买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉苏州协同创新智能制造装备有限公司申请的专利一种基于尺度交互和高效密集残差连接的人群计数方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115661738B 。

龙图腾网通过国家知识产权局官网在2025-11-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211188520.0，技术领域涉及：G06V20/52；该发明授权一种基于尺度交互和高效密集残差连接的人群计数方法是由倪浩钧;袁雪腾;黄羿衡;刘晓东;田劲松;徐东设计研发完成，并于2022-09-27向国家知识产权局提交的专利申请。

本一种基于尺度交互和高效密集残差连接的人群计数方法在说明书摘要公布了：本发明公开了一种基于尺度交互和高效密集残差连接的人群计数方法，包括如下步骤：步骤1：拍摄人群场景图像，将图像分为训练集和测试集；步骤2：构造训练集；步骤3：预处理训练集；步骤4：构建基于尺度交互和高效密集连接的人群计数模型；步骤5：将训练集输入人群计数模型，获取训练模型；步骤6：利用训练模型对测试图像进行密度图预测，获取图像的人数与人群分布。本发明采用尺度交互方案解决监控场景中剧烈的尺度变化问题，本发明还采用高效密集连接方案提升计数模型的表征能力来解决监控场景中不均匀的人群分布问题；本发明构建了一个快速高效的人群计数模型，能够有效地解决监控场景中人群尺度变化与不均匀分布的问题。

本发明授权一种基于尺度交互和高效密集残差连接的人群计数方法在权利要求书中公布了：1.一种基于尺度交互和高效密集残差连接的人群计数方法，其特征在于，包括如下步骤： 步骤1：拍摄人群场景图像，并对图像中人群的位置进行标注，标注人群头部位置，然后将图像分为训练集和测试集； 步骤2：构造训练集，根据标注生成密度图作为标签，构造训练集对，生成密度图公式如下： 其中，Gx是密度图，x是输入图像，xi是第i个人的位置，Gσ是高斯核，m是第m个人，M是输入图像中包含的人数； 步骤3：预处理训练集，将训练集的图像对进行放缩，使得输入图像对的短边长度在640-1024；然后从每一对输入图像中随机裁减4个512×512的图像块，并对其进行水平翻转进行数据增强； 步骤4：构建基于尺度交互和高效密集连接的人群计数模型FModel，该计数模型包含三个子网络：特征提取网络FFEN，高效密集连接网络FEDCN，密度图生成网络FDGN；人群计数模型公式如下： y＝FDGNFEDCNFFENx， 其中，x表示输入图像，y表示预测的密度图； 所述特征提取网络FFEN用于提取图像的通用特征，有利于接下来的模块对特征进一步整合利用，获取人群相关特征，生成密度图；利用VGG16的前十层特征提取人群图像的通用特征，然后利用一个1×1的卷积融合通用特征，减少输出特征的通道数到原来的四分之一，公式如下： XFEN＝Conv1×1VGGx， 其中，XFEN表示特征提取网络FFEN的输出； 所述高效密集连接网络FEDCN用于整合通用特征，获取人群相关特征；FEDCN包含三个高效密集连接块EDCB，公式如下： XEDCN＝FEDCBFEDCBFEDCBXFEN， 其中，XEDCN表示特征提取网络FEDCN的输出； 每一个高效密集连接块EDCB采用高效的密集残差连接方式； 首先一个1×1的卷积被用来融合输入特征，公式如下： 其中，表示1×1卷积的输出； 然后依次经过两个尺度交互模块SIB，公式如下： 其中，和分别表示第一个SIB和第二个SIB的输出； 为了有效地整合两个SIB模块的输出，采用一种高效密集连接方案，该方案分别使用多个1×1卷积将两个SIB模块的输出拼接到一起，1×1卷积能自适应选择该层特征的有效特征，抑制无效特征，提升模型的表征能力；该方案充分地利用多个模块的表征能力，用来解决不均匀的人群分布的问题，公式如下： 其中，X1，X2，X3和X4分别是：模块输入，1×1卷积输出，第一个SIB输出和第二个SIB输出的密集连接；然后它们被拼接到一起，并经过一个1×1卷积进行通道融合，公式如下： X5＝Conv1×1ConcatX1,X2,X3,X4， 其中，Concat表示拼接操作； 最后为了增加训练过程中信息的传递和减小训练难度，增加了一个长跳跃连接，公式如下： XOut＝X5+XEDCN； 所述密度图生成网络FDGN用于提升特征图的分辨率并生成密度图，包括四个卷积层和三个双线性插值上采样，公式如下： y＝FDGNXEDCN； 所述尺度交互模块SIB用于进行多尺度特征交互，提升模型对监控场景中人群尺度变化的感知能力，获取多尺度特征；SIB包含了两组三列不同核尺寸的卷积，并在不同列之间进行特征交互，提升了模型的尺度感知能力； SIB的输入被分别传入三个不同核尺寸的卷积，公式如下： 其中，和分别表示：第一组的1×1卷积，3×3卷积和5×5卷积；分别表示：第一组三个卷积的输出； 接下来，拼接三个卷积的输出，使得不同尺度的特征进行一个交互，提升特征的尺度感知能力，公式如下： 其中，表示拼接三列不同卷积的输出； 然后，将输入接下来的三列卷积，提升不同感受野下的尺度组合，获取更丰富的多尺度表征，公式如下： 其中，和分别表示：第二组的1×1卷积，3×3卷积和5×5卷积；分别表示：第二组三个卷积的输出； 然后三个卷积的输出被拼接到一起，输入到一个1×1的卷积用于融合不同尺度的特征，公式如下： 步骤5：将训练集输入人群计数模型，利用MSE损失进行计数模型的训练，获取训练模型；MSE损失公式如下： 其中，yi是第i个输入图像，θ是FModel学习到的参数，n是训练集样本的个数； 步骤6：利用步骤5获取的训练模型对测试图像进行密度图预测，获取图像的人数与人群分布。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人苏州协同创新智能制造装备有限公司，其通讯地址为：215000 江苏省苏州市吴中区越溪街道北官渡路50号3幢；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。