1.一种基于多尺度的特征提取人群计数方法,其特征在于,该方法包括以下步骤:步骤一:通过VGG-16主干网络提取输入图像的初级特征;
步骤二:将所述初级特征输入多尺度高斯特征提取模块MSGM,所述多尺度高斯特征提取模块MSGM包括空间自适应特征调制网络SAFMN和轻量自高斯注意力模块LSGA;
步骤三:利用空间自适应特征调制网络SAFMN对输入的初级特征进行多尺度特征融合与调制,并将空间自适应特征调制网络SAFMN输出的特征输入轻量自高斯注意力模块LSGA,通过高斯位置矩阵建模空间相关性,生成优化后的特征图;
步骤四:基于优化后的特征图预测人群密度分布,并计算人群数量;
所述空间自适应特征调制网络SAFMN包括特征混合模块FMM,所述特征混合模块FMM包括空间自适应特征调制模块SAFM和跨通道混合CCM;
所述空间自适应特征调制模块SAFM通过以下步骤实现多尺度特征提取:将输入特征在通道维度分为四组,分别进行不同下采样率的自适应最大池化;
通过1×1卷积聚合多尺度特征,生成注意力图并调制输入特征;
在所述空间自适应特征调制网络SAFMN的输出结果处理中,采用分层融合策略整合跨尺度特征信息,具体步骤如下:将原始尺度特征图与具有大感受野的高层特征图进行逐元素相加,生成融合特征;
将融合特征依次输入由逐点卷积与全局平均池化构成的级联模块,实现通道维度约简和全局上下文信息提取;
将精炼后的特征与原始特征进行二次融合,通过Sigmoid激活函数计算空间-通道联合注意力权重矩阵;
利用注意力权重矩阵对输入特征进行动态校准,输出优化后的特征表示。
2.根据权利要求1所述的基于多尺度的特征提取人群计数方法,其特征在于,所述跨通道混合CCM通过3×3卷积和1×1卷积实现通道维度的扩展与压缩,并结合GeLU激活函数增强非线性表达能力。
3.根据权利要求1所述的基于多尺度的特征提取人群计数方法,其特征在于,所述轻量自高斯注意力模块LSGA通过以下步骤实现空间相关性建模:将输入特征视为独立像素标记,通过二维高斯核生成空间权重矩阵;
将高斯位置矩阵引入注意力机制,动态调整特征权重;引入基于二维高斯函数的空间权重矩阵,量化像素间的空间相关性,距离中心越近的像素在特征融合中权重越高,公式为:;
其中,为标准差,为空间位置坐标,,h和w分别指代图像的高度和宽度。
4.根据权利要求1所述的基于多尺度的特征提取人群计数方法,其特征在于,所述轻量自高斯注意力模块LSGA的注意力计算过程为:;
其中,Q分别表示查询矩阵,X是原始输入矩阵,d为多头注意机制中每个头部的维度,B为相对位置偏差参数,T的含义是转置操作,Attention()指的是注意力机制的输出结果,Softmax()表示归一化指数函数操作;
用高斯绝对位置代替相对位置偏差,则轻量自高斯注意力模块LSGA中注意力关系表示为:;
其中,G是高斯位置矩阵。
5.一种基于多尺度的特征提取人群计数系统,其特征在于,运用如权利要求1所述的基于多尺度的特征提取人群计数方法,所述系统包括:主干网络模块:采用牛津大学视觉几何组提出的深度卷积神经网络VGG-16前十三层,用于对输入图像进行初级特征提取,输出初级特征图;
多尺度高斯特征提取模块MSGM:包括空间自适应特征调制网络SAFMN和轻量自高斯注意力模块LSGA,用于对初级特征图进行多尺度特征融合与优化,输出优化后的特征图;
密度估计模块:用于根据优化后的特征图计算监控区域的人群密度分布,进而得到人群数量;
所述空间自适应特征调制模块SAFM包括自适应最大池化层组、特征级联层和1×1卷积层,用于实现多尺度特征的聚合与注意力调制;所述跨通道混合CCM包含3×3卷积层、1×1卷积层和GeLU激活层,用于实现跨通道特征交互。
6.根据权利要求5所述的基于多尺度的特征提取人群计数系统,其特征在于,所述轻量自高斯注意力模块LSGA包含层归一化层、残差连接结构、基于二维高斯函数的空间关系建模层和多层感知机,用于对特征图进行空间重校准和分类输出。