CN111639668A - 一种基于深度学习的人群密度检测方法 - Google Patents
一种基于深度学习的人群密度检测方法 Download PDFInfo
- Publication number
- CN111639668A CN111639668A CN202010306723.XA CN202010306723A CN111639668A CN 111639668 A CN111639668 A CN 111639668A CN 202010306723 A CN202010306723 A CN 202010306723A CN 111639668 A CN111639668 A CN 111639668A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- network structure
- model
- crowd density
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的人群密度检测方法,包括以下步骤:S1:数据采集与标注;S2:标签密度图生成;S3:双层网络结构设计,构建优化的VGG19网络与卷积层网络结构双层网络;S4:模型训练,将训练图像及与其对应的标签密度图共同输入到S3设计的网络结构中,基于欧几里得损失函数,计算标签密度图和预测密度图之间的损失值,将损失值进行网络反向传播以更新权值,不断迭代最终完成模型训练,将结果模型进行保存;S5:模型预测。本发明中,通过对视频图像进行高斯滤波预处理,有效抑制了噪声,减少了像素干扰,同时设计并构建了双层网络结构,经过训练的模型,提高了在复杂背景下人群密度检测的准确率。
Description
技术领域
本发明涉及人群密度检测技术领域,具体涉及一种基于深度学习的人群密度检测方法。
背景技术
视频监控是现代安防技术的关键组成部分。视频监控***历经模拟、数字视频监控,当前已进入智能视频监控时代。智能视频监控将传统视频监控技术与人工智能技术进行深度融合,通过构建一系列的算法模型,使得安防监控能够更加智能化、自动化,减少了人工干预,提高了监控效率和准确性。在智能视频监控***中,人群密度检测是一项核心任务,特别是在景点、车站、商场等应用场景中,通过摄像头采集人群影像数据,快速分析统计人数,对过高人群密度进行告警,提前进行人流疏散,有助于避免出现过分拥挤甚至踩踏等安全事件。
专利文件(CN106022219A)公开了一种非垂直俯视视角的人群密度检测方法,它将背景差分法与三帧差分法相结合对目标图像进行前景提取,然后运用Canny算子对图像进行边缘检测。再运用图像分割技术对视频图像进行分层处理,再分别统计不同层次图像的边缘像素总和,根据与不同层次的临界值的比较,得到各个层次的人群密度信息。根据不同层次图像与摄像头的位置关系对其加权,最终求各层次人群密度信息加权均值,得到整个检测区域的人群密度信息。本方法可以在保证较大检测视角的基础上,有效解决在非垂直俯视视角的人群密度检测效率与检测精度相矛盾的问题,适用于人群密度较大的公共场所;但是该人群密度检测方法没有对视频图像进行高斯滤波预处理,会有噪声的干扰,从而对像素产生干扰,而且没有采用双层网络结构,检测人群密度准确性较低。
发明内容
为了克服上述的技术问题,本发明的目的在于提供一种基于深度学习的人群密度检测方法,通过对视频图像进行高斯滤波预处理,有效抑制了噪声,减少了像素干扰,同时设计并构建了双层网络结构,经过训练的模型,提高了在复杂背景下人群密度检测的准确率。
本发明的目的可以通过以下技术方案实现:
一种基于深度学习的人群密度检测方法,包括以下步骤:
S1:数据采集与标注,采集人群密度检测训练和测试图像,对图像进行标注,得到标注信息为人头中心点的坐标;
S2:标签密度图生成,基于图像的标注信息,对每个人头中心点位置,利用归一化后的高斯核进行模糊处理,生成标签密度图;
S3:双层网络结构设计,构建优化的VGG19网络与卷积层网络结构双层网络;
S4:模型训练,将训练图像及与其对应的标签密度图共同输入到S3设计的网络结构中,基于欧几里得损失函数,计算标签密度图和预测密度图之间的损失值,将损失值进行网络反向传播以更新权值,不断迭代最终完成模型训练,将结果模型进行保存;
S5:模型预测,将待检测图像输入上述训练好的深度神经网络模型中,得到待检测图像的最终人群密度图,对所述最终人群密度图进行积分,即可获得待检测图像中人的总数。
进一步在于:所述标签密度图生成的具体步骤:
步骤一:在进行标签密度图生成之前,首先基于高斯滤波对图像进行去噪,利用二维高斯分布函数,生成高斯模板,扫描监控图像中所有的像素点,用模板框选范围内像素点的加权平均值,作为新生成图像的像素点的值,其中二维高斯分布函数为其中x,y为像素点的坐标值;
步骤二:在检测模型构建前,针对已标注人像位置的图像,经过高斯滤波器模糊处理后,同时生成相应人群密度图。
进一步在于:所述S3中在卷积层的构建中,使用的激活函数为ReLU函数,其中ReLU函数公式为f(x)=max(0,x)。
