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样;
将所述中层语义特征图上采样的结果与低层语义特征图进行通道上的连接,得到低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,得到低层语义特征图融合后的语义特征图;
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后端网络,得到人群密度估计图和人群计数结果。
2.根据权利要求1所述的一种基于特征交互的人群计数方法,其特征在于:将三层语义特征图送入语义交互结构,包括以下步骤:将所述高层语义特征图送入所述语义交互结构,得到高层语义特征图对应融合后的语义特征图;
将所述中层语义特征图送入所述语义交互结构,与所述高层语义特征图对应融合后的语义特征图进行交互,得到中层语义特征图对应融合后的语义特征图;
将所述低层语义特征图送入所述语义交互结构,与所述中层语义特征图对应融合后的语义特征图进行交互,得到低层语义特征图对应融合后的语义特征图。
3.根据权利要求1所述的一种基于特征交互的人群计数方法,其特征在于:所述多尺度注意力模块包括4个具有不同感受野的分支、一个将4个分支结果在通道维度进行连接的操作、一个卷积层、一个额外的全局通道注意力机制和一个按元素相乘操作;每个分支依次包含一个卷积层、一个膨胀卷积层、多尺度交互结构和全局空间注意力机制;
所述全局通道注意力机制,包括:
将输入特征图进行通道、高度和宽度3个维度上的维度转置及平铺操作,得到维度转置及平铺操作后的特征图;
将所述维度转置及平铺操作后的特征图使用线性变换将特征图的通道维度降为原来的1/4,并使用ReLU激活函数进行非线性变换,再使用线性变换将通道维度变为与原特征图相同,来放大跨维度特征对通道维度的依赖性,得到经多层感知机处理后的特征图;
将所述经多层感知机处理后的特征图进行通道、高度和宽度3个维度上的维度转置及重塑操作,得到维度转置及重塑操作后的特征图;
将所述维度转置及重塑操作后的特征图进行𝑆𝑖𝑔𝑚𝑜𝑖d函数变换,并与原始输入特征图进行逐元素乘法操作,得到输出特征图;
所述多尺度交互结构,包括:
将小感受野特征图交互后的结果与大感受野特征图进行通道上的连接,得到中间特征;
将所述中间特征使用一个3*3卷积进行特征融合后,得到融合后的多尺度交互特征图;
所述全局空间注意力机制,包括:
将输入特征图经过卷积核尺寸为3*3、膨胀率与分支内部用于提取多尺度特征的膨胀卷积的膨胀率相同的膨胀卷积层,得到通道数缩减为原来的1/4的特征图;
将所述通道数缩减为原来的1/4的特征图经过卷积核尺寸为3*3、膨胀率与分支内部用于提取多尺度特征的膨胀卷积的膨胀率相同的膨胀卷积层,得到通道数与原始输入特征图相同的特征图;
将所述通道数与原始输入特征图相同的特征图进行𝑆𝑖𝑔𝑚𝑜𝑖d函数变换,并与所述原始输入特征图进行逐元素乘法操作,得到输出特征图;
所述分支包括第一分支、第二分支、第三分支和第四分支;
所述特征图经过第一分支,包括:
将所述特征图经过卷积核尺寸为1*1的卷积层,得到通道数减少为原来的1/4的特征图;
将所述通道数减少为原来的1/4的特征图经过卷积核尺寸为3*3、膨胀率为1的膨胀卷积层,得到感受野为3*3的尺度特征图;
将所述感受野为3*3的尺度特征图送入多尺度交互结构,得到多尺度交互后的特征图;
将所述多尺度交互后的特征图送入全局空间注意力机制,得到赋予全新特征权重的特征图;
将所述特征图经过第二分支,包括:
将所述特征图经过卷积核尺寸为1*1的卷积层,得到通道数减少为原来的1/4的特征图;
将所述通道数减少为原来的1/4的特征图经过卷积核尺寸为3*3、膨胀率为2的膨胀卷积层,得到感受野为7*7的尺度特征图;
将所述感受野为7*7的尺度特征图送入多尺度交互结构,得到多尺度交互后的特征图;
将所述多尺度交互后的特征图送入全局空间注意力机制,得到赋予全新特征权重的特征图;
将所述特征图经过第三分支,包括:
将所述特征图经过卷积核尺寸为1*1的卷积层,得到通道数减少为原来的1/4的特征图;
将所述通道数减少为原来的1/4的特征图经过卷积核尺寸为3*3、膨胀率为3的膨胀卷积层,得到感受野为11*11的尺度特征图;
将所述感受野为11*11的尺度特征图送入多尺度交互结构,得到多尺度交互后的特征图;
将所述多尺度交互后的特征图送入全局空间注意力机制,得到赋予全新特征权重的特征图;
将所述特征图经过第四分支,包括:
将所述特征图经过卷积核尺寸为1*1的卷积层,得到通道数减少为原来的1/4的特征图;
将所述通道数减少为原来的1/4的特征图经过卷积核尺寸为3*3、膨胀率为4的膨胀卷积层,得到感受野为15*15的尺度特征图;
将所述感受野为15*15的尺度特征图送入多尺度交互结构,得到多尺度交互后的特征图;
将所述多尺度交互后的特征图送入全局空间注意力机制,得到赋予全新特征权重的特征图。
4.根据权利要求3所述的一种基于特征交互的人群计数方法,其特征在于: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,包括以下步骤:将融合后的低层语义特征图输入所述多尺度注意力模块的四个分支中,得到四个尺度的低层语义特征图;
将所述的四个尺度的低层语义特征图进行通道上的连接,并使用一个3*3的卷积进行特征融合后与全局通道注意力机制得到的特征信息相乘,得到低层语义特征图对应的尺度感知信息特征;
将融合后的中层语义特征图输入所述多尺度注意力模块的四个分支中,得到四个尺度的中层语义特征图;
将所述的四个尺度的中层语义特征图进行通道上的连接,并使用一个3*3的卷积进行特征融合后与全局通道注意力机制得到的特征信息相乘,得到中层语义特征图对应的尺度感知信息特征;
将融合后的高层语义特征图输入所述多尺度注意力模块的四个分支中,得到四个尺度的高层语义特征图;
将所述的四个尺度的高层语义特征图进行通道上的连接,并使用一个3*3的卷积进行特征融合后与全局通道注意力机制得到的特征信息相乘,得到高层语义特征图对应的尺度感知信息特征。
5.根据权利要求1所述的一种基于特征交互的人群计数方法,其特征在于: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,包括以下步骤:将高层语义特征图对应的尺度感知信息特征使用双线性插值的方法进行上采样操作,并使用一个1*1的卷积调整通道,得到第一特征图;
将所述第一特征图与所述中层语义特征图对应的尺度感知信息特征进行按元素相加操作,得到融合后的特征。
6.根据权利要求1所述的一种基于特征交互的人群计数方法,其特征在于: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,得到用于人群密度估计的主要特征图,包括以下步骤:对融合后的特征使用双线性插值的方法进行上采样操作,并使用一个1*1的卷积调整通道,得到第二特征图;
将所述第二特征图与所述低层语义特征图对应的尺度感知信息特征进行按元素相加操作,得到用于人群密度估计的主要特征图。
7.根据权利要求1所述的一种基于特征交互的人群计数方法,其特征在于: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,包括以下步骤:将所述用于人群密度估计的主要特征图输入两个卷积层,得到人群密度估计图和人群计数结果;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和1;两个卷积层的卷积尺寸均为3*3。