基于深度学习的视频人群计数系统

发布时间：2021-02-20 03:39

　　人群自动计数问题在视频监控领域引起了广泛关注。近年来,卷积神经网络（CNN）模型在人群计数方面取得了良好效果。然而,当前对于基于深度学习的人群计数的研究主要停留在PC端上对单幅静止图片的人群计数,网络模型参数量巨大,网络结构复杂,消耗的计算资源巨大,难以部署于实际的监控视频人群计数系统。因此,本文采用深度学习的方法,通过对网络模型进行裁剪压缩,同时使用TensorRT对模型进行加速,在嵌入式平台上实现了接近实时的人群计数。提出的人群计数平均绝对误差（MAE）为21.6且平均每秒帧数（FPS）为22,在精确度和速度方面达到了一个很好的平衡,在嵌入式平台上运行速度较快,能达到实时的效果。 

【文章来源】：太赫兹科学与电子信息学报. 2020,18(03)北大核心

【文章页数】：5 页

【部分图文】：

ShanghaiTechB测试集合成视频人群计数

518太赫兹科学与电子信息学报第18卷为验证模型对视频的人群计数的能力，本文采用2种方式进行测试：一是将ShanghaiTechB测试集的图片合成视频作为输入，部分样例测试结果如图3所示；二是在实际场景中进行测试。在进行实际场景的测试前，先在一个自制的小型数据集进行微调训练，部分测试结果如图4所示。图5为BeijingBRT测试集的图片合成视频作为模型输入的部分测试结果。其中GT表示GroundTruth，即视频帧中真实的人群数目，estimated表示通过本文系统测试输出的人群数目。[GT:93][estimated:84.0]Fig.3CrowdcountingresultsofShanghaiTechBtestsetsyntheticvideo图3ShanghaiTechB测试集合成视频人群计数[GT:176][estimated:164.0][GT:168][estimated:158.0]Fig.4Crowdcountingresultsofcampuscanteensurveillancevideo图4校园食堂监控摄像视频人群计数[GT:117][estimated:120.0][GT:112][estimated:104.0][GT:118][estimated:112.0][GT:15][estimated:15.0][GT:18][estimated:14.0][GT:17][estimated:12.0]Fig.5CrowdcountingresultsofBeijingBRTsurveillancevideo图5BeijingBRT监控摄像视频人群计数

BeijingBRT监控

【参考文献】：
期刊论文
[1]基于动作标准序列的3D视频人体动作识别[J]. 聂勇,张鹏,冯辉,杨涛,胡波.  太赫兹科学与电子信息学报. 2017(05)
[2]特征回归与检测结合的人数统计方法[J]. 周治平,许伶俐,李文慧.  计算机辅助设计与图形学学报. 2015(03)
[3]基于HOG和SVM的公交乘客人流量统计算法[J]. 徐超,高梦珠,查宇锋,曹利民.  仪器仪表学报. 2015(02)
[4]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：3042166