进一步在于:所述S3中构建优化的VGG19网络与卷积层网络结构的具体步骤:
步骤一:双层网络结构的第一层为优化的VGG19网络结构,VGG19网络有5个最大池化层,每个层的步幅为2,因此输出特征图的大小仅为输入图像的1/32,将第4和第5个最大池化层删掉,使得输出特征图的大小变为输入图像的1/8;
步骤二:第二层为6个卷积层的结构,每2个卷积层之后使用1个平均池化层,确保输出特征图的大小同样为输入图像的1/8,连接第一层和第二层的输出特征图,利用卷积核为1x1的卷积层对连接后的特征图进行卷积,进一步进行反卷积层,将输出的特征图上采样到输入图像的大小,以获得最终的预测密度图。
本发明的有益效果:
通过对视频图像进行高斯滤波预处理,有效抑制了噪声,减少了像素干扰,同时设计并构建了双层网络结构,经过训练的模型,提高了在复杂背景下多尺度目标检测的准确率,双层网络结构的设计,能够同时有效地捕获高级语义信息和低级特征,对于大规模变化下的人群密度检测具有较好的效果。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明中人群密度检测方法流程图;
图2是本发明中人群密度检测网络结构图。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1-2所示,一种基于深度学习的人群密度检测方法,包括以下步骤:
S1:数据采集与标注,采集人群密度检测训练和测试图像,对图像进行标注,得到标注信息为人头中心点的坐标;
S2:标签密度图生成,基于图像的标注信息,对每个人头中心点位置,利用归一化后的高斯核进行模糊处理,生成标签密度图;
S3:双层网络结构设计,构建优化的VGG19网络与卷积层网络结构双层网络;
S4:模型训练,将训练图像及与其对应的标签密度图共同输入到S3设计的网络结构中,基于欧几里得损失函数,计算标签密度图和预测密度图之间的损失值,将损失值进行网络反向传播以更新权值,不断迭代最终完成模型训练,将结果模型进行保存;
S5:模型预测,将待检测图像输入上述训练好的深度神经网络模型中,得到待检测图像的最终人群密度图,对所述最终人群密度图进行积分,即可获得待检测图像中人的总数。
所述标签密度图生成的具体步骤:
步骤一:在进行标签密度图生成之前,首先基于高斯滤波对图像进行去噪,利用二维高斯分布函数,生成高斯模板,扫描监控图像中所有的像素点,用模板框选范围内像素点的加权平均值,作为新生成图像的像素点的值,其中二维高斯分布函数为其中x,y为像素点的坐标值;
步骤二:在检测模型构建前,针对已标注人像位置的图像,经过高斯滤波器模糊处理后,同时生成相应人群密度图。
所述S3中在卷积层的构建中,使用的激活函数为ReLU函数,其中ReLU函数公式为f(x)=max(0,x);
所述S3中构建优化的VGG19网络与卷积层网络结构的具体步骤:
步骤一:双层网络结构的第一层为优化的VGG19网络结构,VGG19网络有5个最大池化层,每个层的步幅为2,因此输出特征图的大小仅为输入图像的1/32,将第4和第5个最大池化层删掉,使得输出特征图的大小变为输入图像的1/8;
步骤二:第二层为6个卷积层的结构,每2个卷积层之后使用1个平均池化层,确保输出特征图的大小同样为输入图像的1/8,连接第一层和第二层的输出特征图,利用卷积核为1x1的卷积层对连接后的特征图进行卷积,进一步进行反卷积层,将输出的特征图上采样到输入图像的大小,以获得最终的预测密度图。
实施例一
如图2所示,采集图像中的人群,生成标签密度图,第一层网络中的卷积层、最大池化层、卷积层、最大池化层、卷积层、最大池化层,卷积层、卷积层均经过卷积运算后输出的特征图的大小分别为256*256、128*128、128*128、64*64、64*64、32*32、32*32、32*32,输出特征图的个数分别为64、64、128、128、256、256、512、512,第二层网络中的卷积层、平均池化层、卷积层、平均池化层、卷积层、平均池化层均经过卷积运算后输出的特征图的大小分别为256*256、128*128、128*128、64*64、64*64、32*32,输出特征图的个数分别为24、24、24、24、24、24,再依次通过连接层、卷积核大小为1*1的卷积层,反卷积层进行卷积运算,输出的特征图的大小分别为32*32、32*32、256*256,输出特征图的个数分别为536、1、1,最后输出一个为256*256的人群密度的结果。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (4)
1.一种基于深度学习的人群密度检测方法,其特征在于,包括以下步骤:
S1:数据采集与标注,采集人群密度检测训练和测试图像,对图像进行标注,得到标注信息为人头中心点的坐标;
S2:标签密度图生成,基于图像的标注信息,对每个人头中心点位置,利用归一化后的高斯核进行模糊处理,生成标签密度图;
S3:双层网络结构设计,构建优化的VGG19网络与卷积层网络结构双层网络;
