CN115965613A - 基于空洞卷积的跨层连接的施工场景人群计数方法 - Google Patents
基于空洞卷积的跨层连接的施工场景人群计数方法 Download PDFInfo
- Publication number
- CN115965613A CN115965613A CN202310015749.2A CN202310015749A CN115965613A CN 115965613 A CN115965613 A CN 115965613A CN 202310015749 A CN202310015749 A CN 202310015749A CN 115965613 A CN115965613 A CN 115965613A
- Authority
- CN
- China
- Prior art keywords
- crowd
- density map
- counting
- image
- network
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 239000011800 void material Substances 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了基于空洞卷积的跨层连接的施工场景人群计数方法，(1)获取公开的人群计数数据集，并根据人工标注生成真实密度图；(2)建立基于空洞卷积的跨层连接的施工场景人群计数网络CL‑DCNN；(3)将数据集中的人群图像输入人群计数网络CL‑DCNN输出图像的预测密度图；(4)将输出的预测密度图进行积分求和得到图像的人群总数，并将输出的预测密度图与真实密度图进行损失计算，不断迭代更新人群计数网络中的参数；(5)将施工场景下的测试图片输入训练好的人群计数网络，生成人群密度图并积分求和得到人群计数结果。本发明具有很好的自适应能力和很高的预测精度。
Description
技术领域
本发明属于图像处理与计算机视觉技术领域，具体涉及基于空洞卷积的跨层连接的施工场景人群计数方法。
背景技术
工地的施工现场充满安全隐患，现场人员过多更易造成大型事故的发生，如果能及时掌握现场人员的数量及定位，就能早一步发现安全隐患，做出及时的合理疏通，减少人员伤亡，可见在施工场景下进行人群计数是很有意义的。
目前关于人群计数的方法可大体分为三类：(1)基于检测的方法，使用一个移动窗口式检测器来识别图像中的人，并将此信息用于计数任务中。检测有两种方式，基于整体和基于局部的方式，用检测器提取出整体或局部特征后，训练分类器，例如支持向量机、Boosting和随机森林等。但无论何种基于检测的方法，都很难处理人群之间严重的遮挡问题。(2)基于回归的方法，分两个步骤：第一步，从人群图像中提取有效特征，早期利用手工特征，如边缘特征和纹理特征(方向梯度直方图HOG、尺度不变特征SIFT、局部二值模式LBP、灰度共生矩阵GLCM等)，第二步，利用各种回归函数来估计人群数量，回归方法包括线性回归，岭回归和高斯过程回归等。这种方法从特征直接回归人群计数结果，无法体现出人群密度分布。(3)基于卷积神经网络的方法，使用卷积神经网络构建一个端到端的回归方法，将整个图像作为输入，直接预测人群图像的密度图，将密度图积分求和即可得到人群计数结果。
施工现场大多复杂多变，人群往往呈不均匀分布，且由于人群离摄像设备的远近不同，人的大小也会出现视角信息的畸变，人与人之间、背景与人之间也都遮挡严重等，这些问题都给施工场景人群计数任务带来了不小的困难，本发明基于此提出了一种基于空洞卷积的跨层连接的施工场景人群计数方法。
发明内容
本发明的目的在于提供基于空洞卷积的跨层连接的施工场景人群计数方法，以解决人群图像中出现视角畸变、人群之间遮挡严重等问题。
本发明所采用的技术方案是：基于空洞卷积的跨层连接的施工场景人群计数方法，具体包括如下步骤：
步骤1，获取公开的人群计数数据集，并根据人群图像对应的标注信息生成真实密度图；
步骤2，建立基于空洞卷积的跨层连接的施工场景人群计数网络CL-DCNN；
步骤3，将数据集中的人群图像输入步骤2的CL-DCNN输出图像的预测密度图；
步骤4，将输出的预测密度图进行积分求和得到图像的人群总数，并将输出的预测密度图与真实密度图进行损失计算，不断选代更新人群计数网络中的参数，得到最优的人群计数网络CL-DCNN；
步骤5，将施工场景下的测试图片输入步骤4训练好的最优的人群计数网络CL-DCNN，输出对应的人群分布密度图，对密度图积分求和得到施工场景人群图像的计数结果。
本发明的特点还在于，
步骤1所述数据集包括人群图像和对应的人工标注文件，所述人工标注文件的格式为图片内每个人头位置的坐标，对每个数据集分别进行整理归类，随机抽选出所需数量的图片作为训练集，剩下的作为测试集。
