基于深度学习的高密度人群计数算法研究

发布时间：2022-12-23 03:00

　　近几年来,随着城镇人口的急速增加,大规模人群聚集引发的公共安全事件越来越多,因此对人群人数进行实时监控在保障公共安全上具有重要意义。以往利用人工方式对视频中的人群进行监控,不仅容易产生疲劳,而且由于人的主观性,对人群人数估计不准。随着计算机视觉技术的发展,自动从监控视频中获取人群人数和人群分布规律成为可能,而且人群人数信息在商业、公共交通、城市管理等方面也具有很高的研究价值。人群图像计数最大的难题在于人群环境复杂多变,而且人群中的人具有多视角,低分辨率和遮挡严重等问题。针对以上问题,给出了多尺度特征融合的对抗神经网络方法,网络在利用不同大小的卷积核和一个池化滤波器提取不同尺度的浅层人群信息,然后利用残差连接将深层和浅层人群特征进行融合,提高网络对小目标的检测能力,最后通过对抗方式进行训练,指导模型生成高质量的人群密度图,从而实现对人群图像的人群计数。本文在ShanghaiTech和UCF_CC₅0等两个主要的人群计数数据集上进行了一系列训练和测试。首先,在ShanghaiTech上设计了四个实验,验证多尺度特征融合、深浅层次特征融合和对抗损失函... 

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题研究的背景及意义
    1.2 国内外研究现状
    1.3 论文主要工作
    1.4 论文组织结构
第二章 相关概念和技术
    2.1 深度学习
    2.2 人工神经网络
        2.2.1 感知器
        2.2.2 多层感知器
    2.3 卷积神经网络
        2.3.1 卷积神经网络结构特点
        2.3.2 卷积神经网络的组成
        2.3.3 批量归一化
        2.3.4 激活函数
    2.4 对抗神经网络
    2.5 基于卷积神经网络的人群计数过程
    2.6 本章小结
第三章 多尺度特征融合的对抗神经网络
    3.1 算法流程
    3.2 人群密度图
    3.3 多尺度人群特征提取和融合结构
        3.3.1 多尺度人群特征提取结构
        3.3.2 层级间人群特征融合结构
    3.4 网络结构
        3.4.1 生成器网络
        3.4.2 判决器网络
    3.5 损失函数
    3.6 本章总结
第四章 实验结果分析
    4.1 数据集介绍
        4.1.1 ShanghaiTech数据集
        4.1.2 UCF_CC_50数据集
    4.2 评价标准
    4.3 数据集预处理
    4.4 网络参数设置
    4.5 训练步骤
    4.6 验证性实验
    4.7 与其它方法对比
    4.8 本章总结
第五章 总结与展望
    5.1 论文工作总结
    5.2 后期工作展望
致谢
参考文献
攻读硕士期间科研工作



本文编号：3724578