S4:模型训练,将训练图像及与其对应的标签密度图共同输入到S3设计的网络结构中,基于欧几里得损失函数,计算标签密度图和预测密度图之间的损失值,将损失值进行网络反向传播以更新权值,不断迭代最终完成模型训练,将结果模型进行保存;
S5:模型预测,将待检测图像输入上述训练好的深度神经网络模型中,得到待检测图像的最终人群密度图,对所述最终人群密度图进行积分,即可获得待检测图像中人的总数。
3.根据权利要求1所述的一种基于深度学习的人群密度检测方法,其特征在于,所述S3中在卷积层的构建中,使用的激活函数为ReLU函数,其中ReLU函数公式为f(x)=max(0,x)。
4.根据权利要求1所述的一种基于深度学习的人群密度检测方法,其特征在于,所述S3中构建优化的VGG19网络与卷积层网络结构的具体步骤:
步骤一:双层网络结构的第一层为优化的VGG19网络结构,VGG19网络有5个最大池化层,每个层的步幅为2,因此输出特征图的大小仅为输入图像的1/32,将第4和第5个最大池化层删掉,使得输出特征图的大小变为输入图像的1/8;
步骤二:第二层为6个卷积层的结构,每2个卷积层之后使用1个平均池化层,确保输出特征图的大小同样为输入图像的1/8,连接第一层和第二层的输出特征图,利用卷积核为1x1的卷积层对连接后的特征图进行卷积,进一步进行反卷积层,将输出的特征图上采样到输入图像的大小,以获得最终的预测密度图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010306723.XA CN111639668A (zh) | 2020-04-17 | 2020-04-17 | 一种基于深度学习的人群密度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010306723.XA CN111639668A (zh) | 2020-04-17 | 2020-04-17 | 一种基于深度学习的人群密度检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111639668A true CN111639668A (zh) | 2020-09-08 |
Family
ID=72330758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010306723.XA Pending CN111639668A (zh) | 2020-04-17 | 2020-04-17 | 一种基于深度学习的人群密度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639668A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396587A (zh) * | 2020-11-20 | 2021-02-23 | 重庆大学 | 一种基于协同训练和密度图的公交车厢内拥挤度检测方法 |
CN113139464A (zh) * | 2021-04-23 | 2021-07-20 | 国网山东省电力公司青岛市即墨区供电公司 | 一种电网故障检测方法 |
CN113158780A (zh) * | 2021-03-09 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 区域人群密度估计方法、电子设备及存储介质 |
CN113902703A (zh) * | 2021-10-08 | 2022-01-07 | 中国科学院半导体研究所 | 对象统计模型的训练方法、对象统计方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301387A (zh) * | 2017-06-16 | 2017-10-27 | 华南理工大学 | 一种基于深度学习的图像高密度人群计数方法 |
CN109815867A (zh) * | 2019-01-14 | 2019-05-28 | 东华大学 | 一种人群密度估计和人流量统计方法 |
CN110503014A (zh) * | 2019-08-08 | 2019-11-26 | 东南大学 | 基于多尺度掩码感知回馈卷积神经网络的人数统计方法 |
CN110765833A (zh) * | 2019-08-19 | 2020-02-07 | 中云智慧(北京)科技有限公司 | 一种基于深度学习的人群密度估计方法 |
-
2020
- 2020-04-17 CN CN202010306723.XA patent/CN111639668A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301387A (zh) * | 2017-06-16 | 2017-10-27 | 华南理工大学 | 一种基于深度学习的图像高密度人群计数方法 |
CN109815867A (zh) * | 2019-01-14 | 2019-05-28 | 东华大学 | 一种人群密度估计和人流量统计方法 |