根据数据集包含的标注信息，将原始图像按照标注信息经过二值化后采用高斯平滑生成人群图像的真实密度图，具体如下。
在一张人群图像中，首先创建一张与原图大小一致的全0矩阵，设像素xi处有一个人头目标，将其表示为δ(x-xi)，并在矩阵中将该点处的值置1，则一张带有N个人头标记的图像定义为H(x)，用如下公式表示：
其中，x代表二维坐标，i表示人群图像中在像素xi处有人头，N代表人群图像的人头总数，将人群密度图定义为F(x)，由H(x)与二维高斯核卷积得到，
此时密度图F(x)计算公式如下。
不同数据集由于人群分布的稀疏程度不同，高斯核的标准差也不同，当图像中人群分布较均匀时，此时采用固定标准差的高斯核，σi＝15；
当图像中人群较密集时，由于视角畸变严重，人头会呈现不同大小，此时采用k个最近邻人头距离的平均值作为高斯核的标准差，即在同一张人群图像内不同位置的人头采用不同标准差的高斯核，＝3：
σi＝βdi (4)
其中，*表示卷积操作，β是系数因子，di代表像素xi处的人头k个最近邻人头距离的平均值，
表示像素xi处的人头和像素xj处的人头间的距离。
步骤2具体如下：
步骤2.1：构建基于空洞卷积的跨层连接的施工场景人群计数网络CL-DCNN，确定网络的结构、深度、训练方式；
步骤2.2：步骤2.1所述的CL-DCNN由前端网络和后端网络两部分组成，其中前端网络采用VGG16的前10层卷积层作为特征提取器，生成深层特征图；后端网络将深层特征图进行二维空洞卷积扩大感受野，提取更深层次的语义特征，与浅层特征图进行通道维度的拼接以实现多层特征的融合，再将融合后的特征图进行上采样，得到与原图大小一致的密度图。
步骤3具体如下:
将从步骤1的数据集中获取的训练集图片，输入步骤2.1的人群计数网络CL-DCNN中输出预测密度图。
步骤4具体如下：
步骤4.1：将步骤3输出的预测密度图进行积分求和得到人群总数结果，并将步骤3生成的预测密度图与步骤1中生成的真实密度图计算均方误差作为计数损失，除了计算人群计数损失以外，还计算预测密度图和真实密度图之间的结构相似性损失函数来衡量预测密度图的质量；
步骤2.1所述的人群计数网络CL-DCNN的损失函数
由计数损失
和SSIM损失函数
组成，计算公式如下。
其中，
表示人群计数损失，计算预测密度图与真实密度图的误差平方和，M表示样本总个数，
表示SSIM损失，用来约束预测密度图的质量；α表示权重因子，是个超参数。Xi表示第i个输入样本，θ表示模型参数集合，F(Xi,θ)表示第i个样本的预测密度图，Di表示第i个样本的真实密度图；
步骤4.2、根据步骤4.1中设计的损失函数
采用Adam优化器训练步骤2.1中的人群计数网络CL-DCNN，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，经过偏执校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳；
步骤4.3、训练结束，得到最优的人群计数网络CL-DCNN。
给定预测密度图p和对应的真实密度图q，它们的SSIM计算公式如下：
c1＝(k1L)2,c2＝(k2L)2
其中，μp是预测密度图p的像素平均值，μq是真实密度图q的像素平均值，
是预测密度图p的像素方差，
是真实密度图q的像素方差，σpq是预测密度图p和真实密度图q的像素协方差；c1,c2是用来维持稳定的常数，L是输入图像像素值的动态范围，此处的L＝255，k1＝0.01，k2＝0.03；SSIM的取值范围是[-1,1]，预测密度图p和真实密度图q的相似度越高，它们之间的SSIM度量指数值就越高。
本发明的有益效果是，本发明的基于空洞卷积的跨层连接的施工场景人群计数方法基于CNN特征，不仅可以处理任意尺度的图像，而且检测精度较高，采用空洞卷积扩大感受野，可以适应图像内尺寸变化的人群。采用浅层特征图与深层特征图跨层连接，可以达到多层特征融合的效果，充分利用各层特征。最后采用SSIM(Structural Simlarity，结构相似性)损失，进一步约束生成的密度图的质量。这种方法具有很好的自适应能力和很高的预测精度。
附图说明
图1是本发明的基于空洞卷积的跨层连接的施工场景人群计数方法的整体实施方案流程图；
图2是本发明的基于空洞卷积的跨层连接的施工场景人群计数方法的训练模型示意图；
图3(a)是本发明的基于空洞卷积的跨层连接的施工场景人群计数方法应用于实际场景的检测效果图；
