(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 20221014575 5.5 (22)申请日 2022.02.17 (71)申请人 国网浙江省电力有限公司绍兴供电 公司 地址 312099 浙江省绍兴 市胜利东路58号 申请人 江南大学　 国网浙江省电力有限公司 (72)发明人 倪宏宇　宋金根　周辉　姚建立　 黄苏　林祖荣　颜文旭　储杰　 (74)专利代理 机构 杭州华鼎知识产权代理事务 所(普通合伙) 33217 专利代理师 秦晓刚 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于自动融合网络的人群密度检测算 法及设备 (57)摘要 本发明公开了一种基于自动融合网络的人 群密度检测算法及设备， 算法包括如下步骤： S1： 读入YOLOv3模型和SS ‑DCNet_QNRF模型的网络结 构代码和预训练权重文件； S2： 用OpenCV读入视 频， 对原始图像I进行多尺度的缩放操作后， 得到 新的图像集合Ii； S3： 分别用两个模型对Ii进行 逐帧检测， 得到 人数countY和countS； S4： 计算出 countY和countS的平均值countM， 比较countM与 阈值的大小， 大于阈值则采用YOL Ov3模型的预测 结果， 小于阈值则采用SS ‑DCNet模型的预测结 果。 本发明将YOL Ov3模型、 SS ‑DCNet_QNRF模型进 行合并， 可通过预先设定的阈值， 选择合适的模 型检测结果， 使检测的跨场景、 跨密度范围检测 的能力大 大增加。 权利要求书1页 说明书3页 附图2页 CN 114694087 A 2022.07.01 CN 114694087 A 1.一种基于自动融合网络的人群密度检测算法， 其特 征在于， 包括如下步骤： S1： 读入YOLOv3模型和S S‑DCNet_QNRF模型的网络结构代码和预训练权 重文件； S2： 用OpenCV读入视频， 对原 始图像I进行多尺度的缩放操作后， 得到新的图像集 合Ii； S3： 分别用两个模型对I i进行逐帧检测， 得到人 数countY和countS； S4： 计算出countY和countS的平均值countM， 比较countM与阈值的大小， 大于阈值则采 用YOLOv3模型的预测结果， 小于阈值则采用S S‑DCNet模型的预测结果。 2.根据权利要求1所述的一种基于自动融合网络的人群密度检测算法， 其特征在于， 对 原始图像I进行多尺度的缩放操作是在保持图像长宽比的情况下， 缩减尺寸到像素1600 × 1600以下。 3.根据权利要求1所述的一种基于自动融合网络的人群密度检测算法， 其特征在于， 所 述阈值为50。 4.一种计算机设备， 其特征在于， 包括至少一个处理器和存储器； 所述存储器存储计算 机执行指令； 所述至少一个处理器执行所述存储器存储的计算机执行指令， 使得所述至少 一个处理器执行如权利要求1至3任一项所述的一种基于自动融合网络的人群密度检测算 法。权　利　要　求　书 1/1 页 2 CN 114694087 A 2一种基于自动融合网 络的人群密度检测算法及设 备 技术领域 [0001]本发明属于电力检测技 术领域， 尤其涉及人群密度检测技 术。 背景技术 [0002]近年来， 随着经济快速发展， 输电线路的规模急剧增大， 为了保持输电线路的良好 工作状态， 需要定期对其进 行检修。 在检修过程中， 人群聚集容易引起骚乱、 影响检修工作， 但只依靠人力来 实现人群监控容易产生疲劳， 并且容易受到个人主观因素的影响。 因此， 通 过对检修现场进行实时的图像分析来实现人群密度检测是一个至关重要的任务。 [0003]传统的人群密度检测算法主要指基于图像处理和一些浅层的分类或回归学习模 型的方法。 该类方法主要包括图像获取、 图像预处理、 特征提取、 特征分析与分类和计算最 终结果等步骤。 但此类方法需要大量的正负样本集训练才能得到好的效果， 而且只能应用 于人群稀疏的低密度场景， 对人群拥挤遮挡严重的场景以及背景复杂多变的场景效果不 佳。 [0004]近年来， 深度学习的发展使机器学习取得了长足进步， 在人群密度检测领域也取 得了明显的效果， 可分为直接法和间接法两种。 直接法是指基于检测的方法， 利用模型检测 出图像中的每一个个体再进行累加。 间接法指通过CNN模型直接回归出人数或生成人群密 度图， 然后通过积分计算得到人数。 采用深度学习的方法无需进 行前景分割和特征提取， 实 现了端对端训练， 可以检测几千甚至上万人 的极高密度场景， 是目前进行人群密度检测的 主流方法。 [0005]但现有的人群密度检测算法还存在着很多问题， 例如主要对几种人群密度检测方 面的主流数据集进行了训练和测试， 没有关注到训练得到的模型对于其他场景的应用情况 以及模型在各个细分的人 数区间中的表现情况、 在模型泛化 性方面的数据相对较少。 [0006]因此， 发明一种能够针对电力检修场景， 在人数跨度大的情况下依然适用的人群 密度检测算法， 具有较高的实际意 义。 发明内容 [0007]针对现有技术的缺陷， 本发明所要解决的技术问题就是提供一种基于自动融合网 络的人群密度检测算法， 以解决现有人群密度检测算法适用性差、 泛化能力 弱的问题。 [0008]为解决上述 技术问题， 本发明采用如下技 术方案： [0009]一种基于自动融合网络的人群密度检测算法， 包括如下步骤： [0010]S1： 读入YOLOv3模型和S S‑DCNet_QNRF模型的网络结构代码和预训练权 重文件； [0011]S2： 用OpenCV读入视频， 对原始图像I进行多尺度的缩放操作后， 得到新的图像集 合Ii； [0012]S3： 分别用两个模型对I i进行逐帧检测， 得到人 数countY和countS； [0013]S4： 计算出countY和countS的平均值countM， 比较countM与阈值的大小， 大于阈值 则采用YOLOv3模型的预测结果， 小于阈值则采用S S‑DCNet模型的预测结果。说　明　书 1/3 页 3 CN 114694087 A 3