1.一种基于图像自适应恢复的雾天场景人群计数系统,包括用于获取待计数雾天场景图像的获取图像模块,其特征在于:获取图像模块之后设置有依次相连的图像自适应恢复模块、双分支特征引导模块、频域注意融合模块、人群密度图回归模块和用于对人群密度图的像素值进行求和的人群计数模块;系统各模块具体组成结构如下:图像自适应恢复模块:包括去雾子模块和像素增强子模块,其中去雾子模块包括四个卷积层和元素乘法、元素减法及元素加法操作,其中第一卷积层卷积核的尺寸为1×1、第二卷积层卷积核的尺寸3×3、第三卷积层卷积核的尺寸5×5、第四卷积层卷积核的尺寸7×7;像素增强子模块包括参数学习单元、全局特征调整单元和图像调整单元,其中参数学习单元包括三个卷积层、一个平均池化层,第一卷积层的卷积核尺寸为7×7,第二、第三卷积层卷积核尺寸均为3×3;全局特征调整单元中包含一个全连接层;图像调整单元包括用于提取图像的基础特征的主干网络,主干网络为三个卷积层,卷积核是尺寸均为1×1;
双分支特征引导模块:包括清晰化计数子模块、雾天计数子模块和雾天鲁棒损失项;其中清晰化计数子模块、雾天计数子模块由两个并行VGG-19网络的前16层和5个最大池化层组成,从输入到输出均依次为两个卷积层、一个池化层、两个卷积层、一个池化层、四个卷积层、一个池化层、四个卷积层、一个池化层、四个卷积层和一个池化层,每个卷积层的卷积核尺寸均为3×3,从输入到输出方向各卷积层通道数依次为64、64、128、128、256、256、256、256、512、512、512、512、512、512、512和512,五个最大池化层步长均为2;雾天鲁棒损失项L式中,GAP表示全局平均池化操作;
频域注意融合模块:包括二维离散余弦变换层、平均池化层、两个全连接层、ReLU层和Sigmoid层;
人群密度图回归模块:包括三个卷积层,第一卷积层卷积核尺寸为3×3,第二卷积层卷积核尺寸为3×3,第三卷积层卷积核尺寸为1×1,卷积层的通道数由输入至输出方向依次为256、128和1;所述计数系统使用前利用若干张雾天场景图像和真实人群密度图对建立的计数系统进行训练,训练过程中使用贝叶斯损失作为真实人群密度图和生成的人群密度图的人群计数损失项,并结合使用雾天鲁棒损失项L式中,Γ(·)是距离函数,E[cn]表示第n个人的计数期望,D建立基于图像自适应恢复的雾天场景人群计数系统的总损失函数LL
具体地,人群计数损失项L
2.一种基于图像自适应恢复的雾天场景人群计数方法,其特征在于:应用于权利要求1所述的计数系统,具体步骤如下:步骤1:获取待处理的雾天场景人群图像;
步骤2:将待处理的雾天场景人群图像输入到图像自适应恢复模块进行清晰化恢复,得到清晰化图像;
步骤3:将待处理的雾天场景人群图像和清晰化图像输入到双分支特征引导模块进行初始特征提取,得到雾天场景初始特征和清晰化初始特征;
步骤4:将雾天场景初始特征和清晰化初始特征输入到频域注意融合模块进行融合得到高级语义特征;
步骤5:将高级语义特征输入到密度图回归模块进行密度图回归,得到人群密度图;
步骤6:将人群密度图的像素值进行求和,得到人群计数结果。
3.根据权利要求2所述的一种基于图像自适应恢复的雾天场景人群计数方法,其特征在于:步骤2具体步骤如下:步骤2.1:将雾天场景图像输入到去雾子模块中,输入到第一卷积层中得到特征图f步骤2.2:将f
步骤2.3:将f
步骤2.4:将f
步骤2.5:将f
步骤2.6:将f
步骤2.7:将f
步骤2.8:将估计的特征图θ以及雾天场景图像作为输入,进行元素乘法、元素减法和元素加法操作,从而得到去雾后的图像,具体为J(x)=θI(x)-θ+b,其中J(x)是去雾后的图像,I(x)为雾天场景图像,b是常数默认值为1;
步骤2.9:将步骤2.8得到的去雾后的图像输入到像素增强子模块中,输入到参数学习单元中得到雾天气固有属性向量;
步骤2.10:利用全局特征调整单元对雾天气固有属性向量进行缩放和移动操作,得到参数学习结果;
步骤2.11:将参数学习结果输入到图像调整单元中得到清晰化图像。
4.根据权利要求2所述的一种基于图像自适应恢复的雾天场景人群计数方法,其特征在于:步骤3具体步骤如下:步骤3.1:将清晰化图像输入到双分支特征引导模块中,输入到清晰化计数子模块中得到清晰化初始特征f步骤3.2:将步骤1获取的雾天场景人群图像输入到双分支特征引导模块中,输入到雾天计数子模块中得到雾天场景初始特征f步骤3.3:将得到的清晰化初始特征f
5.根据权利要求2所述的一种基于图像自适应恢复的雾天场景人群计数方法,其特征在于:步骤4具体步骤如下:步骤4.1:将步骤3.1得到的清晰化初始特征f
步骤4.2:将清晰化初始特征f
步骤4.3:对于每个f
步骤4.4:将
步骤4.5:对所有F
步骤4.6:将权重F