基于改进MCNN的密度图在室内定位中的应用

发布时间：2022-02-20 20:22

　　北京商场购物人群众多,易发生人群拥挤踩踏事故,使得确定高密度人群区域的位置变得至关重要,因此本文引入人群密度图,确定图中人群分布情况,得出室内人群的定位信息。首先将采集的人群视频分割为图像帧,并分成训练集和测试集;然后对训练集图片作人头标签处理,生成地面实况密度图,将其作为改进的多列卷积神经网络算法的训练数据生成模型,并将模型应用于测试集图片生成人群密度图;最后运用Arc GIS对人群密度图与室内平面图作地理配准处理,从而实现对高密度人群的定位。研究结果表明,利用人群密度图确定的高密度区域的位置坐标与实际坐标值基本一致,将人群密度图应用于室内定位是可行的。 

【文章来源】：测绘通报. 2020,(06)北大核心CSCD

【文章页数】：5 页

【部分图文】：

改进的MCNN网络结构

其次，将人群密度图与原图进行叠加透视，效果例图如图5所示。根据图中该区域显示出的固定店铺的位置，在ArcGIS中对人群密度分布图进行配准，使其与商场的室内平面图处于同一坐标系下，得出密度图叠加到室内平面图上的效果图，如图6(a)所示。

根据图中该区域显示出的固定店铺的位置，在ArcGIS中对人群密度分布图进行配准，使其与商场的室内平面图处于同一坐标系下，得出密度图叠加到室内平面图上的效果图，如图6(a)所示。在室内平面图中标出高密度人群的位置，如图6(b)所示，并得到相应的位置坐标值。与通过仪器测量得到图中区域的实际坐标值进行对比，对比情况见表2。

【参考文献】：
期刊论文
[1]基于Caffe深度学习框架的标签缺陷检测应用研究[J]. 李培秀,李致金,韩可,朱超.  中国电子科学研究院学报. 2019(02)
[2]面向城市规划的避难疏散场所选址模型[J]. 徐敬海,秦骏.  测绘通报. 2018(12)
[3]利用主成分分析法及地理加权回归模型分析AOD数据[J]. 李广超,李如仁,卢月明,赵阳阳,余博.  测绘通报. 2018(04)
[4]基于全卷积网络的高分辨遥感影像目标检测[J]. 徐逸之,姚晓婧,李祥,周楠,胡媛.  测绘通报. 2018(01)
[5]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安.  自动化学报. 2016(09)

硕士论文
[1]基于目标检测和密度分布的复杂场景人群计数[D]. 葛昭阳.郑州大学 2018
[2]基于卷积神经网络的人群计数算法研究[D]. 马皓.中国科学技术大学 2018
[3]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
[4]基于深度卷积神经网络的人群计数与密度估计研究[D]. 罗红玲.重庆大学 2018
[5]视频场景中人群密度估计与应用[D]. 李敬卫.南京邮电大学 2017



本文编号：3635748