(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210236711.3 (22)申请日 2022.03.10 (71)申请人 深圳市联洲国际技 术有限公司 地址 518000 广东省深圳市南 山区高新 技 术园区科发路1号 富利臻大厦5楼 (72)发明人 胡艳萍　肖传利　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 麦小婵 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/40(2022.01) G06N 3/04(2006.01) (54)发明名称 一种尺度自适应的人群计数方法、 装置、 设 备及存储介质 (57)摘要 本发明公开了一种尺度自适应的人群计数 方法、 装置、 设备及存储介质， 所述方法包括： 获 取待检测的人群图像； 通过深度神经网络对待检 测的人群图像进行特征提取， 得到不同尺度的第 一特征图； 对 所述不同尺度的第一特征图进行反 池化处理， 并计算正则项损失和预测损失； 根据 所述正则项损失和所述预测损失得到所述深度 神经网络的损失函数， 并对所述损失函数进行迭 代优化， 得到优化后的深度神经网络； 通过所述 优化后的深度神经网络对所述待检测的人群图 像进行特征提取， 得到不同尺度的第二特征图； 对所述不同尺度的第二特征图进行预设的运算 处理， 得到所述待检测的人群图像中的人数。 本 发明能够提升在人群尺度变化过大时的计数效 果， 同时有效降低计算 量。 权利要求书2页 说明书9页 附图2页 CN 114581852 A 2022.06.03 CN 114581852 A 1.一种尺度自适应的人群 计数方法， 其特 征在于， 包括： 获取待检测的人群图像； 通过深度神经网络对所述待检测的人群图像进行特征提取， 得到不同尺度的第 一特征 图； 对所述不同尺度的第一特 征图进行反池化处 理， 并计算 正则项损失和预测损失； 根据所述正则项损失和所述预测损失得到所述深度神经网络的损失函数， 并对所述损 失函数进行迭代优化， 得到优化后的深度神经网络； 通过所述优化后的深度神经网络对所述待检测的人群图像进行特征提取， 得到不同尺 度的第二特 征图； 对所述不同尺度的第 二特征图进行预设的运算处理， 得到所述待检测的人群图像 中的 人数。 2.如权利要求1所述的尺度自适应的人群计数方法， 其特征在于， 所述通过深度神经网 络对所述待检测的人群图像进行 特征提取， 得到不同尺度的第一特 征图， 具体为： 将所述待检测的人群图像输入预设的深度网络结构模型中， 得到不同尺度的第 一特征 图； 其中， 所述不同尺度的第一特征图为所述预设的深度网络模型结构 中不同池化层处理 前的特征图。 3.如权利要求1所述的尺度自适应的人群计数方法， 其特征在于， 所述对所述不同尺度 的第一特 征图进行反池化处 理， 并计算 正则项损失和预测损失， 具体包括： 对所述不同尺度的第一特征图进行反池化处理， 得到反池化处理后的特征图， 根据各 通道特征图计算 正则项损失； 将反池化处理后的所有特征图相加， 得到输出密度图， 计算所述输出密度图与真实密 度图之间的预测损失。 4.如权利要求3所述的尺度自适应的人群计数方法， 其特征在于， 所述根据所述正则项 损失和所述预测损失得到所述深度神经网络的损失函数， 并对所述损失函数进行迭代优 化， 得到优化后的深度神经网络， 具体包括： 对所述正则项损失和所述预测损失进行加权求和， 得到所述深度神经网络的损失函 数； 通过梯度下降对所述损失函数进行迭代优化， 得到优化后的深度神经网络 。 5.如权利要求4所述的尺度自适应的人群计数方法， 其特征在于， 所述正则项损失中的 正则项满足以下 条件： 以及 其中， R(x)表示特 征图某像素 取值为x时的正则项。 6.如权利要求4所述的尺度自适应的人群计数方法， 其特征在于， 所述正则项损失的计 算公式为： 权　利　要　求　书 1/2 页 2 CN 114581852 A 2其中， X表示特征图的位置集合， N表示用于训练的图像数量， C表示反池化后特征图的 通道数， densitymap_unpo oli,j表示第i张图像反池化后的第j张特 征图。 7.如权利要求4所述的尺度自适应的人群计数方法， 其特征在于， 所述预测损失的计算 公式为： 其中， X表示特征图的位置集合， N表示用于训练的 图像数量， densitymap_gti表示第i张 图像的真实密度图， densitymap_cali表示第i张图像的输出密度图。 8.一种尺度自适应的人群 计数装置， 其特 征在于， 包括： 获取模块， 用于获取待检测的人群图像； 第一特征提取模块， 用于通过深度神经网络对所述待检测的人群图像进行特征提取， 得到不同尺度的第一特 征图； 计算模块， 用于对所述不同尺度的第一特征图进行反池化处理， 并计算正则项损 失和 预测损失； 优化模块， 用于根据 所述正则项损失和所述预测损失得到所述深度神经网络的损失函 数， 并对所述损失函数进行迭代优化， 得到优化后的深度神经网络； 第二特征提取模块， 用于通过所述优化后的深度神经网络对所述待检测的人群图像进 行特征提取， 得到不同尺度的第二特 征图； 计数模块， 用于对所述不同尺度的第二特征图进行预设的运算处理， 得到所述待检测 的人群图像中的人 数。 9.一种终端设备， 其特征在于， 包括处理器、 存储器以及存储在所述存储器中且被配置 为由所述处理器执行 的计算机程序， 所述处理器执行所述计算机程序时实现如权利要求1 至7中任意 一项所述的尺度自适应的人群 计数方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质包括存储的计算 机程序， 其中， 在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权 利要求1至7中任意 一项所述的尺度自适应的人群 计数方法。权　利　要　求　书 2/2 页 3 CN 114581852 A 3