基于生成对抗网络的多尺度人群计数算法研究

发布时间：2022-08-23 11:17

　　随着全球城市化进程的推进,智能监控逐渐成为了计算机视觉领域的研究热点,人群计数问题作为智能监控的核心问题之一,在人群限流引流等应用场景中具有重大意义。目前人群计数的研究工作已取得了较大进展,然而在不同场景下,在解决人群图像尺度不一致的问题方面的研究,仍然具有较大的挑战。近年来,深度卷积神经网络在计算机视觉研究领域中取得了突出的成绩。其在图像特征与模型泛化上突出的表现,有效解决了复杂背景下人群计数的特征提取问题。为了提取与尺度相关的特征,目前基于卷积神经网络的人群计数模型均采用了多列或多网络的结构,但此类结构存在训练模型参数量大等问题。为了有效解决人群计数中与尺度相关特征的提取问题,本文提出一种多层级卷积神经网络结构,通过在单列卷积神经网络上增加多尺度卷积模块,提取网络中多尺度的特征。同时,为了解决高密度的人群图像中小目标检测问题,算法采用多层级卷积神经网络,将全局特征和局部特征不同尺度的特征进行融合。由于低层卷积层的卷积核的感受野不大,低层卷积层的特征包含了更多小目标物体的特征信息。多层级卷积神经网络包含了低层级卷积层细节特征和高层级的语义特征。通过在高层语义特征中融入低层细节信息提升... 

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
中文摘要
abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 人群密度估计的国内外发展现状
        1.2.1 引言
        1.2.2 基于检测的人群计数方法
        1.2.3 基于回归的人群计数方法
    1.3 论文研究内容与组织结构
        1.3.1 论文的主要工作与创新点
        1.3.2 论文的组织结构
第2章 相关研究算法综述
    2.1 深度学习简述
        2.1.1 神经元
        2.1.2 常用激活函数
        2.1.3 前馈神经网络
        2.1.4 反向传播算法
        2.1.5 卷积神经网络
    2.2 基于深度卷积神经网络的人群计数方法
        2.2.1 直接回归人数的卷积神经网络模型
        2.2.2 间接回归人群密度的卷积神经网络模型
    2.3 生成对抗网络模型
    2.4 本章小结
第3章 基于多尺度生成对抗网络的人群计数方法
    3.1 人群场景高斯核密度图
    3.2 基于多尺度卷积神经网络人群计数模型
        3.2.1 多尺度卷积模块
        3.2.2 多层级卷积神经网络结构模型
    3.3 多尺度生成对抗网络(MS-GAN)
        3.3.1 对抗网络训练方式
        3.3.2 人群密度图内容损失函数
        3.3.3 对抗损失函数
    3.4 本章小结
第4章 实验结果比较与分析
    4.1 人群密度估计实验评价标准
    4.2 训练参数设置
    4.3 人群计数数据集
        4.3.1 UCF_CC_50 数据集
        4.3.2 ShanghaiTech part-B数据集
        4.3.3 UCSD数据集
        4.3.4 Mall数据集
    4.4 本章小结
第5章 总结与展望
    5.1 本文工作总结
    5.2 未来工作展望
参考文献
发表论文和参加科研情况说明
致谢



本文编号：3677667