CN115272957B 一种基于特征交互的人群计数方法 （燕山大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115272957B(45)授权公告日2025.07.01

(21)申请号202210805244.1

(22)申请日2022.07.08

(65)同一申请的已公布的文献号申请公布号CN115272957A

(43)申请公布日2022.11.01

(73)专利权人燕山大学

地址066004河北省秦皇岛市海港区河北

大街438号

(72)发明人张世辉赵维勃崔志国王磊

(74)专利代理机构石家庄众志华清知识产权事务所(特殊普通合伙)13123

专利代理师田秀芬

(51)Int.CI.

GO6V20/52(2022.01)

GO6V10/52(2022.01)

GO6V10/80(2022.01)

GO6V10/82(2022.01)

GO6N3/045(2023.01)

GO6N3/0464(2023.01)

GO6N3/084(2023.01)

(56)对比文件

CN113011329A,2021.06.22

审查员刘志军

权利要求书4页说明书10页附图2页

(54)发明名称

一种基于特征交互的人群计数方法

(57)摘要

CN115272957B本发明公开了一种基于特征交互的人群计数方法，属于图像处理技术领域，包括以下步骤：将原始图像输入深度神经网络模型中进行特征提取；将三层语义特征图送入语义交互结构；将融合后的三层语义特征图分别输入多尺度注意力模块；将高层语义特征图对应的尺度感知信息特征进行上采样和通道调整并与中层语义特征图对应的尺度感知信息特征进行融合；将融合后的特征进行上采样和通道调整并与低层语义特征图对应的尺度感知信息特征进行融合；将用于人群密度估计的主要特征图输入深度神经网络模型后端网络，得到人群密度估计图和人群计数结果。本发明能够有效提高人群密度估计的准确

CN115272957B

将原始图像输入深度神经网络模型中进行特征提取，得到

将原始图像输入深度神经网络模型中进行特征提取，得到低层、中层、高层语义特征图

200

将三层语义特征围送入语义交互结构，得到对应融合后的语义特征图

300

将融合后的三层语义特征图分别输入多尺度注意力模块，得到对应语义特征图的尺度感知信息特征

将高层语义特征图对应的尺度感知信息特征进行上采样和

通道调整并与中层语义特征图对应的尺度感知信息特征进

行融合

将融合后的特征进行上采样和通道调整并与低层语义特征

图对应的尺度感知信息特征进行融合，得到用于人群密度上

估计的主要特征图

将用于人群密度估计的主要特征图输入深度神经网络模型上后端网络

人群计数结果人群密度估计图

500

CN115272957B权利要求书1/4页

2

1.一种基于特征交互的人群计数方法，其特征在于：包括以下步骤：

将原始图像输入深度神经网络模型中进行特征提取，得到三层语义特征图，所述三层语义特征图包括低层语义特征图、中层语义特征图和高层语义特征图，包括以下步骤：

将所述原始图像输入深度神经网络模型中，深度神经网络模型包括依次连接的两个卷积层、一个池化层、两个卷积层、一个池化层、三个卷积层和一个池化层，得到低层语义特征图；每个卷积层生成的特征图的通道数由输入至输出方向依次为64、64、128、128、256、256和256;卷积层的卷积核尺寸均为3*3;池化层的步长均为2;

将所述低层语义特征图继续输入所述深度神经网络模型中，依次经过三个卷积层和一个池化层，得到中层语义特征图；每个卷积层生成的特征图的通道数都是512;卷积层的卷积核尺寸均为3*3;池化层的步长为2;

将所述中层语义特征图继续输入所述深度神经网络模型中，经过三个卷积层，得到高层语义特征图；每个卷积层生成的特征图的通道数都是512;卷积层的卷积核尺寸均为3*3;

将三层语义特征图送入语义交互结构，得到对应融合后的三层语义特征图；

所述语义交互结构，包括：

将高层语义特征图使用双线性插值进行上采样；

将所述高层语义特征图上采样的结果与中层语义特征图进行通道上的连接，得到中层语义特征图对应的中间特征；

将所述中间特征经过两个3*3卷积进行特征融合，得到中层语义特征图融合后的语义特征图；

得到中层语义特征图融合后的语义特征图使用双线性插值进行上采