(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 202211082878.5 (22)申请日 2022.09.05 (71)申请人 信阳学院 地址 464000 河南省信阳市新七大道西段 (72)发明人 贾富海　王锐　张东松　毛凤翔　 谈敦铭　高涛　 (74)专利代理 机构 郑州银河专利代理有限公司 41158 专利代理师 吴志丽 (51)Int.Cl. G06V 20/52(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/774(2022.01) G06V 20/40(2022.01) (54)发明名称 一种基于深度多尺度生成对抗网络的人群 计数方法 (57)摘要 本发明提供一种基于深度多尺度生成对抗 网络的人群计数方法， 包括如下步骤： 选取训练 数据集记为Train， 其中包含人群图片集X和对应 的真实密度图集Y两部分； 设计对抗网络模型M， 将M分为G和A两个模型， 其中模型G是深度多尺度 的全卷积 模型， 模型A是全 连接神经网络模型； 利 用训练数据Train对模型M进行训练， 拟合已构建 的模型在训练数据L上的误差， 保存最佳的G模 型； 将需要预测的人群图片输入到步骤3中保存 的G模型， 映射出密度图并估计出人群总数。 本发 明首先利用深度多尺度模型将人群图映射为密 度图之后， 又将真实的密度图与映射得到的密度 图进行判别， 从而进一步提高生成模 型的质量和 增加人数预测的准确率。 权利要求书2页 说明书4页 附图3页 CN 115424208 A 2022.12.02 CN 115424208 A 1.一种基于深度多尺度生成对抗网络的人群 计数方法， 其特 征在于： 包括如下步骤： 步骤1、 选取训练数据集记为Train， 其中包含人群图片集X和对应的真实密度图集Y两 部分； 步骤2、 设计对抗网络模型M， 将M分为G和A两个模型， 其 中模型G是深度多尺度的全卷积 模型， 模型A是全连接神经网络模型； 步骤3、 利用训练数据Train对模型M进行训练， 拟合已构建的模型在训练数据L上的误 差， 保存最佳的G模型； 步骤4、 将需要预测的人群图片输入到步骤3中保存的G模型， 映射出密度图并估计出人 群总数。 2.如权利要求1所述的基于深度多尺度生成对抗网络的人群计数方法， 其特征在于： 步 骤2中， 设人群图片集中的第k张图片为xk∈X， k＝1,2,...,n； 第i层卷积的第j个卷积核为 Wij， 则G模型的计算结果 为： output＝xk*Wij； G模型中包括前端卷积模型、 3个卷积支路和后端卷积模型三部分。 3.如权利要求2所述的基于深度多尺度生成对抗网络的人群计数方法， 其特征在于： 步 骤2中， A模 型中， 包含一个自适应最大池化层， 将 输入的密度图调整到相同的尺 寸， 还包含4 个全连接层， 其中最后一个全连接层 包含1个神经元， 使用sigmoid函数进行激活， 使映射结 果仅包含两种情况， 即 真和假， 其中真记作1， 假记作0 。 4.如权利要求3所述的基于深度多尺度生成对抗网络的人群计数方法， 其特征在于： 步 骤3中， 设xk对应的真实密度图为yk∈Y， k＝1,2, ...,n， 使用训练样本集Train学习深度多尺 度生成对抗模型M的过程 为： (1)初始化G模型和A模型的参数； (2)固定模型A的参数， 将xk输入到模块G中映射出密度图G(xk)， 再把G(xk)输入到A模型 中得到判别结果A(G(xk))； 将真实密度图yk输入到A模 型中得到判别结果A(yk)， 因为此时模 型A不进行 学习， 所以对抗损失为： LAdv＝log(1‑A(G(xk)))+logA(yk) (3)固定模型G的参数， G的输出直接作 为A的输入， 即将G和A链接为一个神经网络， 记做 GA模型， 将xk输入到模型GA直接得到判别结果A(G(xk))， 此时的映射损失为： LGen＝logA(G(xk)) (4)该过程中的总损失L： L＝0.01LAdv+0.99LGen (5)迭代(2)和(3)直至参数收敛； 执行完上述步骤之后， 一次迭代完成， 保存G模型， 用于对需要预测的图片映射出密度 图并估计人 数。 5.如权利要求4所述的基于深度多尺度生成对抗网络的人群计数方法， 其特征在于： 步 骤3的学习过程， 即卷积核W(l)的更新过程 为梯度下降法： W(l)＝W‑λ▽WJ(W) 其中， λ为学习率， J(W)为损失函数， ▽WJ(W)表示J(W)关于W的偏导数。 6.如权利要求5所述的基于深度多尺度生成对抗网络的人群计数方法， 其特征在于： 步权　利　要　求　书 1/2 页 2 CN 115424208 A 2骤4具体包括利用训练好的G模型对待估计人群图片进行计数的过程是： 首先将人群图xk输 入到G模型中映射出密度图G(xk)， 然后对G(xk)进行积分计算出总人 数N： N＝ ∫ ∫sG(xk)dxdy 其中S表示估计密度图的空间区域， G(xk)表示估计的密度图。权　利　要　求　书 2/2 页 3 CN 115424208 A 3