密集人群计算方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种密集人群计算方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着我国经济的快速发展以及城市化进程的加速，在地铁站、商场、火车站、医院等公共区域人员容易聚集，人员过多时会产生安全隐患，因此如何通过监控摄像头等对密集人群进行监控、引导，为人群提供更好的公共服务、更快速的接受诊疗变得越来越重要。
3.现有的密集人群计算算法主要是利用计算机视觉技术中基于检测的方法、基于回归的方法等，但密集人群计算任务由于图像中人群的遮挡、人群密度变化大等问题，导致密集人群计算的准确度低。


技术实现要素：

4.本发明提供一种密集人群计算方法、装置及计算机可读存储介质，其主要目的在于解决进行密集人群计算的效率较低的问题。
5.为实现上述目的，本发明提供的一种密集人群计算方法，包括：
6.获取待计算的人群图像，对所述人群图像进行画质增强处理，得到目标图像；
7.利用预构建的视觉几何网络提取所述目标图像的高层特征图及低层特征图；
8.对所述高层特征图及所述低层特征图进行特征融合，得到所述目标图像的多尺度特征图；
9.利用所述预构建的视觉几何网络中的全连接层计算所述多尺度特征图对应的密度图；
10.根据所述密度图计算所述人群图像中的总人数。
11.可选地，所述对所述人群图像进行画质增强处理，得到目标图像，包括：
12.对所述人群图像进行尺寸修正；
13.遍历修正后的所述人群图像中所有像素点并获取每个所述像素点的像素值；
14.利用预设的像素范围对所述像素点的像素值进行像素补全，得到目标图像。
15.可选地，所述利用所述预构建的视觉几何网络提取所述目标图像的高层特征图及低层特征图，包括：
16.利用所述预构建的视觉几何网络中的低层卷积层对所述目标图像进行卷积，得到低层卷积特征，利用所述预构建的视觉几何网络中的高层卷积层对所述目标图像进行卷积，得到高层卷积特征；
17.对所述低层卷积特征拼接得到低层特征，对所述高层卷积特征进行拼接得到高层特征；
18.对所述低层特征进行池化操作，得到所述目标图像的低层特征图，对所述高层特征进行池化操作，得到所述目标图像的高层特征图。
19.可选地，所述对所述高层特征图及所述低层特征图进行特征融合，得到所述目标图像的多尺度特征图，包括：
20.利用邻插值算法对所述多尺度特征图中的高层特征图进行上采样至预设的目标尺寸，得到目标尺寸的高层特征图；
21.利用最大池化算法对所述低层特征图进行下采样至所述预设的目标尺寸，得到目标尺寸的低层特征图；
22.所述目标尺寸的高层特征图及所述目标尺寸的低层特征图进行通道维度拼接，得到多维度特征图；
23.利用预构建的融合模块对所述多维度特征图进行特征融合，得到所述目标图像的多尺度特征图。
24.可选地，所述利用所述预构建的视觉几何网络中的全连接层计算所述多尺度特征图对应的密度图，包括：
25.利用所述全连接层对所述多尺度特征图进行全局卷积，得到所述多尺度特征图对应的空间特征值；
26.利用预设的激活函数计算所述空间特征值的预测值，根据所述预测值生成所述多尺度特征图对应的密度图。
27.可选地，所述根据所述密度图计算所述人群图像中的总人数，包括：
28.提取所述密度图中每个像素点的像素值；
29.将所述每个像素点的像素值进行取整求和，得到所述人群图像中的总人数。
30.为了解决上述问题，本发明还提供一种密集人群计算装置，所述装置包括：
31.所述根据所述密度图计算所述人群图像中的总人数，包括：
32.提取所述密度图中每个像素点的像素值；
33.将所述每个像素点的像素值进行取整求和，得到所述人群图像中的总人数。
34.可选地，所述特征提取模块通过下述操作提取所述目标图像的高层特征图及低层特征图：
35.利用所述预构建的视觉几何网络中的的低层卷积层及高层卷积层对所述目标图像进行卷积，得到低层卷积特征及高层卷积特征；
36.对所述低层卷积特征及所述高层卷积特征分别进行拼接，得到低层特征及高层特征；
37.对所述低层特征及所述高层特征进行池化操作，得到所述目标图像的高层特征图及低层特征图。
38.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
39.至少一个处理器；以及，
40.与所述至少一个处理器通信连接的存储器；其中，
41.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的密集人群计算方法。
42.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执
行以实现上述所述的密集人群计算方法。
43.本发明实施例通过对待计算的人群图像进行画质增强处理，得到目标图像，使得待计算的人群图像更清晰，能够提高后续计算的准确度；利用预构建的视觉几何网络提取所述目标图像的高层特征图及低层特征图，使得获取的特征信息更加全面；对所述高层特征图及所述低层特征图进行特征融合，得到所述目标图像的多尺度特征图，使得不同层级的特征信息能够交互融合，有利于提高密集人数计算的准确度；利用所述预构建的视觉几何网络中的全连接层计算所述多尺度特征图对应的密度图，通过密度图能够准确的反映所述人群图像中的人群密度信息；根据所述密度图计算所述人群图像中的总人数，通过所述密度图计算总人数能够防止由于人群遮挡导致的人群计数不准确，有效地提高密集人群计算的准确度。因此，本发明提出的密集人群计算方法、装置、电子设备及计算机可读存储介质，可以解决密集人群计算准确率较低的问题。
附图说明
44.图1为本发明一实施例提供的密集人群计算方法的流程示意图；
45.图2为本发明一实施例提供的特征提取的流程示意图；
46.图3为本发明一实施例提供的特征融合的流程示意图；
47.图4为本发明一实施例提供的密集人群计算装置的功能模块图；
48.图5为本发明一实施例提供的实现所述密集人群计算方法的电子设备的结构示意图。
49.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
50.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
51.本技术实施例提供一种密集人群计算方法。所述密集人群计算方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述密集人群计算方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(contentdelivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
52.参照图1所示，为本发明一实施例提供的密集人群计算方法的流程示意图。在本实施例中，所述密集人群计算方法包括以下步骤s1-s5：
53.s1、获取待计算的人群图像，对所述人群图像进行画质增强处理，得到目标图像；
54.本发明实施例中，所述待计算的人群图像可以为在地铁站、商场、火车站、医院等公共区域安装的监控摄像头拍摄的人群图像，但由于上述公共场所会因为天气、灯光等因素造成人群图像的亮度及对比度差异，以及因为人群的分布不均匀、监控摄像头视角等问题形成的图像尺寸问题，需要对拍摄到的人群图像进行画质增强处理，得到目标图像。
55.详细地，所述对所述人群图像进行画质增强处理，得到目标图像，包括：
56.对所述人群图像进行尺寸修正；
57.遍历修正后的所述人群图像中所有像素点并获取每个所述像素点的像素值；
58.利用预设的像素范围对所述像素点的像素值进行像素补全，得到目标图像。
59.本发明实施例中，所述像素补全是利用预设的像素范围将所述像素点的像素值调整至预设范围内，使得所述目标图像更清晰。
60.本发明实施例中，所述对所述人群图像进行尺寸修正是将所述人群图像的尺寸修正到预设的尺寸范围中，同时利用预设的像素范围将所述人群图像中的像素值补全至预设的的像素范围内，避免出现目标图像过暗或者过曝的情况，提高后续计算的准确率。
61.s2、利用预构建的视觉几何网络提取所述目标图像的高层特征图及低层特征图；
62.本发明实施例中，所述预构建的视觉几何网络是视觉几何神经网络(visual geometry group中包含16个权重层的神经网络，简称vgg16)，其中，所述视觉几何网络中包含13个卷积层以及3个全连接层组成的权重层，多个池化层，以及输出的全连接层，通过上述多个卷积层，得到高层特征图及低层特征图。
63.本发明实施例中，所述低层特征图中包含更多的图像边缘及轮廓信息等细节信息，所述高层特征图中，更少关注细节信息，但包括更多的图像语义信息。
64.详细地，参阅图2所示，所述利用预构建的视觉几何网络提取所述目标图像的高层特征图及低层特征图，包括以下步骤s21-s23：
65.s21、利用所述预构建的视觉几何网络中的低层卷积层对所述目标图像进行卷积，得到低层卷积特征，利用所述预构建的视觉几何网络中的高层卷积层对所述目标图像进行卷积，得到高层卷积特征；
66.s22、对所述低层卷积特征拼接得到低层特征，对所述高层卷积特征进行拼接得到高层特征；
67.s23、对所述低层特征进行池化操作，得到所述目标图像的低层特征图，对所述高层特征进行池化操作，得到所述目标图像的高层特征图。
68.本发明实施例中，所述预设的低层卷积层为第4、7层的卷积层，高层卷积层为第10、13层的卷积层，通过对所述低层卷积特征及高层卷积特征进行拼接及池化操作，得到所述目标图像的高层特征图及低层特征图。
69.本发明实施例中，通过获取所述人群图像中低层特征图的边缘、轮廓信息以及高层特征图中的的特征语义信息，获得的特征信息更全面，有利于提高后续人群计算的准确度。
70.s3、对所述高层特征图及所述低层特征图进行特征融合，得到所述目标图像的多尺度特征图；
71.本发明实施例中，所述特征融合是将利用不同卷积的特征图之间的互补性，融合每个特征图之间的优点，使得多尺度特征图既具有低层特征图的边缘特征信息又具有高层特征图的的语义特征信息。
72.详细地，参阅图3所示，所述对所述高层特征图及所述低层特征图进行特征融合，得到所述目标图像的多尺度特征图，包括以下步骤s31-s33：
73.s31、利用邻插值算法对所述高层特征图进行上采样至预设的目标尺寸，得到目标尺寸的高层特征图；
74.s32、利用最大池化算法对所述低层特征图进行下采样至所述预设的目标尺寸，得到目标尺寸的低层特征图；
75.s33、将所述目标尺寸的高层特征图及所述目标尺寸的低层特征图进行通道维度拼接，得到多维度特征图；
76.s34、利用预构建的融合模块对所述多维度特征图进行特征融合，得到所述目标图像的多尺度特征图。
77.本发明实施例中，所述预构建的融合模块中包括卷积层、批归一化层、激活函数层，其中，所述卷积层使用3
×
3大小的卷积核对所述多维度特征图进行卷积，对卷积后的多维度特征图进行批归一化及激活计算，得到所述目标图像的多尺度特征图。
78.本发明实施例中，所述通道维度拼接是将所述尺寸一致的特征图中的特征维度相加，使得所述多维度拼接图中包括每个特征图的特征信息，再对多维度拼接图进行特征融合，得到了融合高层特征及低层特征的多尺度特征图，使得不同层级的特征信息能够交互，提高密集人数计算的准确度。
79.s4、利用所述预构建的视觉几何网络中的全连接层计算所述多尺度特征图对应的密度图；
80.本发明实施例中，所述全连接层是将所述多尺度特征图中的特征进行表征，得到多尺度特征图对应的密度图，所述密度图是表述所述人群图像中人群的密度。
81.详细地，所述利用所述预构建的视觉几何网络中的全连接层计算所述多尺度特征图对应的密度图，包括：
82.利用所述全连接层对所述多尺度特征图进行全局卷积，得到所述多尺度特征图对应的空间特征值；
83.利用预设的激活函数计算所述空间特征值的预测值，根据所述预测值生成所述多尺度特征图对应的密度图。
84.本发明实施例中，所述全局卷积是将所述多尺度特征图特征表征整合到一起，得到对应的特征值，能够减少特征位置对后续计算的影响，本发明实施例利用relu激活函数计算所述空间特征值的预测值，得到由(0，1)值域内的预测值组成的密度图。
85.本发明实施例中，通过计算得到密度图，能够准确地反映所述人群图像中人群的分布情况，从而提高人群计算的准确度。
86.s5、根据所述密度图计算所述人群图像中的总人数。
87.本发明实施例中，通过所述密度图反映的人群密度进行人数计算，能够有效的避免环境、遮挡等造成的计算错误。
88.详细地，所述根据所述密度图计算所述人群图像中的总人数，包括：
89.提取所述密度图中每个像素点的像素值；
90.将所述每个像素点的像素值进行取整求和，得到所述人群图像中的总人数。
91.本发明实施例中，所述密度图中每个像素点的像素值为像素点中存在人群的预测值，通过对所述像素值进行取整求和，得到人群图像中的总人数，能够防止由于人群遮挡导致的人群计数不准确，能够有效地提高密集人群计算的准确度。
92.本发明实施例通过对待计算的人群图像进行画质增强处理，得到目标图像，使得待计算的人群图像更清晰，能够提高后续计算的准确度；利用预构建的视觉几何网络提取
所述目标图像的高层特征图及低层特征图，使得获取的特征信息更加全面；对所述高层特征图及所述低层特征图进行特征融合，得到所述目标图像的多尺度特征图，使得不同层级的特征信息能够交互融合，有利于提高密集人数计算的准确度；利用所述预构建的视觉几何网络中的全连接层计算所述多尺度特征图对应的密度图，通过密度图能够准确的反映所述人群图像中的人群密度信息；根据所述密度图计算所述人群图像中的总人数，通过所述密度图计算总人数能够防止由于人群遮挡导致的人群计数不准确，有效地提高密集人群计算的准确度。因此本发明提出的密集人群计算方法，可以解决密集人群计算效率较低的问题。
93.如图4所示，是本发明一实施例提供的密集人群计算装置的功能模块图。
94.本发明所述密集人群计算装置100可以安装于电子设备中。根据实现的功能，所述密集人群计算装置100可以包括图像优化模块101、特征提取模块102、特征融合模块103、密度图计算模块104及密集人群计算模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
95.在本实施例中，关于各模块/单元的功能如下：
96.所述图像优化模块101，用于获取待计算的人群图像，对所述人群图像进行画质增强处理，得到目标图像；
97.所述特征提取模块102，用于利用预构建的视觉几何网络提取所述目标图像的高层特征图及低层特征图；