图3(b)是图3(a)的人群计数网络预测的密度图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用与限制本发明的范围，在阅读本发明后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明的整体实施方案流程图参照图1-图2，基于空洞卷积的跨层连接的施工场景人群计数方法，包括以下步骤：
S1、获取公开的人群计数数据集，并根据人群图像对应的标注信息生成真实密度图；
S2、建立基于空洞卷积的跨层连接的施工场景人群计数网络CL-DCNN(Cross-Layer Dilated Convolution Neural Network)；
S3、将数据集中的人群图像输入步骤S2的CL-DCNN输出图像的预测密度图；
S4、将输出的预测密度图进行积分求和得到图像的人群总数，并将输出的预测密度图与真实密度图进行损失计算，不断选代更新人群计数网络中的参数；
S5、将施工场景下的测试图片输入步骤S4训练好的人群计数网络，生成人群密度图并积分求和得到人群计数结果。
进一步的，所述步骤S1的具体步骤如下：
S11、从网上获取多个公开的人群计数数据集，其中包括人群图像和对应的人工标注文件，所属标注文件的格式为图片内每个人头位置的坐标。对每个数据集分别进行整理归类，随机抽选出所需数量的图片作为训练集，剩下的作为测试集；
S12、根据数据集包含的人工标注信息，将原始图像按照标注信息经过二值化后采用高斯平滑生成人群图像的真实密度图。
在一张人群图像中，首先创建一张与原图大小一致的全0矩阵，设像素xi处有一个人头目标，将其表示为δ(x-xi)，并在矩阵中将该点处的值置1，则一张带有N个人头标记的图像定义为H(x)，用如下公式表示。
其中x代表二维坐标，i表示人群图像中在像素xi处有人头，N代表人群图像的人头总数。将人群密度图定义为F(x)，由H(x)与二维高斯核Gσ()卷积得到，
此时密度图F(x)计算公式如下。
不同数据集由于人群分布的稀疏程度不同，高斯核的标准差也不同，当图像中人群分布较均匀时，此时采用固定标准差的高斯核，σi＝15；
当图像中人群较密集时，由于视角畸变严重，人头会呈现不同大小，此时采用k个最近邻人头距离的平均值作为高斯核的标准差，即在同一张人群图像内不同位置的人头采用不同标准差的高斯核，＝3：
σi＝βdi (4)
其中，*表示卷积操作，β是系数因子，di代表像素xi处的人头k个最近邻人头距离的平均值，
表示像素xi处的人头和像素xj处的人头间的距离。
进一步的，所述步骤S2的具体步骤如下：
S21、构建建立基于空洞卷积的跨层连接的施工场景人群计数网络CL-DCNN，确定网络的结构、深度、训练方式；
S22、步骤S21所述的CL-DCNN由前端网络和后端网络两部分组成，其中前端网络采用VGG16的前10层卷积层作为特征提取器，生成深层特征图；后端网络将深层特征图进行空洞卷积扩大感受野，提取更深层次的语义特征，与浅层特征图进行通道维度的拼接以实现多层特征的融合，再将融合后的特征图进行上采样，得到与原图大小一致的密度图。
空洞卷积，又称扩张卷积、扩展卷积，是在标准的特征图中加入空洞，以此来增加感受野，相比原来的正常卷积，空洞卷积中多了一个空洞率，正常卷积的空洞率为1。在参数量相同的情况下，采用空洞卷积可增大感受野，大的感受野有助于识别不同人群密度区域内的目标，避免稀疏区域人头尺寸较大的行人被遗漏。
CL-DCNN的卷积层的具体参数如表1所示。前端的Conv1-2表示原图经过第一组两个相同的卷积核进行卷积，卷积核尺寸为3*3，卷积核数量为64，空洞率为1，空洞率为1的空洞卷积与普通卷积相同，此时得到64个特征图。在Conv1-2之后加入一个最大池化层进行降采样，特征图的尺寸变为原始图像的1/2；Conv2-2表示将所得的特征图经过第二组两个相同的卷积核进行卷积，卷积核尺寸为3*3，卷积核数量为128，得到128个特征图，并在Conv2-2后加入一层最大池化层进行降采样，此时特征图尺寸变为原图像的1/4；将得到的特征图输入Conv3-1至Conv3-3中，得到256个特征图，并在之后加入最大池化层，此时特征图尺寸变为原始图像的1/8；再将得到的特征图输入到Conv4-1至Conv4-3中，得到512个特征图。随后将得到的特征图输入空洞卷积，卷积核个数为256，特征图尺寸保持不变，为原始图像的1/8；和Conv3-3得到的特征图进行通道维度上的融合，将融合后的特征图经过上采样，此时的特征图尺寸变为原始图像的1/4；将得到的特征图和前端Conv2-2得到的特征图进行融合，经过上采样，得到1/2原始图像的特征图；将所得特征图与前端Conv1-2得到的特征图进行融合，再进行上采样，就得到和原始图像尺寸相同的特征图，最后经过1*1的卷积核改变通道数，变为单通道的密度图。
表1CL-DCNN各层卷积层具体参数
进一步的，所述步骤S3的具体步骤如下：
