群计数方法，其特征在于，包括：
获取待测人群图像，并进行预处理；
将预处理后的人群图像输入预训练的人群计数网络，生成相应的密度图并通过积分得到预测人数；
其中，所述人群计数网络基于空洞卷积高分辨率网络，从高分辨率前端网络开始，逐步地增加低分辨率分支，形成了三个并行分支结构，每个分支具有不同大小的感受野，来捕捉不同尺度的特征，且每个分支都反复接收来自另一个并行分支的信息，进行多次多尺度融合。
2.如权利要求1所述的一种基于空洞卷积高分辨率网络的人群计数方法，其特征在于，所述人群计数网络在水平方向上包括四个阶段，每个阶段包括至少一个模块；第一阶段为前端网络，第二阶段和第三阶段均包括分支制作模块、特征提取模块以及多尺度融合模块，第四阶段包括增强感受野层和输出层。
3.如权利要求1所述的一种基于空洞卷积高分辨率网络的人群计数方法，其特征在于，所述人群计数网络在垂直方向上包括三个分支，所述三个分支的长度和分辨率依次降低：分支2由分支1在分支制作模块通过使用空洞率为2的空洞卷积生成，而分支3由分支2在分支制作模块通过使用空洞率为3的空洞卷积生成，三个分支之间并行连接，每个分支都拥有不同大小的感受野，可以适应人头部尺度的变化。
4.如权利要求3所述的一种基于空洞卷积高分辨率网络的人群计数方法，其特征在于，所述分支1包含前端网络，两个分支制作模块，两个特征提取模块和两个多尺度融合模块；所述分支2与分支1具有相同的配置，但没有前端网络；所述分支3中模块的数量是分支2中模块数量的一半。
5.如权利要求1所述的一种基于空洞卷积高分辨率网络的人群计数方法，其特征在于，所述前端网络，主要用于提取输入图像的低级特征，前端网络由4个残差单元组成，每个残差单元都与ResNet-50相同，为一个宽度为64的瓶颈结构。
6.如权利要求1所述的一种基于空洞卷积高分辨率网络的人群计数方法，其特征在于，所述第二阶段和第三阶段中的分支制作模块使用了不同空洞率的空洞卷积，并使每个分支具有不同大小的感受野；所述特征提取模块由四个残差单元组成，并将输入和输出特征图通过交换单元融合在一起，以保持输出特征图的分辨率；所述多尺度融合模块，利用1×1大小的卷积来执行多尺度融合，通过多尺度融合，可以跨越并行的分支进行信息的持续交换。
7.如权利要求1所述的一种基于空洞卷积高分辨率网络的人群计数方法，其特征在于，所述增强感受野层由三个不同空洞率的并行的空洞卷积组成，用来增强感受野，消除掉前一阶段由于融合产生的冗余信息。
8.一种基于空洞卷积高分辨率网络的人群计数系统，其特征在于，包括：
图像获取单元，其用于获取待测人群图像，并进行预处理；
人群计数单元，其用于将预处理后的人群图像输入预训练的人群计数网络，生成相应的密度图并通过积分得到预测人数；
其中，所述人群计数网络基于空洞卷积高分辨率网络，从高分辨率前端网络开始，逐步地增加低分辨率分支，形成了三个并行分支结构，每个分支具有不同大小的感受野，来捕捉不同尺度的特征，且每个分支都反复接收来自另一个并行分支的信息，进行多次多尺度融合。
9.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种基于空洞卷积高分辨率网络的人群计数方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的一种基于空洞卷积高分辨率网络的人群计数方法。
CN202011421271.6A 2020-12-08 2020-12-08 一种基于空洞卷积高分辨率网络的人群计数方法及系统 Active CN112541891B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011421271.6A CN112541891B (zh) 2020-12-08 2020-12-08 一种基于空洞卷积高分辨率网络的人群计数方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011421271.6A CN112541891B (zh) 2020-12-08 2020-12-08 一种基于空洞卷积高分辨率网络的人群计数方法及系统

