基于卷积神经网络的人群计数算法研究与应用

发布时间：2021-08-05 05:46

　　现代社会,随着人口流动性和人群密集程度的不断增加,机场、车站、商场等各类人群密集场所的流量统计问题备受关注。发生在2014年12月31日的上海外滩踩踏事件,再一次敲响了对密集人群进行有效监管的警钟,同时也表明传统的人力监管无法有效应对日益庞大和密集的人群,必须引入高度智能化的安全管理系统,提高安全防范和预警能力。为此,基于计算机视觉的人群计数算法得到了广泛的研究,相关成果不仅能够有效提高各类人群密集场所的安全防范能力,也将为各类商业场带来无限商机。近年来,随着深度学习技术的快速发展,有越来越多的学者投身到人群计数领域的研究工作中,利用卷积神经网络在图像特征提取和模型泛化上的优异表现,有效地解决了在复杂场景下高密度人群图像的计数问题。为了进一步提升人群计数方法的准确性和稳定性,本文针对目前基于卷积神经网络的人群计数方法进行了相关研究,提出了更加有效的算法模型,并设计了相应的人群计数原型系统,验证了其有效性,具体工作如下:实现了基于多列卷积神经网络（MCNN）的人群计数算法和基于选择卷积神经网络（Switch-CNN）的人群计数算法,分别对两种算法的设计原理、网络结构、实现方式和训练策略等... 

【文章来源】：北京工业大学北京市 211工程院校

【文章页数】：85 页

【学位级别】：硕士

【部分图文】：

第k个非线性的神经元模型

北京工业大学工程硕士专业学位论文激活函数 ( ), 用来限制神经元的输出振幅。-1 所示，该人工神经元的输出可以表示为： = (∑ 1 ) 经元的区别一般在于选择的激活函数的不同，常用的激活数-Sigmoid 函数、双曲正切 S 型函数-tanh 函数以及线。id 函数的表达式如公式（2-2）所示，函数图像如图 2-2 所( ) =11

图 2-3 tanh 函数Figure 2-3 Tanh function数的输出是在(-1,1)的开区间，这与 sigmoid 函数有一定d 导致网络收敛缓慢的问题。但与 sigmoid 有相同的缺点，容易造成梯度消失。由于二者在输出上的区别，一般在会选择用 tanh 函数，输出层选择 sigmoid 函数。数的表达式如公式（2-4）所示，函数图像如图 2-4 所示 ( ) = (0 )

【参考文献】：
期刊论文
[1]一种多列特征图融合的深度人群计数算法[J]. 唐斯琪,陶蔚,张梁梁,潘志松.  郑州大学学报(理学版). 2018(02)
[2]基于卷积神经网络的人群计数研究[J]. 袁烨,吴震宇,江先志.  成组技术与生产现代化. 2017(02)



本文编号：3323185