摘要
目标计数作为一项基础工作，已在很多领域得到应用。如安全防控工作中利用人群计数预防踩踏等意外事件发生；医学诊断工作中利用细胞计数辅助医生进行病理分析等。因此，开展目标计数方法的研究具有一定现实意义。近年来，随着深度学习技术的进步，许多目标计数方法被提出。其中，基于检测与基于回归的方法仅在低密度场景下工作良好。而基于密度估计的方法不但可以在高密度场景下准确预测目标数量，还能够表示目标分布情况。但在实际应用中，目标计数工作仍面临一些挑战，如目标尺度变化、背景杂乱等。基于以上挑战，本文围绕基于密度估计的目标计数方法，从网络结构、损失函数等方面进行了研究，具体研究内容如下： (1) 针对目标尺度变化问题，提出了一种基于多尺度特征融合的目标计数方法。首先使用VGG16前10层提取目标基础特征；其次通过空间金字塔池化结构提取目标多尺度特征，解决了图像中目标因透视效应而具有不同形状和大小的问题；最后通过一组混合空洞卷积对特征进行解码，减少了目标细节信息的丢失。另外，在训练中使用一种新的组合损失函数，既考虑了ground truth密度图与预测密度图单个像素点之间的关系，又考虑了它们全局与局部的密度水平，提高了预测密度图的质量和计数精度。 (2) 针对背景杂质干扰问题，提出了一种基于通道空间注意力机制的目标计数方法。该方法在完成多尺度特征提取的同时，嵌入了通道空间注意力模块。通道注意力模块通过整合所有通道图之间的相关特征，突出了相互依赖的通道图，增加了有用特征通道的权重，提升了网络的特征表达能力。空间注意力机制通过对所有位置的特征进行加权并有选择性地聚合每个位置的特征，提升了网络对目标区域的关注度，抑制了背景噪声的干扰。最后将两个注意力模块的输出特征图进行融合，进一步提升了网络的特征表示能力，提高了密度估计精度，获得了更精确的计数结果。 (3) 针对ground truth密度图质量差的问题，提出了基于贝叶斯损失的目标计数方法。该方法通过引入贝叶斯损失函数，直接将标注点作为监督信号，然后对每个标注点的计数期望值进行监督，不再将标注点转化为ground truth密度图，从而避免了在生成ground truth密度图的过程中产生误差。此外，引入了一个背景哑元，降低了背景噪声的干扰，获得了更高的目标计数精度。 (4) 基于本文研究成果，结合实际应用问题，利用Python编程语言和PyQt5图形界面库搭建了一个人群计数系统，实现了人群计数工作的自动化，提高了人群计数的工作效率。
NETL