CN110503014A (zh) * | 2019-08-08 | 2019-11-26 | 东南大学 | 基于多尺度掩码感知回馈卷积神经网络的人数统计方法 |
CN110765833A (zh) * | 2019-08-19 | 2020-02-07 | 中云智慧(北京)科技有限公司 | 一种基于深度学习的人群密度估计方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396587A (zh) * | 2020-11-20 | 2021-02-23 | 重庆大学 | 一种基于协同训练和密度图的公交车厢内拥挤度检测方法 |
CN112396587B (zh) * | 2020-11-20 | 2024-01-30 | 重庆大学 | 一种基于协同训练和密度图的公交车厢内拥挤度检测方法 |
CN113158780A (zh) * | 2021-03-09 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 区域人群密度估计方法、电子设备及存储介质 |
CN113158780B (zh) * | 2021-03-09 | 2023-10-27 | 中国科学院深圳先进技术研究院 | 区域人群密度估计方法、电子设备及存储介质 |
CN113139464A (zh) * | 2021-04-23 | 2021-07-20 | 国网山东省电力公司青岛市即墨区供电公司 | 一种电网故障检测方法 |
CN113139464B (zh) * | 2021-04-23 | 2022-11-18 | 国网山东省电力公司青岛市即墨区供电公司 | 一种电网故障检测方法 |
CN113902703A (zh) * | 2021-10-08 | 2022-01-07 | 中国科学院半导体研究所 | 对象统计模型的训练方法、对象统计方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956094B (zh) | 一种基于非对称双流网络的rgb-d多模态融合人员检测方法 | |
CN111639668A (zh) | 一种基于深度学习的人群密度检测方法 | |
CN110135243B (zh) | 一种基于两级注意力机制的行人检测方法及*** | |
CN106845487B (zh) | 一种端到端的车牌识别方法 | |
Deschaud et al. | A fast and accurate plane detection algorithm for large noisy point clouds using filtered normals and voxel growing | |
CN109815850A (zh) | 基于深度学习的虹膜图像分割及定位方法、***、装置 | |
CN109284670A (zh) | 一种基于多尺度注意力机制的行人检测方法及装置 | |
CN111046880A (zh) | 一种红外目标图像分割方法、***、电子设备及存储介质 | |
CN111626128A (zh) | 一种基于改进YOLOv3的果园环境下行人检测方法 | |
CN108305260B (zh) | 一种图像中角点的检测方法、装置及设备 | |
CN110929593A (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
CN111753682B (zh) | 一种基于目标检测算法的吊装区域动态监控方法 | |
CN110765833A (zh) | 一种基于深度学习的人群密度估计方法 | |
CN109377499B (zh) | 一种像素级物体分割方法及装置 | |
CN108764244B (zh) | 基于卷积神经网络和条件随机场的潜在目标区域检测方法 | |
CN110188802B (zh) | 基于多层特征图融合的ssd目标检测算法 | |
CN110807362A (zh) | 一种图像检测方法、装置和计算机可读存储介质 | |
CN110648316A (zh) | 一种基于深度学习的钢卷端面边缘检测算法 | |
CN113516126A (zh) | 一种基于注意力特征融合的自适应阈值场景文本检测方法 | |
CN111476188A (zh) | 基于特征金字塔的人群计数方法、***、介质及电子设备 | |
CN110119736B (zh) | 车牌位置识别方法、装置及电子设备 | |
CN116486231A (zh) | 一种基于改进YOLOv5的混凝土裂缝检测方法 | |
CN112926667B (zh) | 深度融合边缘与高层特征的显著性目标检测方法及装置 | |
CN112070035A (zh) | 基于视频流的目标跟踪方法、装置及存储介质 | |
CN117197438A (zh) | 一种基于视觉显著性的目标检测方法 |
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 |