1.一种暗光增强驱动的高密目标计数网络建模方法,其特征在于,所述方法包括以下步骤:S1:制作低光/正常光样本对以及高密度目标数据集,通过调整相机曝光量获得低光/正常光样本,通过监控设备获取高密度目标数据集,手工对数据集中图片的目标进行点标注;
S2:建立低光增强学习网络,所述低光增强学习网络包括低光增强模块,骨干网络以及纹理特征感知模块,所述低光增强模块用于输入图片光照增强,得到光照强化特征图,所述骨干网络根据所述光照强化特征图进行基础特征学习,得到基础特征向量,所述纹理特征感知模块根据所述基础特征向量进行手工特征学习,得到手工特征预测;
S3:利用低光/正常光样本对数据集训练所述低光增强学习网络,获得训练好的低光增强学习网络;
S4:建立高密目标回归网络,所述高密目标回归网络包含所述的低光增强学习网络和纹理特征感知密度回归模块,所述纹理特征感知密度回归模块利用S2所述的手工特征预测进行特征学习,并与所述基础特征向量进行融合和学习,获得密度图预测;
S5:利用S3中训练好的低光增强学习网络对S4所述高密目标回归网络的参数进行初始化,采用高密目标数据集对所述高密目标回归网络进行训练,获得训练好的高密目标回归网络。
2.根据权利要求1所述的暗光增强驱动的高密目标计数网络建模方法,其特征在于:步骤S2中的低光增强模块具体包括:第一卷积层,包括三个3×3卷积层;
傅里叶变换层,包括二维傅里叶变换和成分变换,所述二维傅里叶变换用于第一卷积层的输出进行快速傅里叶变换,得到实部向量R(x)和虚部向量I(x),所述成分变换对实部c×h×w向量和虚部向量经过A(x)和P(x)操作,分别得到幅度(A)和振幅(P),其中,x∈R 表示输入特征, 和P(x)=arctan[I(x)/R(x)];
成分强化层,包括幅度交互层和振幅学习层,所述幅度交互层通过随机生成的通道维c×1×1参数m∈R 对幅度(A)进行乘积操作,得到精炼后的幅度特征;所述振幅学习层通过两个
3×3卷积层对振幅(P)进行特征学习,得到强化后的振幅特征;
逆傅里叶变换层,用于对精炼后的幅度特征和强化后的振幅特征进行快速逆傅里叶变化,得到傅里叶强化特征;
第二卷积层,通过一个3×3卷积层对傅里叶强化特征进行学习,得到暗光增强图片。
3.根据权利要求1所述的暗光增强驱动的高密目标计数网络建模方法,其特征在于:所述S2中的骨干网络具体为预训练的VGG16网络的前10层,所述骨干网络接受所述低光增强模块的输出作为输入,得到基础特征。
4.根据权利要求1所述的暗光增强驱动的高密目标计数网络建模方法,其特征在于:所述S2中的纹理特征感知模块具体包括:第三卷积层,包括三个膨胀率为2的3×3卷积层;
激活层,包括依次相连的一个1×1卷积层,一个Sigmoid函数和一个上采样层,所述1×
1卷积层用于对第三卷积层的输出进行降通道,之后经过所述Sigmoid函数后得到归一化特征,所述上采样层对归一化特征进行双线性差值上采样,得到手工特征预测。
5.根据权利要求1所述暗光增强驱动的高密目标计数网络建模方法,其特征在于:所述S3具体包括:S3‑1:将低光/正常光样本对数据集划分为训练数据集、验证数据集;
S3‑2:设置训练参数,将样本对送入所述低光增强学习网络进行训练,并通过计算总损失对网络进行优化;
S3‑3:用验证数据集中的样本对所述低光增强学习网络进行测试,并保存误差最小的网络参数;
S3‑4:返回执行步骤S3‑2,直至训练完成,得到最终低光增强学习网络。
6.根据权利要求1所述的暗光增强驱动的高密目标计数网络建模方法,其特征在于:所述S4中的纹理特征感知密度回归模块具体包括:第四卷积层,利用S2中的输出暗光增强图片作为输入,通过二个膨胀率为2的3×3卷积层,得到暗光增强特征向量;
融合层,包括拼接和一个1×1卷积层,所述拼接将所述的暗光增强特征向量和所述S2中骨干网络的输出沿通道维进行拼接,所述1×1卷积层对拼接后的特征沿进行通道降维;
第五卷积层,包括依次相连的两个3×3卷积层,一个1×1卷积层和一个上采样层,所述
3×3卷积层对所述融合层的输出进行特征学习,之后通过所述1×1卷积层进行通道降维,最后通过对通道降维后的特征进行双线性差值上采样,得到密度图预测。
7.根据权利要求1所述暗光增强驱动的高密目标计数网络建模方法,其特征在于:所述S5具体包括:S5‑1:将高密目标数据集划分为训练数据集、验证数据集;
S5‑2:设置训练参数,将样本对送入所述高密目标回归网络进行训练,并通过计算总损失对网络进行优化;
S5‑3:用验证数据集中的样本对所述高密目标回归网络进行测试,并保存误差最小的网络参数;
S5‑4:返回执行步骤S5‑2,直至训练完成,得到最终高密目标回归网络。
8.根据权利要求5所述暗光增强驱动的高密目标计数网络建模方法,其特征在于:所述S3‑2中总损失的计算步骤包括:
S3‑2‑1:计算中间输出的监督损失L1:
其中,Mi表示每个批加载数据的数量,Xi表示正常光图片, 表示中间输出;
S3‑2‑2:计算纹理输出的监督损失L2:
其中,Xi表示每个批加载的数据,ai∈{0,1}是在手工特征中的真实标签,0表示背景区域,1表示纹理区域,pi表示纹理输出;
S3‑2‑3:计算各个损失的加权和,作为总损失Lt1:Lt1=L1+λ*L2
其中,λ表示超参数。
9.根据权利要求7所述暗光增强驱动的高密目标计数网络建模方法,其特征在于:所述S5‑2中总损失的计算步骤包括:
S5‑2‑1:计算密度输出的监督损失L3:
其中,Mi表示每个批加载数据的数量,Yi表示密度图的真实标签,表示密度输出;
S5‑2‑2:计算纹理输出的监督损失L4:
其中,Xi表示每个批加载的数据,ai∈{0,1}是在手工特征中的真实标签,0表示背景区域,1表示纹理区域,pi表示纹理输出;
S5‑2‑3:计算各个损失的加权和,作为总损失Lt2:其中,β表示超参数。
10.根据权利要求1所述暗光增强驱动的高密目标计数网络建模方法,其特征在于:所述S2中手工特征为通过手工特征计算方法得到的二值特征表示。