1.一种基于深度卷积神经网络的密集人群人数计数方法,其特征在于,包括:
步骤1:获取包含密集人群的原始图像,将获取的原始图像划分成若干个大小一致的图像块并记录每个图像块所属的原始图像标号;
步骤2:利用图像块及每个图像块所属的原始图像标号来训练深度卷积网络;
步骤3:利用训练完成的深度卷积网络,计算每个图像块中的人数,并将所有图像块中的人数进行累加,最终得到原始图像中所有人数。
2.如权利要求1所述的一种基于深度卷积神经网络的密集人群人数计数方法,其特征在于,将获取的原始图像划分成若干个大小一致的图像块之前,还包括对原始图像进行放缩处理。
3.如权利要求2所述的一种基于深度卷积神经网络的密集人群人数计数方法,其特征在于,根据原始图像大小将宽高均调整为64的倍数,然后将调整后的图像分割为若干个64*64大小的图像块。
4.如权利要求1所述的一种基于深度卷积神经网络的密集人群人数计数方法,其特征在于,在所述步骤2中,在训练深度卷积网络过程中,加入辅助训练机制;所述辅助训练机制为:在计数的同时,根据图像块中目标的表观特征将图像块分成仅包含背景的图像块和非背景的图像块;根据图像块是否仅包含目标的头部,所述非背景的图像块又分为包含头部的图像块和包含头部和身体的图像块。
5.一种基于深度卷积神经网络的密集人群人数计数系统,其特征在于,包括:
图像划分模块,其用于获取包含密集人群的原始图像,将获取的原始图像划分成若干个大小一致的图像块并记录每个图像块所属的原始图像标号;
深度卷积网络训练模块,其用于利用图像块及每个图像块所属的原始图像标号来训练深度卷积网络;
计数累加模块,其用于利用训练完成的深度卷积网络,计算每个图像块中的人数,并将所有图像块中的人数进行累加,最终得到原始图像中所有人数。
6.如权利要求5所述的一种基于深度卷积神经网络的密集人群人数计数系统,其特征在于,该系统还包括图像放缩模块,其用于将获取的原始图像划分成若干个大小一致的图像块之前,还包括对原始图像进行放缩处理。
7.如权利要求5所述的一种基于深度卷积神经网络的密集人群人数计数系统,其特征在于,其特征在于,在所述深度卷积网络训练模块中,在训练深度卷积网络过程中,加入辅助训练机制;所述辅助训练机制为:在计数的同时,根据图像块中目标的表观特征将图像块分成仅包含背景的图像块和非背景的图像块;根据图像块是否仅包含目标的头部,所述非背景的图像块又分为包含头部的图像块和包含头部和身体的图像块。
8.一种基于深度卷积神经网络的密集人群人数计数系统,其特征在于,包括:
图像采集装置,其被配置为采集包含密集人群的原始图像,并传送至服务器;
所述服务器,被配置为:
获取包含密集人群的原始图像,将获取的原始图像划分成若干个大小一致的图像块并记录每个图像块所属的原始图像标号;
利用图像块及每个图像块所属的原始图像标号来训练深度卷积网络;
利用训练完成的深度卷积网络,计算每个图像块中的人数,并将所有图像块中的人数进行累加,最终得到原始图像中所有人数。
9.如权利要求8所述的一种基于深度卷积神经网络的密集人群人数计数系统,其特征在于,所述服务器还被配置为:将获取的原始图像划分成若干个大小一致的图像块之前,还包括对原始图像进行放缩处理。
10.如权利要求8所述的一种基于深度卷积神经网络的密集人群人数计数系统,其特征在于,其特征在于,所述服务器还被配置为:在训练深度卷积网络过程中,加入辅助训练机制;所述辅助训练机制为:在计数的同时,根据图像块中目标的表观特征将图像块分成仅包含背景的图像块和非背景的图像块;根据图像块是否仅包含目标的头部,所述非背景的图像块又分为包含头部的图像块和包含头部和身体的图像块。