基于卷积神经网络的视频密集群体行为识别

发布时间：2024-03-08 19:13

　　视频群体行为识别是计算机视觉中一个具有挑战性的任务。由于场景变换、复杂的人群分布、透视效应等问题给人群密度分析、人群检测以及群体行为分析带来了诸多的研究难点,卷积神经网络为上述难点提供了可靠的解决方案。本学位论文以群体密度分析与视频中的群体行为识别为目标,首先设计一种基于深度分离空洞卷积神经网络的人群密度估计方法,然后设计一种基于密度图回归引导分类的人群检测与定位方法,最后设计一种基于密度等级划分的人群行为分析方法完成人群密度分析与视频群体行为检测。本学位论文的创新工作如下:(1)提出一种深度分离空洞卷积神经网络模型,用于在人群高度密集场景下的人群密度分析与人群计数。深度分离空洞卷积可以更有效的提取图像多尺度的特征,并利用空洞卷积神经网络在不增加参数的情况下扩大感受野,并加入分离层以及呈锯齿状的空洞率克服空洞卷积的网格效应,提高模型的计算效率,生成高质量的人群密度图。在Shanghai Tech＿A/B数据集,UCF-CC-50数据集上对该模型进行评估,实验结果表明该模型预测误差较小,预测得到的人群密度概率图质量高并且与真实的密度图像分布相似。(2)基于深度图像使用深度自适应高斯函数生...

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

图3.1估计透视图

南京邮电大学专业学位硕士研究生学位论文第三章基于深度分离空洞卷积神经网络的人群密度估计为175厘米，对其从头到脚用一条直线进行标记，对每张图像的标记线进行线性回归生成透视图像，透视图D中若像素值为e,则设置高斯参数σ=0.2D(e)，透视图中暖色调表示人群密....

图3.2感受野计算

南京邮电大学专业学位硕士研究生学位论文第三章基于深度分离空洞卷积神经网络的人群密度估计20RawImageConv1Conv2图3.2感受野计算计算感受野大小时忽略图像边缘的影响，即不考虑padding的大小，将输入图片记为第0层，其后的卷积层和池化层的卷积核大小和步长的大小会对....

图3.3空洞卷积

南京邮电大学专业学位硕士研究生学位论文第三章基于深度分离空洞卷积神经网络的人群密度估计21（a）（b）（c）图3.3空洞卷积空洞卷积虽然有诸多优点，但在使用时仍然存在问题，如感受野的跳跃性，以及对小尺度物体检测时可能存在漏检情况，本文在3.2.2章节将针对这些问题进行改进，以便于....

图3.1ShanghaiTechA人群密度分布图

南京邮电大学专业学位硕士研究生学位论文第三章基于深度分离空洞卷积神经网络的人群密度估计26张测试图像，图像的分辨率均为768×1024，A部分密度较高，B部分相较于A部分人群密度相对稀疏。本节对提出的模型进行了评估，并与最新的几个研究方法进行了比较，比较结果如表3.2所示，人群分....

本文编号：3922265