基于注意力机制的人群计数模型
发布时间：2021-04-17 18:35
公共场所大规模人群聚集行为很容易造成巨大的安全隐患,如果不能及时疏导,很容易发生踩踏事故。人群计数与密度估计一直是视觉监控领域的研究热点,可以协助分析场景中人群分布的动态变化,对潜在的风险进行预警。因此,相关算法被广泛应用于机场、车站、地铁、购物中心等公共场所的监控系统中,对公共安全领域具有重要意义。人群计数与密度估计是极具挑战性的课题。光线变化、背景干扰、视角、遮挡等因素都会增加问题的处理难度。传统的计数方法以行人检测为基础,通常适用于人群密度较为稀疏的场景。近年来,随着深度学习与计算机视觉技术的不断发展,对密集复杂场景的分析受到了更为广泛的关注。本论文提出一种基于注意力机制的复杂人群计数模型。该模型主要由注意力网络和人群密度网络两部分组成。注意力网络用于定位人群的潜在位置,区分前景区域与背景区域,克服背景区域对计数造成的干扰。人群密度网络用于生成初步的人群密度图,然后将注意力图与群体密度图做掩码操作,得到细化后的人群分布。最后,通过图像积分操作,对人群进行计数。此外,本文还引入了扩展卷积操作,一定程度上解决了多尺度人群检测问题。本文在ShanghaiTech与UCFC
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
图１．１各种人群场景
?基于注意力机制的人群计数算法???是函数／首先通过翻转和平移之后与函数／？乘积的积分。在处理图像任务中，假设一张??灰度图像／（〖Ｊ）的尺寸是／／?Ｘ?Ｆ，一个ＡＴｘ?＃的卷积核６（夂／）对图像的卷积如图２．１所示。??４＃??图２．１图像卷积??Ｆｉｇ．?２．１?Ｉｍａｇｅ?ｃｏｎｖｏｌｕｔｉｏｎ??最终输出的图像ｇ（／，７＿）如公式２．１所示：??ｇ（ｉ，?ｊ）?＝?／?？?／？?＝?＋?ｋＪ?＋?ｌ）ＫｋＪ）?（２．１）??ｋｊ??其中，卷积核在原始图像上移动，每移动一步，卷积核的ｉＶｘＴＶ个参数会和原始图??像相应位置的数值相乘，接着把所有位置的乘积求和放在对应输出图像卷积核中心的位??置上。通过计算得知，一幅图像经过卷积操作不能够维持原始图像大小，一个／／ｘＷ的??原始图像和１个＃ｘ７Ｖ的卷积核进行卷积操作之后，它的尺寸变成??（７／－＃?＋?ｌ）ｘ（；ｒ－Ｗ?＋?ｌ）。其中，卷积核尺寸与卷积步长是两个不可缺少的超参数。卷??积核大小是上述的因为每次移动一步，步长在上述的例子中为１，如果卷积核在原??始图像上每次移动两步，那么它的步长为２。??（３）下采样层??下采样层一般在卷积过程后，原始图像经过卷积操作后，获得图像的局部特征，会??存在一些无用的特征，这些特征可能会影响最终的检测结果导致发生过拟合现象，所以??需要使用下采样层保留有用的特征并且过滤掉无用的特征。下采样层的作用是保留主要??特征、减少参数量、扩大感受野和防止网络模型过拟合。??ＶＧＧ１６网络模型是比较常用的模型，在计算机视觉领域里的很多任务都用到??ＶＧＧ１６去提取相应的目标特征，并且取得了不错的效果。??本文的人群密度网
?大连海事大学硕士学位论文???２２４?ｘ?２２４?ｘ?３?２２４?ｘ?２２４?ｘ?６４??Ａｉ??祕１１２?ｘ：．１２ｘ１２８??ｍｍ?ｍ??／／／／＾?ｘ?５６?ｘ?２５６??■?Ｗ?ＬＶｘ５１２??ｌ?１?＾?懸?＾?麵??０?ｃｏｎｖｏｌｕｔｉｏｎ＋ＲｅＬＵ??／?Ｑｌ?ｍａｘ?ｐｏｏｌｉｎｇ??／?ｆｕｌｌｙ?ｎｅｃｔｅｄ＋ＲｅＬＵ??ｓｏｆｔｍａｘ??图２．２?ＶＧＧ１６网络结构［５６］??Ｆｉｇ．?２．２?ＶＧＧ１６?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??ＶＧＧ１６是由Ｓｉｍｏｎｙａｎ等人［５６］提出，该网络模型获得２０１４年的ＴｍａｇｅＮｅｔ?ＩＬＳＶＲＣ??比赛中分类任务的亚军（冠军是Ｇｏｏｇｌｅｎｅｔ）和定位任务的冠军，如图２．２所示，该网络??结构一共有１６层，分为１３层卷积层和３层全连接层，分别在第２、４、７、１３层后面加??入了最大值下采样层（ＭａｘＰｏｏｌｉｎｇ），在最后一层输出１，０００个类别的概率，进行目标??识别任务。在ＡｌｅｘＮｅｔ网络结构的基础上，ＶＧＧ１６使用一些相同的技术比如，使用??Ｄｒｏｐｏｕｔ、数据增广（ＤａｔａＡｕｇｍｅｎｔａｔｉｏｎ）和层叠池化来防止过拟合现象的发生，使用了??ｒｅ／ｕ激活函数去代替激活函数，解决了因为梯度饱和而导致训练收敛速度变慢??的情况，而且ｒｅ／ｗ函数的计算量大部分都用在了判断输入数字的正负判断中，所以计算??量比较少，增加了网络的训练速度。ＶＧＧ１６进行一些改进，主要有以下几点：??（１）加深了网络模型的层数。ＡｌｅｘＮｅｔ网络模型一共有８层结构，其中包含５层卷??积层和３层全连接层，而ＶＧＧ１６网络一共有１６层结构，网
