(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211282570.5 (22)申请日 2022.10.19 (71)申请人 中国人民解 放军国防科技大 学 地址 410073 湖南省长 沙市开福区德雅路 109号 (72)发明人 陈琛　肖华欣　刘煜　张茂军　 马屹钦　 (74)专利代理 机构 长沙大珂知识产权代理事务 所(普通合伙) 4323 6 专利代理师 伍志祥 (51)Int.Cl. G06V 20/17(2022.01) G06V 20/52(2022.01) G06V 10/26(2022.01) G06V 10/762(2022.01)G06V 10/82(2022.01) (54)发明名称 一种基于目标密度信息的高分图像背景优 化方法 (57)摘要 本发明公开了一种基于目标密度信息的高 分图像背景优化方法， 方法包括步骤： 获取高分 辨率图像； 预测每张输入图像对应的稀疏密度 图； 对预测生成的稀疏密度图， 使用聚类方法计 算行人密集区域； 得到行人密集区域后得到不同 的簇， 统计该区域内样本的人群数量N,若N大于 给定的阈值T， 按照一定的膨胀稀疏方法扩张该 区域， 得到背景优化子图的掩模， 按照该掩模对 原始图像进行背景优化， 生成子图训练集； 根据 原始图像和子图两部分的预测结果， 融合生成最 终的预测结果， 输出多张含有行人的子图。 本发 明显著提高低空俯拍场景 下检测任务的精度。 权利要求书3页 说明书14页 附图6页 CN 115527133 A 2022.12.27 CN 115527133 A 1.一种基于目标密度信息的高分图像背景优化方法， 其特 征在于， 包括以下步骤： 获取包含行人的高分辨 率图像； 预测每张输入图像对应的稀疏密度图； 对预测生成的稀疏密度图， 使用聚类方法计算行 人密集区域； 得到行人密集区域后得到不同的簇， 统计该区域内样本的人群数量N,若N大于给定的 阈值T， 按照膨胀区域方法扩张该区域， 得到背景优化子图的掩模， 按照该掩模对原始图像 进行背景优化， 生成子图训练集； 根据原始图像和子 图两部分的预测结果， 融合生成最终的预测结果， 输出多张含有行 人的子图。 2.根据权利要求1所述的基于目标密度信 息的高分图像背景优化方法， 其特征在于， 所 述稀疏密度图利用密度感知组件来指示目标存在区域以及区域内的对象密度， 剔除不包含 待检目标的背景区域。 3.根据权利要求2所述的基于目标密度信 息的高分图像背景优化方法， 其特征在于， 所 述密度感知组件基于贝叶斯分布的人群计数网络来预测稀疏的密度图， 再根据聚类方法统 计出人群密度高的区域， 将图像分块。 4.根据权利要求1所述的基于目标密度信 息的高分图像背景优化方法， 其特征在于， 对 原始图像进 行分块后， 分别以原始图像为数据集、 背 景优化后子图为数据集， 训练两个带有 特征金字塔的Faster  RCNN结构作为全局检测器和子检测器， 在 对输入图像进行推理时， 用 密度感知组件对输入图像进行拆分， 在两个检测器上分别进行预测， 将子检测器的结果映 射到原始图像中， 利用非极大值抑制方法后处 理后输入最终的检测结果。 5.根据权利要求1所述的基于目标密度信 息的高分图像背景优化方法， 其特征在于， 用 多项加权损失函数来衡量真值点图的矢量二值图密度函数和网络预测的矢量化的密度图 密度函数之间的差异， 具体公式如下： 其中 为真值点图的矢量二值图， 为预测的矢量化的密度图， λ1和 λ2 为加权系数， z和 为非正则化的密度函数， 为计数损失， 用于衡量密度图与真值 图之间人群数量统计之间的误差， 为改进的最优运输损失函数， 为 全变分损失函数。 6.根据权利要求5所述的基于目标密度信 息的高分图像背景优化方法， 其特征在于， 所 述计数损失定义如下： 其中 记为矢量的L1范数， 计数损失使得| |z||1和 之间的差异尽可能地小； 将||z||1和 两个非正则化的密度函数， 除 以它们各自的总和， 将它们转变成概率 密度函数， 并采用最优运输损失函数来度量两个概率分布的差异， 所述最优运输损失函数 如下：权　利　要　求　书 1/3 页 2 CN 115527133 A 2其中α*和β*为采用逐像素的平均绝对误差来训练网络得到的解， 采用平方转移损失 其中z(i)和 分别为位置i和j的二维坐标； 添加一个极 小正数来确保分母不 为零， 此时 的梯度为： 所述全变分损失函数定义如下： 所述全变分损失函数梯度记为： 其中 Sign(.)为向量的 的符号函数。 7.根据权利要求1所述的基于目标密度信 息的高分图像背景优化方法， 其特征在于， 所 述聚类方法为均值漂移方法， 在处理生成的稀疏密度图时， 结合均值漂移方法以及区域膨 胀策略来估计行 人密集区域。 8.根据权利要求7所述的基于目标密度信 息的高分图像背景优化方法， 其特征在于， 采 用基于均值漂移的聚类方法， 其中均值漂移指偏移的均值向量， 根据样本点计算样本点的 概率密度分布区间， 将密度图中的点聚为不同的簇， 统计这些簇里目标实例的计数， 大于阈 值的保留， 小于阈值的抛 弃； 假设在d维空间 中， 有n个离散的样本x＝xi(i＝1,2,...,n)， 均值漂移中的均值向 量定义如下： 其中， Sh为半径为h的高维球区域， 对于图像数据， 其表示一个半径为h的圆形区域， 该区 域为满足如下式关系点的集 合： Sh(x)＝{y:(y ‑x)T(y‑x)<＝h2} 均值向量Mh(x)是落入Sh中k个样本的平均值， 总指向概率密度的梯度方向； 考虑到不同 距离的点应带有不同的权 重， 引入核函数 K(x),此时用下式表示 概率密度函数f(x): 权　利　要　求　书 2/3 页 3 CN 115527133 A 3