本公开提供了一种基于空洞卷积高分辨率网络的人群计数方法及系统,所述方案中空洞卷积高分辨率网络模型从高分辨率前端网络开始,逐步地增加低分辨率分支,形成了三个并行分支结构,每个分支都具有不同大小的感受野,可以捕捉不同尺度的特征,进行多次多尺度融合,使每一个分支都反复接收来自另一个并行分支的信息,从而生成了丰富的高分辨率密度图;本公开所述方案有效地解决了多尺度等问题,提高了人群计数的精度。

本公开为了解决上述问题，提供了一种基于空洞卷积高分辨率网络的人群计数方法及系统，其能够精准、快速地对图像中的人群进行计数，有效解决了在人群分布不均、尺度不同情况下的人群计数的问题。发明人发现，人群计数问题的难点主要是在图像中人群之间的遮挡以及人员离摄像头远近造成的尺度差异等。目前主流的人群计数算法主要有基于基本CNN的方法、基于单列CNN的方法以及基于多列CNN的方法。其中基于基本CNN的方法仅采用最基本的CNN层，并没有额外的特征信息，也正因此，其计数准确度表现得比较差；基于单列的方法使用单列的且更深的CNN，但由于单列网络的简单结构，很难去获得不同尺度的特征信息。与单列网络结构相比，多列神经网络在不同的列使用不同大小的卷积核，捕捉不同尺度的信息，但是模型往往参数众多且产生过多的冗余信息，造成计算时间过长等问题。

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

随着人口数量的不断增长以及经济水平不断提高，各种大型活动举办得愈加频繁，人群聚集也随之越来越频繁，相应地带来了许多安全隐患问题。近些年来踩踏事件在全国乃至全世界层出不穷，引起了人们的广泛关注。与此同时，视频监控摄像机也越来越普及，遍布大街小巷，假如可以利用视频中的图像数据，精确地估算出当前场景的人数及密度分布，相关部门做出相应的措施和人流疏导，那么就可以极大程度的减少类似事件的发生。

发明人发现，人群计数问题的难点主要是在图像中人群之间的遮挡以及人员离摄像头远近造成的尺度差异等。目前主流的人群计数算法主要有基于基本CNN的方法、基于单列CNN的方法以及基于多列CNN的方法。其中基于基本CNN的方法仅采用最基本的CNN层，并没有额外的特征信息，也正因此，其计数准确度表现得比较差；基于单列的方法使用单列的且更深的CNN，但由于单列网络的简单结构，很难去获得不同尺度的特征信息。与单列网络结构相比，多列神经网络在不同的列使用不同大小的卷积核，捕捉不同尺度的信息，但是模型往往参数众多且产生过多的冗余信息，造成计算时间过长等问题。

此技术是山东师范大学吕蕾研发，山东师范大学，位于山东省济南市，宗旨和业务范围是“面向社会培养高等学历师资人才，进行成人教育，促进教育事业发展”。

与现有模型相比，本公开的有益效果是：

(1)本公开所述方案在每个分支中都使用了空洞卷积，并通过设置不同的空洞率使得其拥有一个不同大小的感受野去捕捉不同尺度的特征，相对于拥有相同大小感受野的普通卷积来讲，空洞卷积包含更少的参数，使得计算量大大降低，提高了人群计数的计算效率。

(2)本公开所述方案在并行的多分辨率分支上重复地执行多尺度融合，使得并行分支不断地交换不同分辨率的表示信息，从而产生了丰富的位置和语义信息。

(3)本公开所述方案逐步地增加从高分辨率到低分辨率的分支，并使它们并行连接，最终获得高分辨率的表示。

[0020] 本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

技术转让，许可，合作所需资金需双方协商，此项技术想尽快落地保定，希望具备此项技术研发的技术方，能够尽快承接此项目。