S31、将从步骤S1的数据集中获取的训练集图片，输入步骤S21的人群计数网络CL-DCNN中输出预测密度图。
进一步的，所述步骤S4的具体步骤如下：
S41、将步骤S31输出的预测密度图进行积分求和得到人群总数结果，并将步骤S31生成的预测密度图与步骤S1中生成的真实密度图计算均方误差作为计数损失。为了克服人群图像中背景干扰严重的问题，除了计算人群计数损失以外，还采用SSIM损失函数来衡量预测密度图的质量，提高模型的计数精度。
步骤S21所述的人群计数网络CL-DCNN的损失函数
由计数损失
和SSIM损失函数
组成，具体的，计算公式如下。
其中，
表示人群计数损失，计算预测密度图与真实密度图的误差平方和，M表示样本总个数，
表示SSIM损失，用来约束预测密度图的质量。α表示权重因子，是个超参数；Xi表示第i个输入样本，θ表示模型参数集合，F(Xi,)表示第i个样本的预测密度图，Di表示第i个样本的真实密度图。
给定预测密度图p和对应的真实密度图q，它们的SSIM计算公式如下：
c1＝(k1L)2,c2＝(k2L)2
其中，μp是预测密度图p的像素平均值，μq是真实密度图q的像素平均值，
是预测密度图p的像素方差，
是真实密度图q的像素方差，σpq是预测密度图p和真实密度图q的像素协方差。c1,c2是用来维持稳定的常数，L是输入图像像素值的动态范围，此处的L＝255，k1＝0.01，k2＝0.03。SSIM的取值范围是[-1,1]，预测密度图p和真实密度图q的相似度越高，它们之间的SSIM度量指数值就越高；
S42、根据S41中设计的损失函数采用Adam优化器进行模型训练，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，经过偏执校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳；
S43、训练结束，得到最优的人群计数网络CL-DCNN。
进一步的，所述步骤S5的具体步骤如下：
S51、将提前采集好的施工场景下的人群图像作为测试图像输入步骤S43所述的最优的人群计数网络CL-DCNN，输出对应的人群分布密度图，对密度图积分求和得到施工场景人群图像的计数结果。
如图3(a)-(b)所示，我们将实际场景中拍摄的施工场景图片输入到步骤S43所述的最优的人群计数网络CL-DCNN，检测出图片中的人群计数结果，达到了理想效果。
综上所述，本发明公开了一种基于空洞卷积的跨层连接的施工场景人群计数方法，主要阐述了训练的方法。首先，获取公开的人群计数数据集，并根据人工标注生成真实密度图；其次，建立基于空洞卷积的跨层连接的施工场景人群计数网络CL-DCNN(Cross-Layer Dilated Convolution Neural Network)；然后，将数据集中的人群图像输入人群计数网络CL-DCNN输出图像的预测密度图；将预测密度图进行积分求和得到图像的人群总数，并将输出的预测密度图与真实密度图进行损失计算，不断迭代更新人群计数网络中的参数；最后，将施工场景下的测试图片输入训练好的人群计数网络，生成人群密度图并积分求和得到人群计数结果。
本发明提供的基于空洞卷积的跨层连接的施工场景人群计数方法基于CNN特征，不仅可以处理任意尺度的图像，而且检测精度较高，采用空洞卷积扩大感受野，可以适应图像内尺寸变化的人群。采用浅层特征图与深层特征图跨层连接，可以达到多层特征融合的效果，充分利用各层特征。最后采用SSIM损失，进一步约束生成的密度图的质量。这种方法具有很好的自适应能力和很高的预测精度。
Claims (7)
1.基于空洞卷积的跨层连接的施工场景人群计数方法，其特征在于，具体包括如下步骤：
步骤1，获取公开的人群计数数据集，并根据人群图像对应的标注信息生成真实密度图；
步骤2，建立基于空洞卷积的跨层连接的施工场景人群计数网络CL-DCNN；
步骤3，将数据集中的人群图像输入步骤2的CL-DCNN输出图像的预测密度图；
步骤4，将输出的预测密度图进行积分求和得到图像的人群总数，并将输出的预测密度图与真实密度图进行损失计算，不断选代更新人群计数网络中的参数，得到最优的人群计数网络CL-DCNN；
步骤5，将施工场景下的测试图片输入步骤4训练好的最优的人群计数网络CL-DCNN，输出对应的人群分布密度图，对密度图积分求和得到施工场景人群图像的计数结果。
2.根据权利要求1所述的基于空洞卷积的跨层连接的施工场景人群计数方法，其特征在于，步骤1所述数据集包括人群图像和对应的人工标注文件，所述人工标注文件的格式为图片内每个人头位置的坐标，对每个数据集分别进行整理归类，随机抽选出所需数量的图片作为训练集，剩下的作为测试集。
