1.一种复杂场景中流动人群的分布与计数检测的方法,其特征在于,包括以下步骤:构建预训练模型,构建一单列卷积神经网络BLCNN模型,利用公开数据集提供的原始图像作为输入,以所述原始图像中对应的人群标注文件作为输出,对所述BLCNN模型进行训练,得到预训练模型;所述预训练模型包括依次串联的两个层级:VGG‑G5层级和Shared‑Net层级,在所述VGG‑G5层级中又进一步包括依次串联的五级卷积池化层,均采用了3×3的卷积核和2×2的池化层;所述五级卷积池化层对于的第一级卷积池化层包括64个3×3的卷积核,且由两组3×3×64的卷积核堆叠而成;第二级卷积池化层包括128个3×3的卷积核,且由两组3×3×128的卷积核堆叠而成;第三级卷积池化层包括256个3×3的卷积核,且由三组3×3×256的卷积核堆叠而成;第四级卷积池化层包括512个3×3的卷积核,且由三组3×
3×512的卷积核堆叠而成;第五级卷积池化层包括512个3×3的卷积核,且由三组3×3×
512的卷积核堆叠而成;所述Shared‑Net层级进一步包括依次串联的卷积层和反卷积层:第一卷积层为1×1×256卷积层,第二反卷积层为2×2×128的反卷积层,第三卷积层为3×3×128卷积层,第四卷积层为1×1×128卷积层,第五卷积层为3×3×128卷积层,第六卷积层为1×1×1的卷积层,由所述第五卷积层输出得到128维的特征图,经过第六卷积层后输出人群密度图,累加所述人群密度图的二维矩阵值得到预测出的人群数量;
多层网络初始化,利用所述预训练模型对多层卷积神经网络MLCNN网络初始化,所述MLCNN网络包括由所述预训练模型构成的第一层网络,以及在所述第一层网络之后并行分开的感知支路网络和融合支路网络;
特征提取与感知,将待识别图像输入到所述第一层网络提取特征信息,所述特征信息进一步输入到感知支路网络得到感知信息,所述感知信息还输入到所述融合支路网络进行信息融合;
融合估算人群数量,所述特征信息还输入到融合支路网络,并利用所述感知信息进行信息融合和密度估算,得到所述待识别图像中对应的人群数量。
2.根据权利要求1所述的复杂场景中流动人群的分布与计数检测的方法,其特征在于,利用所述预训练模型对多层卷积神经网络MLCNN网络初始化包括仅将所述预训练模型的VGG‑G5层级用于构建所述MLCNN网络的第一层网络。
3.根据权利要求2所述的复杂场景中流动人群的分布与计数检测的方法,其特征在于,所述感知支路网络包括第六级卷积池化层、第七级卷积池化层、第八级卷积池化层、第九级卷积池化层和全局平均池化层。
4.根据权利要求3所述的复杂场景中流动人群的分布与计数检测的方法,其特征在于,所述第六级卷积池化层为1×1×256卷积层,所述第七级卷积池化层为2×2×128反卷积层,所述第八级卷积池化层包括五组1×1×5卷积层,所述第九级卷积池化层为1×1×1卷积层,所述全局平均池化层对第九级卷积池化层输出的特征图进行密度分类得分。
5.根据权利要求4所述的复杂场景中流动人群的分布与计数检测的方法,其特征在于,所述融合支路网络包括第十级卷积池化层、第十一级卷积池化层、第十二级卷积池化层、融合层、第十三级卷积池化层和密度图预测层。
6.根据权利要求5所述的复杂场景中流动人群的分布与计数检测的方法,其特征在于,所述第十级卷积池化层为1×1×256卷积层,所述第十一级卷积池化层2×2×128反卷积层,所述第十二级卷积池化层为3×3×128卷积层,所述融合层将来自所述感知支路网络的第八级卷积池化层对应输出的25个特征图与所述第十二级卷积池化层输出的128个特征图融合得到153个特征图,所述第十三级卷积池化层由两个3×3×153卷积层堆叠而成,所述密度图预测层为参数量为1×1×153×1的卷积层。
7.根据权利要求6所述的复杂场景中流动人群的分布与计数检测的方法,其特征在于,所述25个特征图为语义特征图,所述第十二级卷积池化层输出的128个特征图为高维特征图。