基于卷积神经网络的人群密度估计研究

发布时间：2023-12-09 15:40

　　当今,国民经济的高速发展导致社会主义城市化进度不断推进,越来越多的人口涌向城市。据此带来的社会问题也不断增加,例如:人员拥挤导致踩踏等不安全事故的发生;候车大厅人员的增加对交通调度带来的压力等。解决上述问题需要准确预测出实际场景下的人群数量及分布,而图像可以清晰直观的反映出实际场景中的人群变化情况,因此基于静态图像的人群密度估计有重要的研究价值。近年来,具有获取深层次特征能力的卷积神经网络模型在语义分割、目标检测与识别等领域发展迅速,研究人员也将其应用于人群计数领域并取得了较好的效果,但仍存在着一些挑战尚未攻克。本文在总结分析人群密度估计领域前人研究工作的基础上,做了以下几方面工作:(1)在分析了现有基于卷积神经网络的人群密度估计算法的基础上,实现了一种多列结构的人群密度估计算法。通过多列不同大小卷积核提取多尺度特征以应对图像中出现的不同大小的人头信息,解决单列结构难以处理尺度变化的问题;网络末端采用卷积层取代原有的全连接层,使得输入图片的尺寸不受限制,网络模型的应用范围更加广泛。实验结果表明,多列结构在人群密度估计任务上具有一定的优越性。(2)针对基于多列卷积神经网络人群密度估计方法...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1.绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 传统人群密度估计研究现状
        1.2.2 基于深度学习的人群密度估计研究现状
    1.3 本文主要研究内容
    1.4 论文组织结构
2.深度学习与基于多列结构的人群密度估计算法
    2.1 神经网络概述
        2.1.1 神经网络模型
        2.1.2 梯度下降法
        2.1.3 反向传播算法
    2.2 卷积神经网络
    2.3 深度学习框架
    2.4 基于多列卷积神经网络的人群密度估计方法
        2.4.1 多尺度卷积神经网络结构
        2.4.2 损失函数
        2.4.3 实验结果与分析
    2.5 本章小结
3.基于编码-解码多尺度卷积神经网络人群密度估计算法
    3.1 密度图生成
    3.2 编码-解码多尺度卷积神经网络结构
        3.2.1 多尺度卷积
        3.2.2 空洞空间金字塔池化
    3.3 损失函数
    3.4 数据增强
    3.5 实验及实验结果分析
        3.5.1 人群密度估计数据集
        3.5.2 人群密度估计评价指标
        3.5.3 Shanghaitech数据集实验结果
        3.5.4 Mall数据集实验结果
        3.5.5 自建数据集实验结果
        3.5.6 算法速度对比分析
        3.5.7 验证实验与分析
    3.6 本章小结
4.多尺度条件生成对抗网络人群密度估计算法
    4.1 生成式对抗网络
    4.2 多尺度条件对抗网络模型构建
        4.2.1 生成器模型构建
        4.2.2 判别器模型构建
    4.3 损失函数
    4.4 实验结果分析
        4.4.1 数据集
        4.4.2 实验环境及参数设置
        4.4.3 评价指标
        4.4.4 Shanghaitech数据集实验结果
        4.4.5 Mall数据集实验结果
        4.4.6 自建数据集实验结果
    4.5 本章小结
5.编码-解码多尺度条件生成对抗网络人群密度估计算法
    5.1 编码-解码多尺度条件对抗网络模型结构
        5.1.1 生成器模型构建
        5.1.2 判别器模型构建
    5.2 损失函数
    5.3 实验结果与分析
        5.3.1 数据集
        5.3.2 实验环境及参数设置
        5.3.3 评价指标
        5.3.4 Shanghaitech数据集实验结果
        5.3.5 Mall数据集实验结果
        5.3.6 自建数据集实验结果
        5.3.7 密度图对比结果
    5.4 本章小结
6.总结与展望
    6.1 总结
    6.2 未来展望
参考文献
致谢
在读期间学术科研成果



本文编号：3871744