3.根据权利要求1所述的基于空洞卷积的跨层连接的施工场景人群计数方法，其特征在于，根据数据集包含的标注信息，将原始图像按照标注信息经过二值化后采用高斯平滑生成人群图像的真实密度图，具体如下：
在一张人群图像中，首先创建一张与原图大小一致的全0矩阵，设像素xi处有一个人头目标，将其表示为δ(x-xi)，并在矩阵中将该点处的值置1，则一张带有N个人头标记的图像定义为H(x)，用如下公式表示：
其中，x代表二维坐标，i表示人群图像中在像素xi处有人头，N代表人群图像的人头总数，将人群密度图定义为F(x)，由H(x)与二维高斯核卷积得到，
此时密度图F(x)计算公式如下：
不同数据集由于人群分布的稀疏程度不同，高斯核的标准差也不同，当图像中人群分布较均匀时，此时采用固定标准差的高斯核，σi＝15；
当图像中人群较密集时，由于视角畸变严重，人头会呈现不同大小，此时采用k个最近邻人头距离的平均值作为高斯核的标准差，即在同一张人群图像内不同位置的人头采用不同标准差的高斯核，k＝3：
σi＝βdi (4)
其中，*表示卷积操作，β是系数因子，di代表像素xi处的人头k个最近邻人头距离的平均值，
表示像素xi处的人头和像素xj处的人头间的距离。
4.根据权利要求1所述的基于空洞卷积的跨层连接的施工场景人群计数方法，其特征在于，步骤2具体如下：
步骤2.1：构建基于空洞卷积的跨层连接的施工场景人群计数网络CL-DCNN，确定网络的结构、深度、训练方式；
步骤2.2：步骤2.1所述的CL-DCNN由前端网络和后端网络两部分组成，其中前端网络采用VGG16的前10层卷积层作为特征提取器，生成深层特征图；后端网络将深层特征图进行二维空洞卷积扩大感受野，提取更深层次的语义特征，与浅层特征图进行通道维度的拼接以实现多层特征的融合，再将融合后的特征图进行上采样，得到与原图大小一致的密度图。
5.根据权利要求1所述的基于空洞卷积的跨层连接的施工场景人群计数方法，其特征在于，步骤3具体如下:
将从步骤1的数据集中获取的训练集图片，输入步骤2.1的人群计数网络CL-DCNN中输出预测密度图。
6.根据权利要求1所述的基于空洞卷积的跨层连接的施工场景人群计数方法，其特征在于，步骤4具体如下：
步骤4.1：将步骤3输出的预测密度图进行积分求和得到人群总数结果，并将步骤3生成的预测密度图与步骤1中生成的真实密度图计算均方误差作为计数损失，除了计算人群计数损失以外，还计算预测密度图和真实密度图之间的结构相似性损失函数来衡量预测密度图的质量；
步骤2.1所述的人群计数网络CL-DCNN的损失函数
由计数损失
和SSIM损失函数
组成，计算公式如下：
其中，
表示人群计数损失，计算预测密度图与真实密度图的误差平方和，M表示样本总个数，
表示SSIM损失，用来约束预测密度图的质量；α表示权重因子，是个超参数，Xi表示第i个输入样本，θ表示模型参数集合，F(Xi,θ)表示第i个样本的预测密度图，Di表示第i个样本的真实密度图；
步骤4.2、根据步骤4.1中设计的损失函数
采用Adam优化器训练步骤2.1中的人群计数网络CL-DCNN，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，经过偏执校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳；
步骤4.3、训练结束，得到最优的人群计数网络CL-DCNN。
7.根据权利要求1所述的基于空洞卷积的跨层连接的施工场景人群计数方法，其特征在于，给定预测密度图p和对应的真实密度图q，它们的SSIM计算公式如下：
c1＝(k1L)2，c2＝(k2L)2
其中，μp是预测密度图p的像素平均值，μq是真实密度图q的像素平均值，
是预测密度图p的像素方差，
是真实密度图q的像素方差，σpq是预测密度图p和真实密度图q的像素协方差；c1,c2是用来维持稳定的常数，L是输入图像像素值的动态范围，此处的L＝255，k1＝0.01，k2＝0.03；SSIM的取值范围是[-1,1]，预测密度图p和真实密度图q的相似度越高，它们之间的SSIM度量指数值就越高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310015749.2A CN115965613A (zh) | 2023-01-05 | 2023-01-05 | 基于空洞卷积的跨层连接的施工场景人群计数方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310015749.2A CN115965613A (zh) | 2023-01-05 | 2023-01-05 | 基于空洞卷积的跨层连接的施工场景人群计数方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115965613A true CN115965613A (zh) | 2023-04-14 |
