基于目标检测的视频人数统计算法研究

发布时间：2022-12-18 05:17

　　随着视频监控系统的广泛应用,视觉信息成为现代安防领域安全技术的重点研究要素。计算机视觉相关技术可以被应用到智能监控领域,使得计算机可以对视频进行处理。人们可以通过计算机理解视频监控,直接获取区域人数,或者得到人群分布。目前,视频监控人数统计主要依赖人眼识别,人工成本高,识别效率低,视频信息不能被及时理解,有效处理。使用深度学习算法自动学习特征进行人数统计,可以帮助人们解决重复性的计数工作,这不仅提升了商家的运营工作效率,也降低了经营者或组织的劳力开销。当前的人数统计方法往往依赖于人体检测,真实场景中的人体检测面对的环境多样,往往存在光照变化,目标遮挡,目标尺寸差异大等影响因素,并且视频是由成千上万个图片帧组成的,对于算法的检测速度也有很高的要求。本文主要基于深度学习目标检测方法进行人体检测并统计最终人数。通过分析现有特征提取网络设计上的优势和劣势,本文提出了可以用于多尺度检测的空洞残差模块,并在此基础上构建了尺度特异性特征提取网络解决上述问题。本文通过分析视频检测的难点与视频自身特点,提出了一种基于视频的人数统计方法。通过对现有人数统计方法进行深入调研,从准确性和实时性两方面进行分析,... 

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景和意义
    1.2 课题研究现状
        1.2.1 传统人数统计算法
        1.2.2 基于密度估计的人数统计算法
        1.2.3 基于目标检测的人数统计算法
    1.3 课题面临的挑战
    1.4 本文的主要研究内容
    1.5 本文的组织结构
第2章 基于目标检测的人数统计算法概述
    2.1 引言
    2.2 基于候选区域的人数统计算法
    2.3 端到端的人数统计算法
    2.4 本章小结
第3章 尺度特异性人数统计网络分析与设计
    3.1 引言
    3.2 视频人数统计多尺度问题分析
    3.3 检测框架选择与分析
    3.4 尺度特异性特征提取模块设计
    3.5 整体网络结构
    3.6 本章小结
第4章 回归对抗损失与视频序列后处理算法
    4.1 引言
    4.2 定位损失函数分析与设计
        4.2.1 定位损失分析
        4.2.2 包围框回归损失
        4.2.3 包围框对抗损失
    4.3 基于视频序列的非极大值抑制算法
    4.4 本章小结
第5章 实验结果与分析
    5.1 引言
    5.2 实验环境介绍
        5.2.1 实验数据集介绍
        5.2.2 训练环境搭建
        5.2.3 评价指标
    5.3 网络参数设置与实验结果对比
        5.3.1 基本网络参数设置
        5.3.2 尺度特异性特征提取模块对检测的影响
        5.3.3 各项定位损失对检测的影响
        5.3.4 基于视频序列的非极大值抑制算法的实验结果
        5.3.5 实验结果对比
        5.3.6 实验结果展示
    5.4 实验结果分析
        5.4.1 尺度特异性特征提取模块分析
        5.4.2 定位损失函数分析
        5.4.3 基于视频序列的非极大值抑制算法分析
        5.4.4 消融实验结果分析
    5.5 本章小结
结论
参考文献
致谢


【参考文献】：
期刊论文
[1]基于卷积神经网络的实时视频下行人检测[J]. 丁文祥,朱孔凡.  信息技术. 2016(12)
[2]多种人群密度场景下的人群计数[J]. 覃勋辉,王修飞,周曦,刘艳飞,李远钱.  中国图象图形学报. 2013(04)



本文编号：3721421