基于视频分析技术的智慧园林客流检测系统研建
发布时间：2021-01-07 13:51
游客管理是园林安全管理的重要组成部分,在客流量控制、园区公共安全和园区服务方面起着重要的作用。随着人们生活水平的提高,园区景点观光游客人数日益增多,导致游客管理工作难度越来越大。目前人工智能技术方兴未艾,已经广泛应用在地铁安防、金融支付和仓库管理等场景,极大地提高了各个行业的生产效率。利用人工智能技术开发一套智能化的园林客流管理系统,对提高园区游客管理效率、降低游客管理成本具有重要意义。本文基于视频分析技术开发了一套智能化的园林客流检测系统,实现了人流量统计、重点区域监控和人流密集报警等功能。人流量统计功能实时检测进出园林各个出入口的游客数量,同时按照时间生成统计报表。当园区人数达到设定的阈值时,系统及时报警,提醒园区管理人员做好限流措施。重点区域监控功能对园区中水域、山崖、电力设备和其他危险区域进行实时监控。当游客进入监控区域时,系统及时报警,提示园区管理人员尽快处理该紧急事件,防止危险事故发生。同时,系统将截取并保存危险动作发生前后的录像,作为事后调查的依据。人群密集报警功能通过读取园区内所有启用的视频流,实时检测人群密度,一旦发现人群密集情况及时报警,并截取当时的图像作为事后调查...
【文章来源】：北京林业大学北京市 211工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
FastR-CNN和YOLO的检测错误率对比分析
5系统实现35图5.2SORT算法相对于其他算法的性能比较Figure5.2BenchmarkperformanceofSORTinrelationtoseveralbaselinetrackers5.2客流统计实现客流检测包含目标检测和目标跟踪两个核心功能。本节首先对技术原理进行分析，然后对这两个功能进行实验。5.2.1目标检测YOLOv3算法对输入的整张图形进行检测，直接输出目标边界框位置信息及其所属类别，实现了端到端的目标检测模型。YOLOv3模型如图5.3所示，主要由Darknet-53特征提取网络和多尺度特征网络组成。YOLOv3使用深度更深的Darknet-53来进行特征提取，提高了目标检测定位和分类的精度。同时，为了提高对小物体目标的检测准确度，YOLOv3采用类似FPN(FeaturePyramidNetworksforObjectDetection)上采样融合方法，融合了3个尺度（13*13、26*26和52*52），在多个尺度的融合特征图上分别独立做检测，最终提高对于小目标的检测效果(施泽浩，2018)。
5系统实现37图5.4YOLO检测原理Figure5.4TheprincipleofYOLOdetection本系统采用YOLO官方网站(YOLO，2020)提供的训练模型yolov3.weights文件，完成游客检测实验和系统实现。本次实验从游客像素大孝游客身体姿态变化和游客部分遮挡这几个方面进行了三组实验。本次实验样本数据集主要是由互联网上搜集的园区背景下游客图片组成。图5.5小目标检测实验Figure5.5Thedemoofsmallobjectdetection
【参考文献】：
期刊论文
[1]基于Django的Python Web开发[J]. 白昌盛. 信息与电脑(理论版). 2019(24)
[2]基于深度学习的行人数量统计方法[J]. 杨亦乐,高玮玮,马晓峰,蒋晓. 软件. 2019(11)
[3]基于OpenCV的图形识别系统设计[J]. 刘军伟. 电子技术与软件工程. 2019(21)
[4]大数据视角下的公园绿地使用状况评估——以长沙橘子洲公园为例[J]. 吴林,刘耿,张鸿辉. 中外建筑. 2018(11)
[5]基于Locust的软件性能测试技术研究和实现[J]. 苏超,董婧一. 电子测试. 2018(06)
[6]基于特征金字塔网络的目标检测算法[J]. 施泽浩. 现代计算机(专业版). 2018(03)
[7]基于JIRA的全生命周期软件开发管理平台[J]. 王敏,贾百强,李翔,李小军. 上海船舶运输科学研究所学报. 2017(02)
[8]大数据助力智慧旅游发展的研究综述[J]. 郭玲霞. 河北旅游职业学院学报. 2017(02)
[9]创意产业类旧工业地段更新项目人流量统计与分析[J]. 林耕,杨炳晔,刘力. 天津大学学报(社会科学版). 2017(03)
