黃奕秋，胡 曉，楊佳信，歐嘉敏

（1.廣州大學 電子與通信工程學院，廣州 510006；2.廣州大學 機械與電氣工程學院，廣州 510006）

0 概述

近年來，隨著城市居住人口的不斷增加，人口密集程度不斷上升，導致?lián)頂D踩踏風險也隨之增加。為實時檢測人群數(shù)量變化，避免擁擠踩踏對公共安全、交通控制、智能交通等造成破壞，精確地監(jiān)測人群的數(shù)量變化成為一個十分重要的課題。

基于計數(shù)方式的不同，人群計數(shù)算法可以分為傳統(tǒng)的人群計數(shù)算法和基于深度學習的人群計數(shù)算法。傳統(tǒng)的人群計數(shù)算法首先提取圖像中行人特征，然后通過檢測或回歸的方法確定人群數(shù)量。其中，基于檢測的方法［1］是通過檢測圖像中人的頭部信息計算出人數(shù)，這種方法隨著目標分布密集程度的增加，檢測難度也隨之增加。而基于回歸的方法［2-3］則是利用圖像的紋理特征與人數(shù)的映射關(guān)系估計出人群數(shù)量，能夠減小人群擁擠情況下的估計誤差。然而由于回歸方法無法從圖像中提取有助于完成人群計數(shù)任務(wù)的語義信息，導致當存在嚴重的遮擋問題和背景干擾時，算法性能難以提升。隨著深度學習的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）在許多計算機視覺任務(wù)中都取得了良好的效果［4-5］，在一定程度上突破了傳統(tǒng)網(wǎng)絡(luò)的限制，顯著提升了計數(shù)性能。但圖像存在的透視畸變問題和背景噪聲不僅影響了網(wǎng)絡(luò)的計算精度，而且約束了網(wǎng)絡(luò)的泛化能力和魯棒性。

為減少圖像中多尺度問題對計數(shù)任務(wù)的影響，ZHANG 等［6］利用端到端的深度卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)不同場景的人群計數(shù)，此網(wǎng)絡(luò)雖然提高了計數(shù)的精確性，但網(wǎng)絡(luò)的跨場景計數(shù)能力較差。文獻［7］提出多列卷積神經(jīng)網(wǎng)絡(luò)（Multi-Column CNN，MCNN），通過不同尺度的卷積核提取不同尺度大小的頭部特征，提高網(wǎng)絡(luò)跨場景計數(shù)的能力，但該網(wǎng)絡(luò)的結(jié)構(gòu)復雜，泛化能力有待提高。SAM 等［8］提出切換卷積神經(jīng)網(wǎng)絡(luò)（Switching CNN，SwitchCNN），該網(wǎng)絡(luò)雖然提高了泛化能力，但冗余結(jié)構(gòu)較多，計算量較大。為解決MCNN 這一類多列結(jié)構(gòu)網(wǎng)絡(luò)存在的網(wǎng)絡(luò)冗余問題，LI 等［9］提出基于擴展卷積的密集場景識別網(wǎng)絡(luò)（Congested Scene Recognition Network，CSRNet），通過去除冗余的多列卷積層，采用7 層空洞卷積構(gòu)成一個單通道端到端的人群計數(shù)網(wǎng)絡(luò)，在減少網(wǎng)絡(luò)冗余的情況下提高了模型對透視畸變的抗干擾能力。與CSRNet 類似，LIU 等［10］設(shè)計了一個上下文感知網(wǎng)絡(luò)（Context-Aware Network，CAN）以自適應預測人群密度所需的上下文信息，進而減小圖像多尺度問題造成的干擾。值得注意的是，雖然CSRNet 和CAN 均減少了此問題造成的影響，但圖像本身存在的背景噪聲對人群計數(shù)的精度仍然造成影響，并未得到改善。

為抑制圖像背景對人群計數(shù)網(wǎng)絡(luò)性能的干擾，文獻［11］提出注意力尺度網(wǎng)絡(luò)（Attention Scaling Network，ASNet），并利用二進制掩碼對背景和人群進行分割，但該網(wǎng)絡(luò)并不能實現(xiàn)端到端的計算，網(wǎng)絡(luò)計算量較大。ZHU 等［12］通過對稱雙路徑多尺度融合網(wǎng)絡(luò)（Dual Path Multi-scale Fusion Network，SFANet），利用空間注意力圖過濾密度圖的噪聲以提高計數(shù)準確度，但其生成的空間注意力圖精度有待提高，無法對噪聲進行充分抑制，網(wǎng)絡(luò)的泛化能力和魯棒性有待增強。

本文對SFANet 進行改進，提出基于背景抑制與上下文感知的人群計數(shù)網(wǎng)絡(luò)。通過構(gòu)建背景噪聲抑制（Background Noise Suppression，BNS）模塊提高網(wǎng)絡(luò)對圖像背景噪聲的抑制能力，并設(shè)計上下文感知增強網(wǎng)絡(luò)結(jié)構(gòu)，減少圖像透視畸變對計數(shù)任務(wù)的干擾。

1 本文網(wǎng)絡(luò)

1.1 網(wǎng)絡(luò)結(jié)構(gòu)

本文網(wǎng)絡(luò)由VGG-16 網(wǎng)絡(luò)、密度圖生成（Density Map Generation，DMG）模塊、BNS 模塊以及上下文感知增強網(wǎng)絡(luò)（Weight Enhancement-Context Aware Network，WE-CAN）4 個部分組成，具體結(jié)構(gòu)如圖1所示。

圖1 本文網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of network in this paper

由圖1 可知，該網(wǎng)絡(luò)首先利用特征提取網(wǎng)絡(luò)VGG-16 提取輸入圖像不同層次的特征并分別輸入DMG 模塊和BNS 模塊中進行處理，生成密度特征圖和空間注意力圖。然后，將生成的密度特征圖和空間注意力圖相乘，得到能有效抑制噪聲的初級密度圖。最后，利用WE-CAN 模塊提取初級密度圖上下文信息并進行優(yōu)化處理，減少透視畸變引起的問題，進而獲得高質(zhì)量的預測密度圖。

1.2 密度圖生成模塊

DMG 模塊的作用是生成高分辨率的初級密度圖，其結(jié)構(gòu)如圖1 中DMG 模塊所示。由于低層特征包含更多的紋理信息，高層特征包含頭部等位置信息［13］，因此DMG 模塊采用特征金字塔的結(jié)構(gòu)［14］能使輸入的低層特征圖和高層特征圖的信息有效互補，從而得到高分辨率的初級密度圖。

在DMG 模塊中，首先提取VGG-16 網(wǎng)絡(luò)中4 個池化層的中間特征圖，分別記為F1、F2、F3、F4；然后依次對F1、F2、F3、F4進行特征融合。DMG 模塊首先利用特征融合策略對F4進行兩倍上采樣，并與F3級聯(lián)，利用T 操作處理得到通道數(shù)為256 的中間特征圖FC1；然后，使用T 操作將FC1和F2進行特征融合并進行降維操作，生成通道數(shù)為128 的特征圖FC2；最后，利用H 操作對FC2與F1級聯(lián)后的特征進行融合，在經(jīng)過特征通道降維后得到通道數(shù)為32 的高分辨率的密度特征圖Fden，其大小為原始輸入的1/2。

生成高分辨率的密度特征圖Fden后，為了減少圖像背景對計數(shù)結(jié)果的干擾，將Fden與BNS 模塊生成的空間注意力圖Matt進行相乘操作，實現(xiàn)對噪聲的抑制，最后生成初級密度圖Frefine。此過程的表達式如式（1）所示：

其中：?表示逐點相乘操作。

1.3 背景噪聲抑制模塊

BNS 模塊旨在生成對圖像背景噪聲起抑制作用的空間注意力圖Matt，其結(jié)構(gòu)如圖1 中BNS 模塊所示。由式（1）可知，空間注意力圖Matt對噪聲的抑制能力越強，其與Fden相乘后生成初級密度圖Frefine的精確度越高。因此，為增強空間注意力圖抑制噪聲的能力，本文設(shè)計了基于通道域注意力ECA 模塊［15］和多層次信息融合的BNS 模塊。由于低層特征包含細節(jié)邊緣的信息，且高層特征圖具有區(qū)分頭部區(qū)域與噪聲的有效語義信息，因此BNS 模塊使用ECA 模塊充分提取不同層次的有效信息，提高頭部特征信息表達能力，從而生成高質(zhì)量的空間注意力圖。通道域注意力模塊ECA 的結(jié)構(gòu)如圖2 所示，其中，K為卷積核，GAP 為全局平均池化。

圖2 ECA 模塊結(jié)構(gòu)Fig.2 Structure of ECA module

由圖2 可知，ECA 模塊的引入不僅能增強低層特征圖中細節(jié)邊緣信息的表達，而且能提高高層特征圖中用于區(qū)分頭部和背景的語義信息權(quán)重。具體而言，ECA 模塊首先利用卷積核大小為K的一維卷積獲取特征圖中每個通道以及K個相鄰通道之間的交互信息，從而計算出不同通道的權(quán)重，此過程用C1DK(·)表示。然后，將計算得到的權(quán)重與原始特征圖相乘，以增強不同特征中有效信息的表達［15］，此過程如式（2）所示：

其中：x表示輸入特征；y表示輸出結(jié)果；sigmoid 表示sigmoid 激活函數(shù)；在網(wǎng)絡(luò)中K值設(shè)為3。

為進一步突出空間注意力圖中前景和后景差異［12］，BNS 模塊在輸出空間注意力圖前使用1×1×1 卷積對特征圖進行降維，并使用sigmoid 函數(shù)將空間注意力圖像素點的值映射為（0，1），從而區(qū)分圖像中頭部區(qū)域與背景區(qū)域，此過程的表達式如式（3）所示：

其中：Matt表示最終生成的空間注意力圖；fatt表示經(jīng)過3 個通道域注意力模塊優(yōu)化后的中間特征圖；*表示卷積操作；W和b分別表示一維卷積的權(quán)重和偏置。

1.4 上下文感知增強網(wǎng)絡(luò)

為增強特征圖中上下文信息的表達，減少圖像透視畸變造成的影響，本文在CAN［10］模塊的基礎(chǔ)上結(jié)合特征權(quán)重增強模塊（Feature Weight Enhance Module，WE）進行改進，提出WE-CAN 模塊。其中WE 模塊用于增強特征圖中多尺度上下文信息的表達，其結(jié)構(gòu)如圖3 所示。由圖3 可知，WE 模塊的功能是提取DMG 模塊所生成初級密度圖Frefine中的多尺度特征并增強其中有效信息的表達。WE 模塊首先對Frefine進行平均池化［16-17］，并使用一個1×1 卷積和2 個3×3 卷積以不同的感受野提取Frefine的多尺度信息。為有效提取不同尺度的頭部特征，本文首先根據(jù)文獻［16］中提出的空洞空間卷積池化金字塔中對卷積核的設(shè)置，將1×1 卷積的空洞率設(shè)為1，2 個3×3卷積的空洞率分別設(shè)為6 和12。然后，對提取到的頭部特征與池化后的Frefine進行級聯(lián)后降維輸出，記為FA。其次，利用通道域注意力模塊（Squeeze and Excitation Module，SE）［18］強化Frefine中有效的多尺度信息表達，生成具有顯著信息的特征，記為FS。最后，對FA和FS進行相乘操作，生成多尺度特征密度圖Fm，該過程可以表述為：

圖3 WE-CAN 模塊結(jié)構(gòu)Fig.3 Structure of WE-CAN module

其中：Fm表示W(wǎng)E 模塊生成的多尺度特征密度圖。

結(jié)合WE 模塊對CAN［10］模塊進行改進，本文提出的WE-CAN 模塊能提取特征中更詳細的空間信息和全局信息，增強網(wǎng)絡(luò)自適應優(yōu)化多級上下文信息的能力，其結(jié)構(gòu)如圖3（a）所示。由圖3（a）可知，WE-CAN 模塊分為4 個步驟：首先使用4 個不同核大小的平均池化層對初級密度圖Frefine進行多尺度特征提取，生成4 個不同尺寸的感受野，以感知上下文特征Sj，比例分別為1、2、3、6［10］；其次，將Sj與WE 模塊生成的Fm相減，從而提取出目標特征與相鄰特征的特征差異Cj，實現(xiàn)WE-CAN 模塊中的特征差異提取，其定量表述為式（5）；然后，WE-CAN 模塊將計算出的Cj輸入到權(quán)重計算網(wǎng)絡(luò)中，利用一維卷積計算不同尺度在輸入特征圖中的尺度權(quán)重ωj，此過程可表述為式（6）；最后，利用尺度權(quán)重ωj對初級密度圖Frefine進行透視矯正并降維輸出，使網(wǎng)絡(luò)生成高質(zhì)量的預測密度圖Dpre，該過程可表述為式（7）：

其中：[·|·]表示級聯(lián)操作。

2 實驗與結(jié)果分析

2.1 數(shù)據(jù)集

ShanghaiTech、UCF-CC-50 以 及UCF-QNRF 數(shù)據(jù)集是目前人群計數(shù)研究中的主流數(shù)據(jù)集詳情如下：

1）ShanghaiTech 數(shù)據(jù)集是由ZHANG［8］等提出的大型開源數(shù)據(jù)集，該數(shù)據(jù)集由Part A 和Part B 2 個部分組成。Part A 包含從互聯(lián)網(wǎng)中隨機收集的482 張圖片，其中300 張用于訓練，182 張用于測試。Part B則包含716 張拍攝于上海繁華街道的圖片，其中400 張用于訓練，316 張用于測試。

2）UCF-CC-50 數(shù)據(jù)集［19］是一個包含擁擠人群圖片的開源數(shù)據(jù)集，一共包括50 張不同分辨率的人群圖片。該數(shù)據(jù)集圖片人數(shù)變化大，人群范圍跨度大，從94 人到4 543 人，平均每張圖片1 280 人。為更好地驗證模型的準確性，在實驗過程中使用與文獻［20］相同的5 折交叉驗證法：首先在不重復的前提下將數(shù)據(jù)集平均劃分為5 份，每份10 張圖像。然后每次選擇不同的一份作為測試集，將余下的4 份作為訓練集進行訓練，分別獲得5 組測試結(jié)果，最后取5 組測試結(jié)果的平均值作為模型的性能指標，并與其他網(wǎng)絡(luò)進行比較。

3）UCF-QNRF 數(shù)據(jù)集［20］是一個復雜且擁擠的人群數(shù)據(jù)集，共包含1 251 642 處人體標注。該數(shù)據(jù)集共有1 535 張圖像，訓練集由1 201 張圖像組成，其余334 張作為測試集。UCF-QNRF 數(shù)據(jù)集不僅包含多種多樣的環(huán)境背景，而且數(shù)據(jù)集中圖像的分辨率差異較大，具有一定的挑戰(zhàn)性。

本文采用的3 個數(shù)據(jù)集對比結(jié)果如表1 所示。

表1 本文數(shù)據(jù)集信息Table 1 Information of datasets in this paper

2.2 數(shù)據(jù)處理

2.2.1 真實人群密度圖生成

由于現(xiàn)有的人群計數(shù)數(shù)據(jù)集只標注了圖像中人頭的位置，因此需要將人頭位置轉(zhuǎn)化為真實人群密度圖以提供更多的監(jiān)督信息。本文按照文獻［8］中生成密度圖的方法，對所有的目標均采用內(nèi)核大小相同的高斯濾波器進行處理。首先使用δ(x-xi)表示圖像在像素點xi上的頭部標注，然后利用標準差為σi的高斯核濾波器Gσi對每個頭部標注進行高斯模糊處理，進而得到相應的真實人群密度圖DGT，該過程可定量描述為：

其中：標準差σi由K最近鄰算法計算得出；表示xi和k個相鄰點之間的距離，k設(shè)為3；β為超參數(shù)，根據(jù)文獻［7］將其設(shè)為0.3。

2.2.2 真實空間注意力圖生成

為使網(wǎng)絡(luò)生成預測空間注意力圖，實現(xiàn)對預測密度圖的權(quán)重分配，本文根據(jù)文獻［12］設(shè)定閾值的方式對真實人群密度圖DGT進行二值化處理，將人群區(qū)域和背景區(qū)域進行分割，從而獲得真實空間注意力圖ΑGT，該過程可定量描述為：

其中：x表示DGT中不同位置像素點的值；t表示閾值，在本文實驗中將其設(shè)為0.001。

2.3 訓練方法

本文基于Pytorch框架，在Ubuntu18.04系統(tǒng)和RTX 2080Ti GPU 條件下進行實驗。為提高訓練速度和計數(shù)精度，本文導入VGG-16 預訓練模型并將其作為前端特征提取器，其余網(wǎng)絡(luò)參數(shù)初始值由均值為0、標準差為0.01 的高斯分布隨機生成。同時，采用Adam 優(yōu)化器訓練，學習率設(shè)為1×10-4，權(quán)重衰減設(shè)為5×10-3，迭代次數(shù)設(shè)為800 次，批量化大小設(shè)為8。

2.4 多任務(wù)聯(lián)合損失函數(shù)

為獲得精確的人群估計結(jié)果，本文根據(jù)文獻［12］的方法，將多任務(wù)聯(lián)合損失函數(shù)分別用于訓練網(wǎng)絡(luò)生成有效的預測空間注意力圖和精準的預測密度圖。此外，基于現(xiàn)有的研究，本文利用歐氏幾何距離測量預測人群密度圖和真實人群密度圖之間的差值并將其作為損失函數(shù)，以用于訓練網(wǎng)絡(luò)模型生成預測密度圖。損失函數(shù)的表達式如式（11）所示：

其中：F(Xi；Θ)表示預測的人群密度圖；Θ表示網(wǎng)絡(luò)學習參量；xi和DGT分別表示輸入圖像和真實人群密度圖。

為得到有效的空間注意力圖，本文在訓練過程中采用二進制交叉熵損失（Binary Cross Entropy Loss，BCELoss）作為損失函數(shù)，計算人群空間注意力圖與真實人群空間注意力圖之間的差值。損失函數(shù)的表達式如式（12）所示：

其中：表示真實人群空間注意力圖；Pi是經(jīng)過sigmoid 函數(shù)處理后預測空間注意力圖中每個像素的概率值。

在訓練過程中使用多任務(wù)結(jié)合損失函數(shù)實現(xiàn)端到端的訓練，多任務(wù)聯(lián)合損失函數(shù)表達式如式（13）所示：

其中：α為超參數(shù)，設(shè)其為0.1。

2.5 評價指標

現(xiàn)有的研究主要使用平均絕對誤差（Mean Absolute Error，MAE）和均方誤差（Mean Square Error，MSE）對模型進行評估，MAE 反映了網(wǎng)絡(luò)的準確性，而MSE 體現(xiàn)了網(wǎng)絡(luò)的泛化能力。其計算過程分別如式（14）和式（15）所示：

其中：N表示測試集中測試圖像的數(shù)量；分別表示網(wǎng)絡(luò)預測的人群總數(shù)和真實人群密度圖中的人群總數(shù)。

2.6 結(jié)果分析

為驗證本文網(wǎng)絡(luò)的有效性，在人群計數(shù)任務(wù)數(shù)據(jù) 集ShanghaiTech、UCF-CC-50 以 及UCF-QNRF 數(shù)據(jù)集上分別進行實驗，并與現(xiàn)有的其他網(wǎng)絡(luò)包括MCNN［7］，SwitchCNN［8］，CSRNet［9］，多尺度聚合網(wǎng)絡(luò)（Multi-Scale Aggregation Network，SANet）［21］，CAN［10］，關(guān)系注意力神經(jīng)網(wǎng)絡(luò)（Relational Attention Network，RANet）［22］，SFANet［12］，泛密度神經(jīng)網(wǎng)絡(luò)（Pan-Density Neural Network，PaDNet）［23］，密度感知卷積神經(jīng)網(wǎng)絡(luò)（Density-Aware CNN，DensityCNN）［24］以及多尺度感知人群計數(shù)神經(jīng)網(wǎng)絡(luò)（Scale-Aware Crowd Counting Network，SACCN）［25］進行對比分析，實驗結(jié)果如表2 所示。

表2 不同網(wǎng)絡(luò)在公開數(shù)據(jù)集上的MAE 與MSE 結(jié)果比較Table 2 Comparison on MAE and MSE of different networks on public datasets

由表2 可知，對于ShanghaiTech 數(shù)據(jù)集，本文網(wǎng)絡(luò)模型在密集程度較高的Part A 子集上的MAE 和MSE 分別為56.6 和97.6，均達到了先進水平。同時在人群密度較低的Part B 子集中，本文網(wǎng)絡(luò)也取得了所有對比網(wǎng)絡(luò)中最佳的MAE 和MSE，分別為6.3和10.2，相比SFANet 分別下降了8.7%和6.4%。在樣本量較少，但視角豐富的UCF-CC-50 數(shù)據(jù)集中，本文網(wǎng)絡(luò)取得了對比網(wǎng)絡(luò)中最低的MAE 和MSE，分別為160.6 和224.7，與SFANet 相比分別下降了26.9%和28.9%。在場景豐富、圖像視角多樣的UCF-QNRF 數(shù)據(jù)集中，本文網(wǎng)絡(luò)的MAE 和MSE 分別為85.8 和146.0，取得了對比網(wǎng)絡(luò)中的最佳結(jié)果，與SFANet 相比MAE 下降了14.9%，MSE 下降了16.3%。

表2 的實驗數(shù)據(jù)說明本文網(wǎng)絡(luò)在擁擠人群和稀疏人群場景中均具有較高的準確性，而且在圖像畸變較為嚴重、背景環(huán)境復雜多樣的擁擠人群場景中具有良好性能，體現(xiàn)了該網(wǎng)絡(luò)良好的泛化能力和較強的魯棒性。

2.7 消融性實驗

為驗證BNS 模塊和WE-CAN 模塊的有效性，在ShanghaiTech 數(shù)據(jù)集上進行實驗，分析不同模塊對網(wǎng)絡(luò)性能的影響。

消融實驗結(jié)果如表3 所示。首先以SFANet 作為基線網(wǎng)絡(luò)，并在其基礎(chǔ)上增加BNS 模塊進行實驗，從而驗證BNS 模塊的有效性。此外，為驗證WE-CAN模塊的有效性，在基線網(wǎng)絡(luò)添加了BNS 模塊的基礎(chǔ)上分別添加CAN 模塊和WE-CAN 模塊進行對比實驗。由表3 可知，SFANet 增加BNS 模塊后在Part A數(shù)據(jù)集上的MAE 下降1.5%，在Part B 數(shù)據(jù)集的MAE下 降2.9%，MSE 下 降4.6%。當SFANet 依次增加BNS 模塊和CAN 模塊后，Part A 數(shù)據(jù)集的MAE 相比SFANet 下降3.5%，Part B 數(shù)據(jù)集的MAE 下降4.3%，MSE 下降4.6%。當網(wǎng)絡(luò)增加了WE-CAN 模塊后，在Part A 數(shù)據(jù)集的MAE 下 降5.3%，Part B 數(shù)據(jù)集的MAE 和MSE 分別下降了8.7%和6.4%。上述消融性實驗驗證了本文設(shè)計的BNS 模塊和WE-CAN 模塊在人群計數(shù)任務(wù)中的有效性和合理性。

