渐进式多维感知与密度自适应学习的人群计数方法

摘要

密集场景下准确人群计数和定位，对于保障公共安全至关重要。针对密集人群场景中因“镜头畸变”导致尺度变化剧烈人群特征提取不充分，致使人群计数与定位效果不佳的问题，提出了一种渐进式多维感知与密度自适应学习的人群计数方法。首先，设计轻量化特征提取模块，采用多层空洞卷积模块对FasterNet基础网络进行改进，通过扩展特征提取层的感受野，增强模型对人群特征的捕捉能力。其次，提出了渐进式多维感知特征交互增强模块，设计渐进式收缩层级结构动态融合不同尺度人群特征，增强人群特征的跨尺度交互能力，克服了人群尺度变化剧烈导致的特征丢失的问题。最后，提出跨通道定位与密度自适应学习预测模块，通过跨通道对齐与融合消除不同特征间的差异，并引入像素级密度自学习机制，实现对人群置信图计数与定位的二值化预测输出，提升了人群位置检测与数量统计的精确度。实验数据验证表明，所提方法具有更高的计数与定位性能。

关键词

人群计数与定位 / 人群尺度差异 / 渐进式多维感知 / 密度自适应学习 / 跨通道定位