1.一种循环差异反馈视频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:建立目标计数视频数据集,利用视频拍摄设备进行感兴趣目标的视频获取,对每个视频帧中的目标进行点标注,获得当前帧的标签;
S2:构建循环差异反馈视频目标计数网络,所述循环差异反馈视频目标计数网络包括基础网络、循环差异反馈学习模块以及步进约束策略,基础网络用于视频帧的特征提取,获得视频帧特征向量,循环差异反馈学习模块基于视频帧特征向量进行差异信息反馈学习,得到密度输出和差异度量,步进约束策略用于对当前网络学习参数的学习进行结构化和非结构化约束;
S3:利用目标计数视频数据集训练所述循环差异反馈视频目标计数网络,获得训练好的循环差异反馈视频目标计数网络;
S4:使用测试视频对训练好的循环差异反馈视频目标计数网络进行评估;
所述S2中的循环差异反馈学习模块具体包括:
第一卷积层:包括两个3×3卷积层,用于对所述基础网络提取的当前帧特征进行转换,得到变换特征;
第二卷积层:包括三个膨胀率为2的3×3卷积层,对所述变换特征进行进一步的学习,得到当前帧差异特征,所述差异特征经过单个1×1卷积层,得到差异性度量;
融合层:用于所述变换特征和第i-k帧差异特征沿通道维聚合,通过两个膨胀率为2的3×3卷积层和单个1×1卷积层,得到密度输出;
所述S2中的步进约束策略具体为,利用上一批次训练得到网络的特征对当前批次进行特征进行结构结构化和非结构化约束:其中,Fj和分别表示当前批次和上一次批次第j层网络的特征输出,Nj为Fij和特征像素的个数,α和β为超参数。
2.根据权利要求1所述的循环差异反馈视频目标计数网络建模方法,其特征在于:所述S2中的基础网络具体为ImageNet预训练的网络模型中第四个降采样之前的网络层,对视频帧进行基础特征的提取。
3.根据权利要求1所述的循环差异反馈视频目标计数网络建模方法,其特征在于:所述S3具体包括:S3-1:将目标计数视频数据集按照7:1:2的比例选择视频数据,将数据集划分为视频训练集、验证集和测试集;
S3-2:对网络训练所需的参数进行设定,同时初始化网络模型参数;
S3-3:将视频训练集中的样本送入所述循环差异反馈视频目标计数网络进行训练,计算总损失Lt1,并通过Adam优化器对网络参数进行优化;
S3-4:使用视频验证集中的样本对循环差异反馈视频目标计数网络进行验证,并保存误差最小的网络参数;
S3-5:返回执行步骤S3-3,直至训练完成。
4.根据权利要求3所述的循环差异反馈视频目标计数网络建模方法,其特征在于:所述S3-3中总损失Lt1的计算步骤包括:
S3-3-1:计算差异度量的监督损失L1:
其中,M表示每个输入像素点的个数,yi表示真实差异图,pi表示差异性度量,S3-3-2:计算密度输出的监督损失L2:
其中,Z和分别表示网络的密度输出和真实密度图,
S3-3-3:计算各个损失的加权和,作为总损失Lt1:其中,表示超参数。
5.根据权利要求1所述的循环差异反馈视频目标计数网络建模方法,其特征在于:所述S3-3-1中真实差异图的具体计算:
其中,κ为尺度变换因子。
6.根据权利要求2所述的循环差异反馈视频目标计数网络建模方法,其特征在于:S2中的第i-k帧差异特征指的是当前第i帧之前的第i-k帧得到的帧差异特征,若当前帧为前k帧,那第i帧差异特征为全0特征向量。