申请/专利权人：苏州玖合智能科技有限公司

申请日：2020-12-16

公开（公告）日：2024-03-12

公开（公告）号：CN112632601B

主分类号：G06F21/62

分类号：G06F21/62;G06F18/214;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.12#授权;2021.04.27#实质审查的生效;2021.04.09#公开

摘要：一种面向地铁车厢场景的人群计数方法，步骤包括：一、首先采用广角摄像机获取车厢内的图像数据，并对数据进行处理；二、然后把数据送入人群特征识别网络进行处理，进行人群计数。在步骤一中，将实时视频按时间截取图片，进行矫正和增强，然后把实时数据送入步骤二进行处理；在步骤二中，对于实时数据，先判断是稀疏人群数据还是密集人群数据；人群特征识别网络使用权重A和权重B分别用于稀疏和密集人群数据计数。

主权项：1.一种面向地铁车厢场景的人群计数方法，其特征是步骤包括：一、首先采用广角摄像机获取车厢内的图像数据，并对数据进行处理；二、然后把数据送入人群特征识别网络进行处理，进行人群计数；在步骤一中，将实时视频按时间截取图片，进行矫正和增强，然后把实时数据送入步骤二进行处理；人群特征识别网络的预训练过程为：首先，将图片裁剪为上下两部分，将每一张的尺度变化缩小在可控范围，以便提升人群计数准确率；将人头尺度大的图片送入大尺度后端网络以更好的适应大尺度人群；人头尺度小的图片送入小尺度后端网络以适应小尺度人群；人群特征识别网络分别进行两次训练：首先，使用的数据是地铁早晚高峰时段的数据，这个时段的数据集具有人群密集遮挡严重的特点，训练结束后得到的对应示密集的权重B；第二次使用晚十点或者地铁终点站附近站点的车厢内数据进行训练，数据集特点是人群稀疏，位置随机性大，训练结束后得到对应稀疏的权重A；在上述步骤中，使用不同数据集分别得到权重A和权重B两个权重文件，将其分别存储；由于地铁车厢中人群分布存在时间差异，在人群特征识别网络中将使用不同权重来适应人群分布的时间差异；在步骤二中，对于实时数据，先判断是稀疏人群数据还是密集人群数据；人群特征识别网络使用权重A和权重B分别用于稀疏和密集人群数据计数；权重A和权重B的选用方法为：取空无一人的车厢图片作为背景，将得到的实时数据与背景图片进行遮挡比对，当遮挡率小于某个阈值将其认定为稀疏人群数据，读取权重A来进行计数，反之，读取权重B进行计数；所述人群特征识别网络包括：网络前端：前端网络采用剔除了全连接层的VGG-16网络，并且采用3×3的卷积核；上采样层：前端的VGG-16网络中，进行了三次最大池化，用以降低特征图的分辨率；网络后端：后端网络为三层分支网络，它们分别采用空洞率为2和3的空洞卷积，空洞卷积的定义如下： 其中：xm,n是长宽分别为M和N的输入图像信息，经过卷积核wi,j得到空洞卷积的输出ym,n；参数r表示空洞率；如果r＝1，则空洞卷积是普通卷积；所述人群特征网络的训练步骤包括：1生成密度图：采用脉冲函数卷积高斯核的方式来定义密度图；假设标注点的位置为xi，则具有N个头的标签设为Hx；如果假设在一个人头区域的周围，人群的密度是均匀的，它的最近邻给出了一个对于几何形变的合理的估计；为了使得密度图能够更好地与不同视角且人群很密的图像对应起来，使用几何适应高斯核的密度图；对于每一个人头的位置点xi，给出了多个近邻距离的平均值di，与xi相关的像素对应于场景中地面上的一个区域，这个区域的半径与di成正比；为了估计xi周围的人群密度，则把Hx卷积一个自适应的高斯核，这个高斯核的方差σi是可变的并且和di成比例；2损失函数在训练期间，随机梯度下降的学习率固定为1e-6；采用欧氏距离测量生成的密度图与真实值的距离；使用分块计算损失函数的方法，将高密度区域和低密度区域分别计算损失以减少误差；3评估标准评估人群密度估计模型时，采用均方误差MSE和平均绝对误差MAE，MSE用来描述模型的准确度，MSE越小则准确度越高，MAE能反映出预测值的误差情况。

全文数据：

权利要求：

百度查询： 苏州玖合智能科技有限公司 面向地铁车厢场景的人群计数方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD