(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 202111639753.3 (22)申请日 2021.12.2 9 (71)申请人 深圳市联洲国际技 术有限公司 地址 518109 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 肖传利　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 黄德海 (51)Int.Cl. G06V 20/52(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06V 10/82(2022.01)G06V 10/26(2022.01) G06V 10/764(2022.01) (54)发明名称 人群密度估计方法、 装置、 设备及存 储介质 (57)摘要 本发明公开了一种人群密度估计方法、 装 置、 设备及存储介质， 所述方法， 包括： 通过对原 始图像中的人头目标进行标注， 将人头目标分为 N类； 其中， N为正整数； 基于N类人头目标， 获取N 类人头目标的真实数据集； 真实数据集包括真实 密度图、 真实前景区域以及真实背景区域； 基于 深度神经网络对原始 图像中的人头目标进行处 理， 输出估计数据集， 估计数据集包括： 估计密度 图、 估计前景区域以及估计背景区域； 基于真实 数据集以及估计数据集， 获取总损失数据集； 基 于总损失数据集对深度神经网络进行训练， 获取 目标深度神经网络。 本发明的技术方案， 将前景 估计、 背景估计以及人群密度估计结合， 可以减 少误报。 权利要求书2页 说明书11页 附图2页 CN 114494993 A 2022.05.13 CN 114494993 A 1.一种人群密度估计方法， 其特 征在于， 包括： 通过对原 始图像中的人头目标进行 标注， 将所述人头目标分为 N类； 其中， N 为正整数； 基于N类所述人头目标， 获取N类所述人头目标的真实数据集； 所述真实数据集包括真 实密度图、 真实前 景区域以及真实背景区域； 基于深度神经网络对所述原始图像中的人头目标进行处理， 输出估计数据集， 所述估 计数据集包括： 估计密度图、 估计前 景区域以及估计背景区域； 基于所述真实数据集以及估计数据集， 获取总损失数据集； 基于所述总损失数据集对所述深度神经网络进行训练， 获取目标深度神经网络 。 2.根据权利要求1所述的方法， 其特征在于， 所述通过对原始图像中的人头目标进行标 注， 将所述人头目标分为 N类， 包括： 计算获取 所述人头目标P的长 宽的平均值dp； 基于所述长宽的平均值dp以及预设平均值的阈值对所述人头目标进行分类， 获取N类所 述人头目标。 3.根据权利要求1所述的方法， 其特征在于， 所述基于N类所述人头目标， 获取N类所述 人头目标的真实数据集， 包括： 获取每个类别的所述人头目标的真实密度图； 获取每个类别的所述人头目标的真实前 景区域； 基于所述真实前 景区域， 生成所述真实背景区域； 基于所述真实密度图、 真实前景区域以及 真实背景区域， 获取N类所述人头目标的所述 真实数据集。 4.根据权利要求3所述的方法， 其特 征在于， 所述真实密度图基于如下公式计算获得： 式中 代表以xp为中心的标准差为σP的高斯函数在位置x的取值； i＝1,2, 3……N； Ri为第i类所述人头目标的集 合。 5.根据权利要求3所述的方法， 其特征在于， 所述真实前景区域基于如下公式计算获 得： 其中， ||x||2为x中非零元 素的平方和的平方根。 6.根据权利要求3所述的方法， 其特征在于， 所述真实背景区域基于如下公式计算获 得：权　利　要　求　书 1/2 页 2 CN 114494993 A 27.根据权利要求1所述的方法， 其特征在于， 所述基于深度神经网络对所述原始图像中 的人头目标进行处 理， 输出估计数据集， 包括： 构建所述深度神经网络； 将所述原 始图像输入所述深度神经网络； 所述深度神经网络对所述原始图像的人头目标进行处理， 获取所述估计密度图、 估计 前景区域以及估计背景区域。 8.根据权利要求1所述的方法， 其特征在于， 所述总损失数据集通过如下公式计算获 得： 式中， densitymap_loss(x)为密度图损失； forground_loss(x)为前景区域损失； background_loss(x)为背景区域损失； groundcross_loss(x)为交叉区域损失； densitymapout_l oss(x)为密度图输出损失。 9.根据权利要求1所述的方法， 其特 征在于， 还 包括： 将目标图像输入所述目标深度神经网络， 获取目标密度图。 10.一种人群密度估计装置， 其特 征在于， 包括： 标注单元， 用于通过对原始图像中的人头目标进行标注， 将所述人头目标分为N类； 其 中， N为正整数； 第一获取单元， 用于基于N类所述人头目标， 获取N类所述人头目标的真实数据集； 所述 真实数据集包括真实密度图、 真实前 景区域以及真实背景区域； 输出单元， 用于基于深度神经网络对所述原始图像中的人头目标进行处理， 输出估计 数据集， 所述估计数据集包括： 估计密度图、 估计前 景区域以及估计背景区域； 第二获取 单元， 用于基于所述真实数据集以及估计数据集， 获取总损失数据集； 训练单元， 用于基于所述总损 失数据集对所述深度神经网络进行训练， 获取目标深度 神经网络 。 11.一种电子设备， 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9中任意 一项所述的方法。 12.一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9中任意 一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114494993 A 3