基于深度学习的人群密度估计算法研究

发布时间：2024-02-26 00:49

　　鉴于公共安全事件的严重危害,对公众场所人群实行实时监控显得尤为重要.人群密度估计这一领域在深度学习飞速发展之下也进入了一个新的时代,对于估计算法的改进也在向着轻量化、快速化方向发展.受监控设备采集的图像存在分辨率不高、目标过小、目标重叠遮挡严重等问题的影响,人群密度估计算法仍然面临诸多挑战.基于此,本文以轻量化网络YOLOv5s(You Only Look Once)为基础网络,从以下三个方面对人群密度估计算法进行改进.具体内容如下:(1)针对低分辨率和小目标提出了基于YOLOv5s的人群密度估计算法的一个改进点.在图像分辨率过小或者目标对象较小时,网络里的跨步卷积(Strided Convolution)和池化层会产生图片内细粒度信息的损失,并导致特征学习的低效率.因此,首先对所有卷积结构的特征映射部分进行下采样,同时保留其通道信息.其次,在YOLOv5s结构中利用无卷积步长或池化(No More Strided Convolutions or Pooling,SPD-Conv)模块将原网络中的步长为2的卷积层进行改进,减少跨步卷积产生的损失.并在由视频监控图像组成的数据集上进行验证...

【文章页数】：47 页

【学位级别】：硕士

【部分图文】：

图1.1拥挤的人群利用传统视频监控获取人群密度信息主要是依靠人力监控，由于人的主观性强、易

与意义计的研究背景不断增长，全球人口数量急剧增加，大量的人共场所在重大节日或活动，会面临高流量、高小的空间时，一旦发生骚乱，人群会很容易失由于公众场所人数过多而引发的恶性事故已不清真寺在举行活动时不幸发生踩踏事件，26寨首都金边发生恶性踩踏事故，333人死亡；开展交流活动，现....

图1.2人工神经网络的基本单元结构

图1.2人工神经网络的基本单元结构络常用的训练方法是1974年由PaulWerbos提出的反向传播算包括信号正向传输与误差反向传输两部分，解决了直接将浅层时产生的特征线性不可分的问题。1986年，Rumelhart提出了可以通过误差的反向传播调整网络参数权值，学....

图2.1神经元结构图

卷积神经网络可用未经处理的自然图像作为输尽量保留图像的全部信息的同时减少了计算量。同变性，不会因为图像旋转、缩放等操作对最终结工神经元的结构、BP网络的结构以及BP算法的基络的思想、结构与训练方法进行了介绍，最后对络的结构人工神经网络的基本结构单元，如图2.1是人工神该....

图2.2BP神经网络结构图

2深度学习相关理论介绍,,,,,]，=,,,,，若使与=，此时=[,,,,]，=,,经元后的输出变为：=活函数必须是单调上升且有界的函数。网络结构中包含一个输入层、一个输出层和若干个隐含层，固定。输入层的作用是接收....

本文编号：3911089