【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[2]基于连续模型和动力学仿真模型的高密度人群仿真算法[J]. 孙立博,孙晓峰,秦文虎. 计算机学报. 2016(07)
本文编号：3143936
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
图１．１各种人群场景
?基于注意力机制的人群计数算法???是函数／首先通过翻转和平移之后与函数／？乘积的积分。在处理图像任务中，假设一张??灰度图像／（〖Ｊ）的尺寸是／／?Ｘ?Ｆ，一个ＡＴｘ?＃的卷积核６（夂／）对图像的卷积如图２．１所示。??４＃??图２．１图像卷积??Ｆｉｇ．?２．１?Ｉｍａｇｅ?ｃｏｎｖｏｌｕｔｉｏｎ??最终输出的图像ｇ（／，７＿）如公式２．１所示：??ｇ（ｉ，?ｊ）?＝?／?？?／？?＝?＋?ｋＪ?＋?ｌ）ＫｋＪ）?（２．１）??ｋｊ??其中，卷积核在原始图像上移动，每移动一步，卷积核的ｉＶｘＴＶ个参数会和原始图??像相应位置的数值相乘，接着把所有位置的乘积求和放在对应输出图像卷积核中心的位??置上。通过计算得知，一幅图像经过卷积操作不能够维持原始图像大小，一个／／ｘＷ的??原始图像和１个＃ｘ７Ｖ的卷积核进行卷积操作之后，它的尺寸变成??（７／－＃?＋?ｌ）ｘ（；ｒ－Ｗ?＋?ｌ）。其中，卷积核尺寸与卷积步长是两个不可缺少的超参数。卷??积核大小是上述的因为每次移动一步，步长在上述的例子中为１，如果卷积核在原??始图像上每次移动两步，那么它的步长为２。??（３）下采样层??下采样层一般在卷积过程后，原始图像经过卷积操作后，获得图像的局部特征，会??存在一些无用的特征，这些特征可能会影响最终的检测结果导致发生过拟合现象，所以??需要使用下采样层保留有用的特征并且过滤掉无用的特征。下采样层的作用是保留主要??特征、减少参数量、扩大感受野和防止网络模型过拟合。??ＶＧＧ１６网络模型是比较常用的模型，在计算机视觉领域里的很多任务都用到??ＶＧＧ１６去提取相应的目标特征，并且取得了不错的效果。??本文的人群密度网
?大连海事大学硕士学位论文???２２４?ｘ?２２４?ｘ?３?２２４?ｘ?２２４?ｘ?６４??Ａｉ??祕１１２?ｘ：．１２ｘ１２８??ｍｍ?ｍ??／／／／＾?ｘ?５６?ｘ?２５６??■?Ｗ?ＬＶｘ５１２??ｌ?１?＾?懸?＾?麵??０?ｃｏｎｖｏｌｕｔｉｏｎ＋ＲｅＬＵ??／?Ｑｌ?ｍａｘ?ｐｏｏｌｉｎｇ??／?ｆｕｌｌｙ?ｎｅｃｔｅｄ＋ＲｅＬＵ??ｓｏｆｔｍａｘ??图２．２?ＶＧＧ１６网络结构［５６］??Ｆｉｇ．?２．２?ＶＧＧ１６?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??ＶＧＧ１６是由Ｓｉｍｏｎｙａｎ等人［５６］提出，该网络模型获得２０１４年的ＴｍａｇｅＮｅｔ?ＩＬＳＶＲＣ??比赛中分类任务的亚军（冠军是Ｇｏｏｇｌｅｎｅｔ）和定位任务的冠军，如图２．２所示，该网络??结构一共有１６层，分为１３层卷积层和３层全连接层，分别在第２、４、７、１３层后面加??入了最大值下采样层（ＭａｘＰｏｏｌｉｎｇ），在最后一层输出１，０００个类别的概率，进行目标??识别任务。在ＡｌｅｘＮｅｔ网络结构的基础上，ＶＧＧ１６使用一些相同的技术比如，使用??Ｄｒｏｐｏｕｔ、数据增广（ＤａｔａＡｕｇｍｅｎｔａｔｉｏｎ）和层叠池化来防止过拟合现象的发生，使用了??ｒｅ／ｕ激活函数去代替激活函数，解决了因为梯度饱和而导致训练收敛速度变慢??的情况，而且ｒｅ／ｗ函数的计算量大部分都用在了判断输入数字的正负判断中，所以计算??量比较少，增加了网络的训练速度。ＶＧＧ１６进行一些改进，主要有以下几点：??（１）加深了网络模型的层数。ＡｌｅｘＮｅｔ网络模型一共有８层结构，其中包含５层卷??积层和３层全连接层，而ＶＧＧ１６网络一共有１６层结构，网
【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[2]基于连续模型和动力学仿真模型的高密度人群仿真算法[J]. 孙立博,孙晓峰,秦文虎. 计算机学报. 2016(07)
本文编号：3143936
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3143936.html