[10]公共环境下密集人群踩踏事故的预警系统研究[J]. 陈鹏,石少冲,王钢强. 灾害学. 2016(04)
硕士论文
[1]基于NodeJS的接口管理平台设计与实现[D]. 邵明浩.东南大学 2017
[2]基于Live555代理服务器的远程视频监控系统[D]. 傅轶.北方工业大学 2017
[3]基于游客行为的城市公园景观设计研究[D]. 佘颖.重庆大学 2015
[4]基于WEB应用程序技术的CSRF攻击与防御技术[D]. 陈万坡.上海交通大学 2015
本文编号：2962674
【文章来源】：北京林业大学北京市 211工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
FastR-CNN和YOLO的检测错误率对比分析
5系统实现35图5.2SORT算法相对于其他算法的性能比较Figure5.2BenchmarkperformanceofSORTinrelationtoseveralbaselinetrackers5.2客流统计实现客流检测包含目标检测和目标跟踪两个核心功能。本节首先对技术原理进行分析，然后对这两个功能进行实验。5.2.1目标检测YOLOv3算法对输入的整张图形进行检测，直接输出目标边界框位置信息及其所属类别，实现了端到端的目标检测模型。YOLOv3模型如图5.3所示，主要由Darknet-53特征提取网络和多尺度特征网络组成。YOLOv3使用深度更深的Darknet-53来进行特征提取，提高了目标检测定位和分类的精度。同时，为了提高对小物体目标的检测准确度，YOLOv3采用类似FPN(FeaturePyramidNetworksforObjectDetection)上采样融合方法，融合了3个尺度（13*13、26*26和52*52），在多个尺度的融合特征图上分别独立做检测，最终提高对于小目标的检测效果(施泽浩，2018)。
5系统实现37图5.4YOLO检测原理Figure5.4TheprincipleofYOLOdetection本系统采用YOLO官方网站(YOLO，2020)提供的训练模型yolov3.weights文件，完成游客检测实验和系统实现。本次实验从游客像素大孝游客身体姿态变化和游客部分遮挡这几个方面进行了三组实验。本次实验样本数据集主要是由互联网上搜集的园区背景下游客图片组成。图5.5小目标检测实验Figure5.5Thedemoofsmallobjectdetection
【参考文献】：
期刊论文
[1]基于Django的Python Web开发[J]. 白昌盛. 信息与电脑(理论版). 2019(24)
[2]基于深度学习的行人数量统计方法[J]. 杨亦乐,高玮玮,马晓峰,蒋晓. 软件. 2019(11)
[3]基于OpenCV的图形识别系统设计[J]. 刘军伟. 电子技术与软件工程. 2019(21)
[4]大数据视角下的公园绿地使用状况评估——以长沙橘子洲公园为例[J]. 吴林,刘耿,张鸿辉. 中外建筑. 2018(11)
[5]基于Locust的软件性能测试技术研究和实现[J]. 苏超,董婧一. 电子测试. 2018(06)
[6]基于特征金字塔网络的目标检测算法[J]. 施泽浩. 现代计算机(专业版). 2018(03)
[7]基于JIRA的全生命周期软件开发管理平台[J]. 王敏,贾百强,李翔,李小军. 上海船舶运输科学研究所学报. 2017(02)
[8]大数据助力智慧旅游发展的研究综述[J]. 郭玲霞. 河北旅游职业学院学报. 2017(02)
[9]创意产业类旧工业地段更新项目人流量统计与分析[J]. 林耕,杨炳晔,刘力. 天津大学学报(社会科学版). 2017(03)
[10]公共环境下密集人群踩踏事故的预警系统研究[J]. 陈鹏,石少冲,王钢强. 灾害学. 2016(04)
硕士论文
[1]基于NodeJS的接口管理平台设计与实现[D]. 邵明浩.东南大学 2017
[2]基于Live555代理服务器的远程视频监控系统[D]. 傅轶.北方工业大学 2017
[3]基于游客行为的城市公园景观设计研究[D]. 佘颖.重庆大学 2015
[4]基于WEB应用程序技术的CSRF攻击与防御技术[D]. 陈万坡.上海交通大学 2015
本文编号：2962674
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/2962674.html
最近更新
教材专著