98.所述特征融合模块103，用于对所述高层特征图及所述低层特征图进行特征融合，得到所述目标图像的多尺度特征图；
99.所述密度图计算模块104，用于利用所述预构建的视觉几何网络中的全连接层计算所述多尺度特征图对应的密度图；
100.所述密集人群计算模块105，用于根据所述密度图计算所述人群图像中的总人数。
101.详细地，本发明实施例中所述密集人群计算装置100中所述的各模块在使用时采用与上述图1至图3中所述的密集人群计算方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
102.如图5所示，是本发明一实施例提供的实现密集人群计算方法的电子设备的结构示意图。
103.所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如密集人群计算程序。
104.其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行密集人群计算程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
105.所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如密集人群计算程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
106.所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
107.所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
108.图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
109.例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
110.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
111.所述电子设备1中的所述存储器11存储的密集人群计算程序是多个指令的组合，在所述处理器10中运行时，可以实现：
112.获取待计算的人群图像，对所述人群图像进行画质增强处理，得到目标图像；
113.利用预构建的视觉几何网络提取所述目标图像的高层特征图及低层特征图；
114.对所述高层特征图及所述低层特征图进行特征融合，得到所述目标图像的多尺度特征图；
115.利用所述预构建的视觉几何网络中的全连接层计算所述多尺度特征图对应的密度图；
116.根据所述密度图计算所述人群图像中的总人数。
117.具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
118.进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
119.本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
120.获取待计算的人群图像，对所述人群图像进行画质增强处理，得到目标图像；
121.利用预构建的视觉几何网络提取所述目标图像的高层特征图及低层特征图；
122.对所述高层特征图及所述低层特征图进行特征融合，得到所述目标群图像的多尺度特征图；
123.利用所述预构建的视觉几何网络中的全连接层计算所述多尺度特征图对应的密度图；
124.根据所述密度图计算所述人群图像中的总人数。
125.在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
126.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
127.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
128.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
129.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
130.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
131.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工
智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
132.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
