聚集人群人脸检测研究

发布时间：2021-06-07 12:45

　　聚集人群是一种敏感场景,隐藏着突发和不易控制等因素,对人群聚集场景的检测有实际应用价值。通过缩小上下文信息模板搜索范围,采用双三次插值算法调整图像大小,利用上下文信息经感受野提取更多细节信息,基于深度残差101层网络模型提取人脸检测框,并通过非极大值抑制去除冗余的、保留最好的人脸检测框。实验结果表明,该算法平均误检率为0.022 6,与Hu算法相比,在不损失精度的同时,提高检测的平均速度为2.953 3s。 

【文章来源】：软件导刊. 2019,18(04)

【文章页数】：4 页

【文章目录】：
0 引言
1 本文算法
    1.1 上下文信息模板配置
    1.2 上下文信息模板搜索范围
2 实验结果
3 实验分析
4 结语


【参考文献】：
期刊论文
[1]基于Adaboost人脸检测技术浅析[J]. 陈海涛,潘静.  电子世界. 2018(12)
[2]我国自发性人群聚集活动风险评估的现状与对策研究[J]. 王姝婷.  湖北警官学院学报. 2018(02)
[3]人数统计与人群密度估计技术研究现状与趋势[J]. 张君军,石志广,李吉成.  计算机工程与科学. 2018(02)
[4]一种多层特征融合的人脸检测方法[J]. 王成济,罗志明,钟准,李绍滋.  智能系统学报. 2018(01)
[5]图像缩放算法中常见插值方法比较[J]. 陈高琳.  福建电脑. 2017(09)
[6]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺.  计算机学报. 2016(08)
[7]行人检测中非极大值抑制算法的改进[J]. 陈金辉,叶西宁.  华东理工大学学报(自然科学版). 2015(03)

硕士论文
[1]基于卷积神经网络的人群密度分析[D]. 魏梦.中国科学技术大学 2018
[2]基于深度神经网络的多任务视觉感知研究与应用[D]. 刘璐.电子科技大学 2018
[3]基于深度学习的智能人数统计技术研究与系统设计[D]. 包灵.电子科技大学 2018
[4]基于深度学习的人群密度估计及稠密人群计数的研究[D]. 刘明林.郑州大学 2017
[5]人群聚集场景中多人脸检测算法研究[D]. 徐凌.中南民族大学 2015



本文编号：3216601