Publications (2)

Publication Number Publication Date
CN112541891A true CN112541891A (zh) 2021-03-23
CN112541891B CN112541891B (zh) 2022-09-09

Family

ID=75018403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011421271.6A Active CN112541891B (zh) 2020-12-08 2020-12-08 一种基于空洞卷积高分辨率网络的人群计数方法及系统

Country Status (1)

Country Link
CN (1) CN112541891B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113192006A (zh) * 2021-04-06 2021-07-30 山东师范大学 一种基于双模态网络的人群计数方法及系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241895A (zh) * 2018-08-28 2019-01-18 北京航空航天大学 密集人群计数方法及装置
CN110020606A (zh) * 2019-03-13 2019-07-16 北京工业大学 一种基于多尺度卷积神经网络的人群密度估计方法
CN110135325A (zh) * 2019-05-10 2019-08-16 山东大学 基于尺度自适应网络的人群人数计数方法及系统
CN110263849A (zh) * 2019-06-19 2019-09-20 合肥工业大学 一种基于多尺度注意力机制的人群密度估计方法
CN110852267A (zh) * 2019-11-11 2020-02-28 复旦大学 基于光流融合型深度神经网络的人群密度估计方法及装置
CN110853025A (zh) * 2019-11-15 2020-02-28 苏州大学 基于多列残差空洞卷积神经网络的人群密度预测方法
CN110889360A (zh) * 2019-11-20 2020-03-17 山东师范大学 一种基于切换卷积网络的人群计数方法及系统
CN111091093A (zh) * 2019-12-17 2020-05-01 苏州大学 一种高密度人群的数量估测方法、系统及相关装置
CN111209892A (zh) * 2020-01-19 2020-05-29 浙江中创天成科技有限公司 一种基于卷积神经网络的人群密度及数量估计方法
CN111242036A (zh) * 2020-01-14 2020-06-05 西安建筑科技大学 一种基于编码-解码结构多尺度卷积神经网络的人群计数方法
CN111488794A (zh) * 2020-02-24 2020-08-04 华中科技大学 一种基于空洞卷积的自适应感受野人群密度估计方法
CN111507183A (zh) * 2020-03-11 2020-08-07 杭州电子科技大学 一种基于多尺度密度图融合空洞卷积的人群计数方法
CN111507182A (zh) * 2020-03-11 2020-08-07 杭州电子科技大学 基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测方法
CN111611878A (zh) * 2020-04-30 2020-09-01 杭州电子科技大学 一种基于视频图像的人群计数和未来人流量预测的方法
CN111950519A (zh) * 2020-08-27 2020-11-17 重庆科技学院 基于检测与密度估计的双列卷积神经网络人群计数方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241895A (zh) * 2018-08-28 2019-01-18 北京航空航天大学 密集人群计数方法及装置
CN110020606A (zh) * 2019-03-13 2019-07-16 北京工业大学 一种基于多尺度卷积神经网络的人群密度估计方法
CN110135325A (zh) * 2019-05-10 2019-08-16 山东大学 基于尺度自适应网络的人群人数计数方法及系统
CN110263849A (zh) * 2019-06-19 2019-09-20 合肥工业大学 一种基于多尺度注意力机制的人群密度估计方法
CN110852267A (zh) * 2019-11-11 2020-02-28 复旦大学 基于光流融合型深度神经网络的人群密度估计方法及装置
CN110853025A (zh) * 2019-11-15 2020-02-28 苏州大学 基于多列残差空洞卷积神经网络的人群密度预测方法
CN110889360A (zh) * 2019-11-20 2020-03-17 山东师范大学 一种基于切换卷积网络的人群计数方法及系统
CN111091093A (zh) * 2019-12-17 2020-05-01 苏州大学 一种高密度人群的数量估测方法、系统及相关装置
CN111242036A (zh) * 2020-01-14 2020-06-05 西安建筑科技大学 一种基于编码-解码结构多尺度卷积神经网络的人群计数方法
CN111209892A (zh) * 2020-01-19 2020-05-29 浙江中创天成科技有限公司 一种基于卷积神经网络的人群密度及数量估计方法
CN111488794A (zh) * 2020-02-24 2020-08-04 华中科技大学 一种基于空洞卷积的自适应感受野人群密度估计方法
CN111507183A (zh) * 2020-03-11 2020-08-07 杭州电子科技大学 一种基于多尺度密度图融合空洞卷积的人群计数方法
CN111507182A (zh) * 2020-03-11 2020-08-07 杭州电子科技大学 基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测方法
CN111611878A (zh) * 2020-04-30 2020-09-01 杭州电子科技大学 一种基于视频图像的人群计数和未来人流量预测的方法
CN111950519A (zh) * 2020-08-27 2020-11-17 重庆科技学院 基于检测与密度估计的双列卷积神经网络人群计数方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
KE CHEN等: "Feature Mining for Localised Crowd Counting", 《RESEARCHGATE》 *
YUHONG LI等: "CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes", 《ARXIV:1802.10062V4 [CS.CV]》 *
盛馨心: "基于深度卷积神经网络的人群计数算法研究", 《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》 *
赵传强等: "面向密集人群计数的两列串行空洞卷积神经网络", 《电脑知识与技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113192006A (zh) * 2021-04-06 2021-07-30 山东师范大学 一种基于双模态网络的人群计数方法及系统

