技術(shù)特征：

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的人群密度估算方法，其特征在于，包括有如下步驟：

步驟S1，建立訓(xùn)練樣本集：獲取視頻監(jiān)控幀圖像，對所獲取的圖像進(jìn)行多種預(yù)處理，同時采用人工方式確定圖像范圍內(nèi)的人群數(shù)量；

步驟S2，構(gòu)建基于Mixed-Pooling的卷積神經(jīng)網(wǎng)絡(luò)模型：卷積神經(jīng)網(wǎng)絡(luò)模型包含兩個卷積層、兩個Mixed-Pooling層、兩個全連接層、兩個ReLU層以及Dropout層；

步驟S3，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型：初始化后，采用隨機(jī)梯度下降法對步驟S2中構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，每迭代一次檢測一次梯度以及損失函數(shù)的值，以獲得網(wǎng)絡(luò)模型結(jié)構(gòu)中各權(quán)重值W和偏置值b的最優(yōu)解，迭代多次后得到本次訓(xùn)練的最優(yōu)卷積神經(jīng)網(wǎng)絡(luò)模型；

步驟S4，人群密度估計檢測：將通過步驟S3獲得的關(guān)于遠(yuǎn)近兩個分區(qū)的卷積神經(jīng)網(wǎng)絡(luò)分類模型，按照檢測分類策略對整體區(qū)域的人群密度進(jìn)行估計。

2.如權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的人群密度估算方法，其特征在于，所述步驟S1包括如下步驟：

步驟S10，首先劃定場景的興趣區(qū)域，然后針對監(jiān)控幀圖像中不動景部分添加Mask處理，并按照行人所占像素與區(qū)域面積比相等的原則進(jìn)行遠(yuǎn)近分塊，然后采用人工方式分別確定遠(yuǎn)近兩塊區(qū)域的人數(shù)，將兩個區(qū)域按照規(guī)定的人數(shù)范圍分為五個級別：非常稀疏、稀疏、中等密度、密集、非常密集；

步驟S11，對所有樣本圖片進(jìn)行去噪圖像增強(qiáng)預(yù)處理，然后將圖像大小統(tǒng)一為256*144，利用所有訓(xùn)練圖像的均值對圖像進(jìn)行歸一化處理。

3.如權(quán)利要求2所述的基于卷積神經(jīng)網(wǎng)絡(luò)的人群密度估算方法，其特征在于，所述步驟S10中，進(jìn)行遠(yuǎn)近兩個區(qū)域的分塊后，其按照如下公式確定分界位置：

$\frac{s1+s3}{(AB+EF)*h1}=\frac{s2+s3}{(CD+EF)*h2}$

$s3=s1+\frac{s2-s1}{h}*h1$

h＝h1+h2

$EF=AB+\frac{(CD-AB)*h1}{h1+h2}$

其中，AB和CD是場景邊界處最近端與最遠(yuǎn)端的長度，二者可通過測量得出，S1和S2表示同一行人處于近端和遠(yuǎn)端時所占的像素大小，h表示場景區(qū)域的高度，EF為需要確定的分界線位置，S3表示行人在EF處所占像素大小，通過對遠(yuǎn)近兩個區(qū)域進(jìn)行人工計數(shù)，確定區(qū)域內(nèi)最大容納人數(shù)N。

4.如權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的人群密度估算方法，其特征在于，所述步驟S2中：

卷積層與池化層交替鏈接，并將ReLU層連接于卷積層頂端，在最后一個池化層后依次連接兩個全連接層，并利用Dropout層防止其訓(xùn)練過擬合；

卷積層中：每個卷積層的特征映射圖都可以使用多個卷積核，通過對前一層得到的特征映射圖進(jìn)行卷積操作，然后組合得出；

池化層中：池化層中輸出的N個特征圖譜與其輸入的N個特征圖譜相對應(yīng)。

5.如權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的人群密度估算方法，其特征在于，所述步驟S2中，卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中采用池化層，其中池化層常用的池化方法為Max-Pooling和Average-Pooling，該兩種池化方法如下公式：

其中，y_kij表示根據(jù)第kth個特征映射圖進(jìn)行池化操作后的輸出結(jié)果，x_kpq表示在卷積核覆蓋的區(qū)域(p,q)內(nèi)的特征映射圖的特征元素值；

Mixed-Pooling表示為：

y_kij＝λave-pooling+(1-λ)max-pooling

其中，λ為隨機(jī)取值，其值可取0或1。

6.如權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的人群密度估算方法，其特征在于，所述步驟S3中，卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法包括兩個階段：

第一階段是前向傳播階段，訓(xùn)練樣本經(jīng)過預(yù)處理直接輸入到網(wǎng)絡(luò)的數(shù)據(jù)層，經(jīng)過網(wǎng)絡(luò)中各種隱含層進(jìn)行逐層變換、逐層映射，直到輸出層；

第二階段是反向傳播階段，用帶有標(biāo)簽的原始數(shù)據(jù)進(jìn)一步對整個卷積神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行監(jiān)督優(yōu)化。

7.如權(quán)利要求6所述的基于卷積神經(jīng)網(wǎng)絡(luò)的人群密度估算方法，其特征在于，反向傳播過程包括：在卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的反向傳播過程中進(jìn)行權(quán)值更新，由i到i+1次，卷積層更新神經(jīng)元權(quán)值如以下公式：

$w(i+1)=w\left(i\right)+\mathrm{\α}\frac{\∂E}{\∂w\left(t\right)}$

下采樣層神經(jīng)元更新權(quán)值為：

$\mathrm{\β}(i+1)=\mathrm{\β}\left(i\right)+\mathrm{\α}\frac{\∂E}{\∂\mathrm{\β}\left(i\right)}$

其中，α表示卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)定的學(xué)習(xí)速率，E表示在多分類問題中，存在c類共N個訓(xùn)練樣本時的平方誤差代價函數(shù)，如以下公式：

$E=\frac{1}{2}\underset{n=1}{\overset{N}{\Σ}}\underset{k=1}{\overset{c}{\Σ}}{(t_k^n-y_k^n)}^2$

其中：表示第n個樣本對應(yīng)的標(biāo)簽的第k維，表示第n個樣本對應(yīng)的網(wǎng)絡(luò)輸出的第k個輸出。

8.如權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的人群密度估算方法，其特征在于，所述步驟S4中，人群密度估計檢測過程中，首先將獲取的監(jiān)控視頻按照場景情況對不動景部分添加Mask掩模，然后利用按照遠(yuǎn)近分別訓(xùn)練得到的密度估計分類器，對兩區(qū)域進(jìn)行分別檢測。