視頻群體行為識(shí)別是計(jì)算機(jī)視覺中一個(gè)具有挑戰(zhàn)性的任務(wù)。由于場(chǎng)景變換、復(fù)雜的人群分布、透視效應(yīng)等問題給人群密度分析、人群檢測(cè)以及群體行為分析帶來了諸多的研究難點(diǎn),卷積神經(jīng)網(wǎng)絡(luò)為上述難點(diǎn)提供了可靠的解決方案。本學(xué)位論文以群體密度分析與視頻中的群體行為識(shí)別為目標(biāo),首先設(shè)計(jì)一種基于深度分離空洞卷積神經(jīng)網(wǎng)絡(luò)的人群密度估計(jì)方法,然后設(shè)計(jì)一種基于密度圖回歸引導(dǎo)分類的人群檢測(cè)與定位方法,最后設(shè)計(jì)一種基于密度等級(jí)劃分的人群行為分析方法完成人群密度分析與視頻群體行為檢測(cè)。本學(xué)位論文的創(chuàng)新工作如下:(1)提出一種深度分離空洞卷積神經(jīng)網(wǎng)絡(luò)模型,用于在人群高度密集場(chǎng)景下的人群密度分析與人群計(jì)數(shù)。深度分離空洞卷積可以更有效的提取圖像多尺度的特征,并利用空洞卷積神經(jīng)網(wǎng)絡(luò)在不增加參數(shù)的情況下擴(kuò)大感受野,并加入分離層以及呈鋸齒狀的空洞率克服空洞卷積的網(wǎng)格效應(yīng),提高模型的計(jì)算效率,生成高質(zhì)量的人群密度圖。在Shanghai Tech＿A/B數(shù)據(jù)集,UCF-CC-50數(shù)據(jù)集上對(duì)該模型進(jìn)行評(píng)估,實(shí)驗(yàn)結(jié)果表明該模型預(yù)測(cè)誤差較小,預(yù)測(cè)得到的人群密度概率圖質(zhì)量高并且與真實(shí)的密度圖像分布相似。(2)基于深度圖像使用深度自適應(yīng)高斯函數(shù)生...

【文章頁數(shù)】：69 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖3.1估計(jì)透視圖

南京郵電大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第三章基于深度分離空洞卷積神經(jīng)網(wǎng)絡(luò)的人群密度估計(jì)為175厘米，對(duì)其從頭到腳用一條直線進(jìn)行標(biāo)記，對(duì)每張圖像的標(biāo)記線進(jìn)行線性回歸生成透視圖像，透視圖D中若像素值為e,則設(shè)置高斯參數(shù)σ=0.2D(e)，透視圖中暖色調(diào)表示人群密....

圖3.2感受野計(jì)算

南京郵電大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第三章基于深度分離空洞卷積神經(jīng)網(wǎng)絡(luò)的人群密度估計(jì)20RawImageConv1Conv2圖3.2感受野計(jì)算計(jì)算感受野大小時(shí)忽略圖像邊緣的影響，即不考慮padding的大小，將輸入圖片記為第0層，其后的卷積層和池化層的卷積核大小和步長(zhǎng)的大小會(huì)對(duì)....

圖3.3空洞卷積

南京郵電大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第三章基于深度分離空洞卷積神經(jīng)網(wǎng)絡(luò)的人群密度估計(jì)21（a）（b）（c）圖3.3空洞卷積空洞卷積雖然有諸多優(yōu)點(diǎn)，但在使用時(shí)仍然存在問題，如感受野的跳躍性，以及對(duì)小尺度物體檢測(cè)時(shí)可能存在漏檢情況，本文在3.2.2章節(jié)將針對(duì)這些問題進(jìn)行改進(jìn)，以便于....

圖3.1ShanghaiTechA人群密度分布圖

南京郵電大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第三章基于深度分離空洞卷積神經(jīng)網(wǎng)絡(luò)的人群密度估計(jì)26張測(cè)試圖像，圖像的分辨率均為768×1024，A部分密度較高，B部分相較于A部分人群密度相對(duì)稀疏。本節(jié)對(duì)提出的模型進(jìn)行了評(píng)估，并與最新的幾個(gè)研究方法進(jìn)行了比較，比較結(jié)果如表3.2所示，人群分....

本文編號(hào)：3922265