人群擁擠度的分析對(duì)維護(hù)公共安全極為重要,在空間狹窄的環(huán)境下,由于視角受到局限,人與人、人與物品的遮擋十分嚴(yán)重,并且人的尺度不一,密度不均勻,使得傳統(tǒng)人群擁擠度監(jiān)控方法較難直接統(tǒng)計(jì)出具體人數(shù)。為此,提出一種基于注意力機(jī)制的狹小空間人群擁擠度分析方法,旨在量化人群,通過(guò)卷積神經(jīng)網(wǎng)絡(luò)回歸擁擠率分析當(dāng)前空間內(nèi)的人群擁擠程度。設(shè)計(jì)一個(gè)注意力模塊作為網(wǎng)絡(luò)的前端,通過(guò)生成對(duì)應(yīng)尺度的注意力圖區(qū)分背景和人群,保留精確的像素點(diǎn)位置信息,以減輕輸入圖像中各種噪聲的影響。在此基礎(chǔ)上,將注意圖和原始圖片通過(guò)對(duì)應(yīng)像素點(diǎn)相乘,注入到微調(diào)的殘差網(wǎng)絡(luò)中訓(xùn)練得到人群擁擠率。實(shí)驗(yàn)結(jié)果表明,該方法能夠預(yù)測(cè)出擁擠率,準(zhǔn)確反映當(dāng)前人群擁擠程度,實(shí)現(xiàn)人群的流量控制。 

【文章來(lái)源】：計(jì)算機(jī)工程. 2020,46(09)北大核心CSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

整體網(wǎng)絡(luò)結(jié)構(gòu)

生成注意力圖的工作流程如圖2所示,網(wǎng)絡(luò)結(jié)構(gòu)采用的是微調(diào)過(guò)的GoogLeNet[12],該網(wǎng)絡(luò)在圖像分類(lèi)和目標(biāo)定位上都展現(xiàn)出了很好的性能。將GoogLeNet的Inception4e后面的層移除,保持圖像分辨率為14像素×14像素,為使最后的注意力圖和原始輸入圖片能夠融合,保留圖片像素點(diǎn)的位置信息,每個(gè)卷積層后面都利用padding對(duì)特征圖進(jìn)行填充,在卷積降低圖像分辨率的同時(shí),保持尺度不變。在卷積輸出前,參照文獻(xiàn)[17]的方法,使用全局平均池化(GAP)和Softmax層,將輸出的每個(gè)類(lèi)別的權(quán)重映射回卷積特征圖,從而生成注意力圖。本文將注意力模塊設(shè)計(jì)為一個(gè)二分類(lèi)的網(wǎng)絡(luò),并將圖片內(nèi)容分為背景和人群。如圖2所示,Fb和Fc是最后一層卷積輸出的兩個(gè)通道的特征圖,Fb(x,y)、Fc(x,y)分別表示背景和人群在坐標(biāo)(x,y)上像素點(diǎn)的激活值,通過(guò)全局平均池化后(圖2中的GAP),得到長(zhǎng)度為2的向量,每個(gè)長(zhǎng)度對(duì)應(yīng)一個(gè)類(lèi)別權(quán)重Wb、Wc,那么Softmax層的輸入Sc、Sb如式(1)所示,Softmax層的輸出Pc、Pb可根據(jù)式(2)得到,最后將每個(gè)像素點(diǎn)坐標(biāo)的得分Pc,b(x,y)與特征圖Fc,b(x,y)根據(jù)式(3)進(jìn)行線(xiàn)性加權(quán)融合后,再利用向上采樣(UpSample),得到與原始圖片尺寸相同的注意力圖。

本文構(gòu)建一個(gè)新的數(shù)據(jù)集NS-DATASET,該數(shù)據(jù)集中共計(jì)17 800張圖片,它們都是在狹小空間內(nèi),視角受到局限如圖3所示,圖3(a)為斜上方視角,如樓道、天橋隧道,圖3(b)為正上方視角,如車(chē)廂的下車(chē)門(mén)通道,圖3(c)為正前方視角,如前后車(chē)廂。3.2 網(wǎng)絡(luò)真實(shí)值

【參考文獻(xiàn)】：
期刊論文
[1]融合多層卷積特征的雙視點(diǎn)手勢(shì)識(shí)別技術(shù)研究[J]. 張哲,孫瑾,楊劉濤.  小型微型計(jì)算機(jī)系統(tǒng). 2019(03)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)和密度分布特征的人數(shù)統(tǒng)計(jì)方法[J]. 郭繼昌,李翔鵬.  電子科技大學(xué)學(xué)報(bào). 2018(06)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)人群密度估計(jì)[J]. 李白萍,韓新怡,吳冬梅.  圖學(xué)學(xué)報(bào). 2018(04)
[4]融合LBP與GLCM的人群密度分類(lèi)算法[J]. 薛翠紅,于洋,張朝,楊鵬,李揚(yáng).  電視技術(shù). 2015(24)

碩士論文
[1]基于深度學(xué)習(xí)的人群密度估計(jì)算法研究[D]. 韓新怡.西安科技大學(xué) 2018
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的人群密度分析[D]. 魏夢(mèng).中國(guó)科學(xué)技術(shù)大學(xué) 2018
[3]基于灰度共生矩陣的人群密度估計(jì)算法研究[D]. 王雅琳.西安科技大學(xué) 2013



本文編號(hào)：3220919