Family
ID=87361379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310015749.2A Pending CN115965613A (zh) | 2023-01-05 | 2023-01-05 | 基于空洞卷积的跨层连接的施工场景人群计数方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115965613A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116311083A (zh) * | 2023-05-19 | 2023-06-23 | 华东交通大学 | 一种人群计数模型训练方法及系统 |
-
2023
- 2023-01-05 CN CN202310015749.2A patent/CN115965613A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116311083A (zh) * | 2023-05-19 | 2023-06-23 | 华东交通大学 | 一种人群计数模型训练方法及系统 |
| CN116311083B (zh) * | 2023-05-19 | 2023-09-05 | 华东交通大学 | 一种人群计数模型训练方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107665492B (zh) | 基于深度网络的结直肠全景数字病理图像组织分割方法 | |
| CN111723693B (zh) | 一种基于小样本学习的人群计数方法 | |
| CN114091606B (zh) | 一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法 | |
| CN108038435B (zh) | 一种基于卷积神经网络的特征提取与目标跟踪方法 | |
| CN107977661B (zh) | 基于fcn与低秩稀疏分解的感兴趣区域检测方法 | |
| CN111611861B (zh) | 一种基于多尺度特征关联的图像变化检测方法 | |
| CN107767416B (zh) | 一种低分辨率图像中行人朝向的识别方法 | |
| CN114022759A (zh) | 一种融合神经网络时空特性的空域有限像素目标检测系统及方法 | |
| CN112991269A (zh) | 一种肺部ct图像的识别分类方法 | |
| CN107944459A (zh) | 一种rgb‑d物体识别方法 | |
| CN102346854A (zh) | 前景物体检测方法和设备 | |
| CN109635726B (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
| CN107305691A (zh) | 基于图像匹配的前景分割方法及装置 | |
| CN111832642A (zh) | 一种基于vgg16在昆虫分类学上的图像识别方法 | |
| CN106157330A (zh) | 一种基于目标联合外观模型的视觉跟踪方法 | |
| CN108734200A (zh) | 基于bing特征的人体目标视觉检测方法和装置 | |
| CN104573701B (zh) | 一种玉米雄穗性状的自动检测方法 | |
| CN115965613A (zh) | 基于空洞卷积的跨层连接的施工场景人群计数方法 | |
| CN116740135A (zh) | 红外弱小目标跟踪方法、装置、电子设备及存储介质 | |
| CN117636400B (zh) | 基于图像可识别动物身份的方法及系统 | |
| CN110910497A (zh) | 实现增强现实地图的方法和系统 | |
| CN117037049B (zh) | 基于YOLOv5深度学习的图像内容检测方法及系统 | |
| CN105844299B (zh) | 一种基于词袋模型的图像分类方法 | |
| CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
| CN112418262A (zh) | 车辆再识别的方法、客户端及系统 |
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 |