133.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

技术特征：
1.一种密集人群计算方法，其特征在于，所述方法包括：获取待计算的人群图像，对所述人群图像进行画质增强处理，得到目标图像；利用预构建的视觉几何网络提取所述目标图像的高层特征图及低层特征图；对所述高层特征图及所述低层特征图进行特征融合，得到所述目标图像的多尺度特征图；利用所述预构建的视觉几何网络中的全连接层计算所述多尺度特征图对应的密度图；根据所述密度图计算所述人群图像中的总人数。2.如权利要求1所述的密集人群计算方法，其特征在于，所述对所述人群图像进行画质增强处理，得到目标图像，包括：对所述人群图像进行尺寸修正；遍历修正后的所述人群图像中所有像素点并获取每个所述像素点的像素值；利用预设的像素范围对所述像素点的像素值进行像素补全，得到目标图像。3.如权利要求1所述的密集人群计算方法，其特征在于，所述利用预构建的视觉几何网络提取所述目标图像的高层特征图及低层特征图，包括：利用所述预构建的视觉几何网络中的低层卷积层对所述目标图像进行卷积，得到低层卷积特征，利用所述预构建的视觉几何网络中的高层卷积层对所述目标图像进行卷积，得到高层卷积特征；对所述低层卷积特征拼接得到低层特征，对所述高层卷积特征进行拼接得到高层特征；对所述低层特征进行池化操作，得到所述目标图像的低层特征图，对所述高层特征进行池化操作，得到所述目标图像的高层特征图。4.如权利要求1所述的密集人群计算方法，其特征在于，所述对所述高层特征图及所述低层特征图进行特征融合，得到所述目标图像的多尺度特征图，包括：利用邻插值算法对所述多尺度特征图中的高层特征图进行上采样至预设的目标尺寸，得到目标尺寸的高层特征图；利用最大池化算法对所述低层特征图进行下采样至所述预设的目标尺寸，得到目标尺寸的低层特征图；将所述目标尺寸的高层特征图及所述目标尺寸的低层特征图进行通道维度拼接，得到多维度特征图；利用预构建的融合模块对所述多维度特征图进行特征融合，得到所述目标图像的多尺度特征图。5.如权利要求1所述的密集人群计算方法，其特征在于，所述利用所述预构建的视觉几何网络中的全连接层计算所述多尺度特征图对应的密度图，包括：利用所述全连接层对所述多尺度特征图进行全局卷积，得到所述多尺度特征图对应的空间特征值；利用预设的激活函数计算所述空间特征值的预测值，根据所述预测值生成所述多尺度特征图对应的密度图。6.如权利要求1所述的密集人群计算方法，其特征在于，所述根据所述密度图计算所述人群图像中的总人数，包括：
提取所述密度图中每个像素点的像素值；将所述每个像素点的像素值进行取整求和，得到所述人群图像中的总人数。7.一种密集人群计算装置，其特征在于，所述装置包括：图像优化模块，用于获取待计算的人群图像，对所述人群图像进行画质增强处理，得到目标图像；特征提取模块，用于利用预构建的视觉几何网络提取所述目标图像的高层特征图及低层特征图；特征融合模块，用于对所述高层特征图及所述低层特征图进行特征融合，得到所述目标图像的多尺度特征图；密度图计算模块，用于利用所述预构建的视觉几何网络中的全连接层计算所述多尺度特征图对应的密度图；密集人群计算模块，用于根据所述密度图计算所述人群图像中的总人数。8.如权利要求7所述的密集人群计算装置，其特征在于，所述特征提取模块通过下述操作提取所述目标图像的高层特征图及低层特征图：利用所述预构建的视觉几何网络中的的低层卷积层及高层卷积层对所述目标图像进行卷积，得到低层卷积特征及高层卷积特征；对所述低层卷积特征及所述高层卷积特征分别进行拼接，得到低层特征及高层特征；对所述低层特征及所述高层特征进行池化操作，得到所述目标图像的高层特征图及低层特征图。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的密集人群计算方法。10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的密集人群计算方法。

技术总结
本发明涉及人工智能技术，揭露了一种密集人群计算方法，包括：对待计算的人群图像进行画质增强处理，得到目标图像；利用预构建的视觉几何网络提取所述目标图像的高层特征图及低层特征图；对所述高层特征图及所述低层特征图进行特征融合，得到多尺度特征图；利用所述视觉几何网络中的全连接层计算所述多尺度特征图对应的密度图；根据所述密度图计算所述人群图像中的总人数。本发明还提出一种密集人群计算装置、电子设备以及存储介质。本发明可以提高医疗等公共场所密集人群计算的准确度。提高医疗等公共场所密集人群计算的准确度。提高医疗等公共场所密集人群计算的准确度。


技术研发人员：唐小初 黎铭 舒畅 陈又新
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.05.31
技术公布日：2023/8/13