表3 消融實驗結(jié)果Table 3 Results of ablation experiment

2.8 結(jié)果可視化

將本文網(wǎng)絡(luò)和SFANet 生成的密度圖進行對比，結(jié)果如圖4 所示（彩色效果見《計算機工程》官網(wǎng)HTML 版）。

圖4 本文網(wǎng)絡(luò)與SFANet 的預測密度圖比較Fig.4 Comparison of predict density map between SFANet and network in this paper

由圖4 可知，當擁擠人群存在旗幟等遮擋物的時候，SFANet 無法很好區(qū)分人群和背景區(qū)域，容易將旗幟上的圖案判定為人體特征，導致最終預測結(jié)果誤差較大。而本文網(wǎng)絡(luò)能有效抑制噪聲，使生成的預測密度圖能準確突出人群區(qū)域，提高人群計數(shù)任務(wù)的計算精度。

此外，本文網(wǎng)絡(luò)能生成較精確的預測空間注意力圖和預測密度圖，且能進行可視化，可視化結(jié)果如圖5所示（彩色效果見《計算機工程》官網(wǎng)HTML 版）。

圖5 本文網(wǎng)絡(luò)的實驗效果展示Fig.5 Experimental effect display of network in this paper

由圖5 左數(shù)第1 列、第2 列圖可知，針對存在背景干擾較嚴重的擁擠人群場景的圖像，本文網(wǎng)絡(luò)能將圖像中存在的汽車、樹木等遮擋物識別為背景元素，減少遮擋物對預測結(jié)果的干擾。由圖5 左數(shù)第3 列圖可知，針對目標尺度變化較大的圖像，本文網(wǎng)絡(luò)生成的預測空間注意力圖和預測密度圖均能較好地對圖像中的多尺度目標進行檢測。由圖5 左數(shù)第4 列圖可知，針對稀疏人群場景的圖像，本文網(wǎng)絡(luò)也能生成精確的預測空間注意力圖和預測密度圖，體現(xiàn)了該網(wǎng)絡(luò)良好的跨場景計數(shù)能力。

綜上所述，本文網(wǎng)絡(luò)能生成高質(zhì)量的預測密度圖，在有效抑制圖像噪聲干擾的同時，也能有效減少透視畸變引起的估計誤差，展示了該網(wǎng)絡(luò)在人群計數(shù)領(lǐng)域中優(yōu)越的性能。

3 結(jié)束語

本文提出基于背景抑制與上下文感知的人群計數(shù)網(wǎng)絡(luò)，通過引入DMG 模塊有效提取不同層次特征的有效信息，生成高分辨率的特征圖，并利用BNS 模塊充分抑制圖像噪聲干擾，提高模型的人群計數(shù)精度。此外，采用WE-CAN 模塊解決圖像存在的透視畸變問題，在對網(wǎng)絡(luò)模型進行訓練時采用多任務(wù)的聯(lián)合損失函數(shù)，以提高模型的計數(shù)精度。實驗結(jié)果表明，本文網(wǎng)絡(luò)在UCF-QNRF 數(shù)據(jù)集上的平均絕對誤差和均方誤差分別為85.8、146.0，相較于MCNN、SwitchCNN、CSRNet 等網(wǎng)絡(luò)最高分別下降69.0%和67.2%，具有良好的泛化能力和較強的魯棒性。下一步將引入霧霾、暴雨等復雜天氣變化的數(shù)據(jù)樣本和存在低光照、過曝等光照變化的數(shù)據(jù)樣本對模型進行訓練，提高網(wǎng)絡(luò)在復雜環(huán)境下的計算精度。