Also Published As

Publication number Publication date
CN112541891B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN107480178B (zh) 一种基于图像与视频跨模态比对的行人重识别方法
CN109993269A (zh) 基于注意力机制的单张图像人群计数方法
CN109886159B (zh) 一种非限定条件下的人脸检测方法
CN111859023A (zh) 视频分类方法、装置、设备及计算机可读存储介质
CN111507248A (zh) 一种低分辨热力图的人脸额头区域检测与定位方法及其系统
CN111488827A (zh) 一种基于多尺度特征信息的人群计数方法及系统
CN112241939B (zh) 一种基于多尺度和非局部的轻量去雨方法
CN104036243A (zh) 一种基于光流信息的行为识别方法
CN112037228A (zh) 一种基于双倍注意力的激光雷达点云目标分割方法
CN112541459A (zh) 基于多尺度感知注意力网络的人群计数方法及系统
CN111079539A (zh) 一种基于异常追踪的视频异常行为检测方法
CN110705340A (zh) 一种基于注意力神经网络场的人群计数方法
CN112766123A (zh) 一种基于纵横交叉注意力网络的人群计数方法及系统
CN112084911A (zh) 一种基于全局注意力的人脸特征点定位方法及系统
CN112418084A (zh) 一种基于点云时序信息融合的三维目标检测方法
CN112541891B (zh) 一种基于空洞卷积高分辨率网络的人群计数方法及系统
CN115545166A (zh) 一种改进的ConvNeXt卷积神经网络及其遥感图像的分类方法
CN110264483B (zh) 一种基于深度学习的语义图像分割方法
CN112329808A (zh) 一种Deeplab语义分割算法的优化方法及系统
CN116434039B (zh) 一种基于多尺度拆分注意力机制的目标检测方法
CN113192084A (zh) 一种基于机器视觉的公路边坡微小位移形变监测方法
CN111428809A (zh) 基于空间信息融合与卷积神经网络的人群计数方法
CN110555865B (zh) 一种基于帧图像的动态视觉传感器样本集建模方法
CN112184555A (zh) 一种基于深度交互学习的立体图像超分辨率重建方法
CN114596488A (zh) 基于密集特征融合网络的轻量级遥感目标检测方法

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
GR01 Patent grant
GR01 Patent grant