一种多尺度卷积神经网络的密集人群计数方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111950443A(43)申请公布日2020.11.17(21)申请号202010796403.7(22)申请日2020.08.10(71)申请人北京师范大学珠海分校地址519000广东省珠海市高新区唐家湾金凤路18号(72)发明人杨戈(74)专利代理机构珠海飞拓知识产权代理事务所(普通合伙)44650代理人刘利芬(51)Int.Cl.G06K9/00(2006.01)G06K9/46(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书5页附图3页(54)发明名称一种多尺度卷积神经网络的密集人群计数方法(57)摘要本发明公开了一种多尺度卷积神经网络的密集人群计数方法，采用SPMsCNN算法的网络结构采用基于堆积池化的多尺度卷积神经网络算法，算法中的多尺度模块有多个大小不同的滤波器，提取更多的人物特征信息，通过特征拼接保留这些信息，同时，引入堆积池化，在不引入参数和超参数的情况下，针对传统池化层进行改进，利用最大池化能保证网络模型尺度不变性的特点，通过对滤波器较小的池化层进行叠加，不仅更大范围的保证尺度不变性，还保留细粒度的信息，同时，SPMsCNN算法的网络结构层数不多，不会导致发生梯度消失或者梯度爆炸的现象的发生。CN111950443ACN111950443A权利要求书1/2页1.一种多尺度卷积神经网络的密集人群计数方法，其特征包括：首先对输入的特征图进行滤波器大小为2ⅹ2，步长为2的最大池化；并对第一次池化输出的特征图进行滤波器大小为2ⅹ2，步长为1的第二次最大池化；同理，对第二次池化输出的特征图，进行滤波器大小为3ⅹ3，步长为1的第三次最大池化；最后一步是对三次池化提取的特征图的相应位置的特征值进行平均运算，最后的结果作为新的特征图并输出人群分布密度图。2.根据权利要求1所述的一种多尺度卷积神经网络的密集人群计数方法，其特征在于：所述方法采用MSB结构，所述MSB结构是Inception结构的一个变种，MSB结构分别通过滤波器大小为9ⅹ9、7ⅹ7、5ⅹ5、3ⅹ3的卷积层对输入的特征图进行特征提取，将得到的四个特征图进行concat拼接操作。3.根据权利要求1所述的一种多尺度卷积神经网络的密集人群计数方法，其特征在于：所述输入的特征图在同一数据集里不同图片中的人物所占像素大小不同，采用MSB结构对人物特征进行提取，适应人物信息的变化，同时采用堆积池化降低同一图片中不同区域高度相似性对网络模型的影响，提高网络模型的尺度不变性。4.根据权利要求1所述的一种多尺度卷积神经网络的密集人群计数方法，其特征在于：所述方法采用SPMsCNN算法的网络结构，包括第一层、第二层第三层、第四层、第五层、第六层、第七层、第八层、第九层和第十层；第一层为卷积层,为2ⅹ2，步长为2的最大池化；第二层为MSB结构；第三层为堆积池化层；第四层为MSB结构；第五层为MSB结构；第六层为最大池化层；第七层为MSB结构；第八层为MSB结构；第九层为特征图输出卷积层；第十层为滤波器大小为1ⅹ1的特征拼接卷积层。5.根据权利要求3所述的一种多尺度卷积神经网络的密集人群计数方法，其特征在于：所述网络结构的第一层是卷积层，第二层、第四层、第五层、第七层和第八层设计为特征提取的MSB结构模块；其中第三层为堆积池化层，对特征图进行下采样，其中第六层设置为最大池化，第九层和第十层都是两个卷积层，设计第九层的卷积层输出更多通道的特征图，第十层使用滤波器大小为1ⅹ1的卷积层对特征的拼接，替代了全连接层，最后生成估计的人群分布密度图。6.根据权利要求5所述的一种多尺度卷积神经网络的密集人群计数方法，其特征在于：所述第三层由于比较靠前，设计为堆积池化层，对特征图进行下采样，在保留细粒度信息的同时，不会造成特征大量丢失。7.根据权利要求5所述的一种多尺度卷积神经网络的密集人群计数方法，其特征在于：所述第六层设为最大池化，加快训练网络模型的速度，降低由于下采样所导致特征丢失的影响。2CN111950443A权利要求书2/2页8.根据权利要求4所述的一种多尺度卷积神经网络的密集人群计数方法，其特征在于：所述估计的人群分布密度图中所有像素值的和为确定所述待测试图像中的人数。3CN111950443A说明书1/5页一种多尺度卷积神经网络的密集人群计数方法【技术领域】[0001]本发明涉及大数据统计和归集算法技术，具体涉及一种多尺度卷积神经网络的密集人群计数方法。【背景技术】[0002]将密集人群人数统计的方法大致分为三类：基于检测的方法、基于回归的方法和基于密度估计的方法，其中检测的方法顾名思义基于检测的方法就是对人物进行检测，作为检测的标准，除了人的整体