本文關(guān)鍵詞：監(jiān)控場景中人數(shù)統(tǒng)計算法的研究與應(yīng)用，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著社會經(jīng)濟(jì)和計算機(jī)技術(shù)的不斷發(fā)展,人們對公共安全問題關(guān)注度越來越高。現(xiàn)如今,智能視頻監(jiān)控系統(tǒng)已大量應(yīng)用在醫(yī)院、大型商場、學(xué)校、火車站、汽車站、居民住宅區(qū)等公共場所,協(xié)助安全人員在遇到緊急情況時可以更加及時的處理,保證公民的人身和財產(chǎn)安全。同時還可以幫助管理人員及時的處理公共設(shè)施的調(diào)配問題,使得公共資源能夠合理分配,社會生活有序快速進(jìn)行。人數(shù)統(tǒng)計是智能視頻監(jiān)控領(lǐng)域的一個具有重要現(xiàn)實(shí)意義的研究方向,也是計算機(jī)視覺與模式識別領(lǐng)域的一個研究熱點(diǎn)和難點(diǎn)。準(zhǔn)確、實(shí)時的估計出監(jiān)控場景中的實(shí)際人數(shù)可以幫助相關(guān)人員進(jìn)行事前預(yù)警和事后決策。人數(shù)統(tǒng)計系統(tǒng)在公共安全防控和商業(yè)信息采集上均具有非常重要的研究意義。本文首先介紹了有關(guān)人數(shù)統(tǒng)計算法的國內(nèi)外研究現(xiàn)狀,仔細(xì)分析了這些方法的特點(diǎn),并對現(xiàn)有方法做了分類總結(jié)�，F(xiàn)有基于監(jiān)控視頻的人數(shù)統(tǒng)計方法大體上可分為兩大類方法。一類是基于目標(biāo)檢測的人數(shù)統(tǒng)計方法,另一類是基于特征回歸的人數(shù)統(tǒng)計方法。這兩類方法各有利弊,且各有其適用的場合�；谀繕�(biāo)檢測的人數(shù)統(tǒng)計方法優(yōu)點(diǎn)是能定位到目標(biāo)的具體位置分布,而且計數(shù)結(jié)果的可信度高。缺點(diǎn)是在監(jiān)控場景環(huán)境復(fù)雜、目標(biāo)嚴(yán)重遮擋的情況下檢測效果差強(qiáng)人意�；谔卣骰貧w的人數(shù)統(tǒng)計方法優(yōu)點(diǎn)是在人群密集的情況下也能大致估計出人數(shù)結(jié)果。缺點(diǎn)是在背景復(fù)雜、相機(jī)透視的情況下,很難找到一個通用的人群特征描述,使得計數(shù)效果不理想。針對以上兩類人數(shù)統(tǒng)計方法存在的問題,本文提出了兩種不同的監(jiān)控視頻人數(shù)統(tǒng)計方法�；谀繕�(biāo)檢測的人數(shù)統(tǒng)計方法中考慮到人頭部分在大多數(shù)監(jiān)控場景下,遮擋較小,多樣性也相對人體較低,所以本文選擇檢測人頭作為人數(shù)統(tǒng)計對象。提出了基于Adaboost與卡爾曼濾波結(jié)合的人數(shù)統(tǒng)計算法。首先通過機(jī)器學(xué)習(xí)Adaboost的方法得到人頭檢測分類器,并使用多尺度滑動窗配合非極大值抑制算法對視頻圖像進(jìn)行人頭初步檢測。然后,將第一步人頭初檢測出的結(jié)果圖像輸出,并人工挑選出這些難分的正確分類與錯誤分類的圖像,再將它們作為SVM算法的訓(xùn)練樣本進(jìn)行再學(xué)習(xí)。學(xué)習(xí)得到人頭篩選的二次分類器用以對初步檢測結(jié)果進(jìn)行二次篩選,以此方式有效去除錯誤檢測,增強(qiáng)了計數(shù)可信度。最后,使用卡爾曼濾波與檢測結(jié)果數(shù)據(jù)關(guān)聯(lián)算法彌補(bǔ)幀間漏檢,并把數(shù)據(jù)關(guān)聯(lián)處理后的結(jié)果作為最終的人數(shù)統(tǒng)計結(jié)果。實(shí)驗證明該方法解決了有效去除誤檢測與幀間漏檢問題,使得檢測與人數(shù)統(tǒng)計結(jié)果更加穩(wěn)定,對比初步檢測結(jié)果,計數(shù)準(zhǔn)確率提高了10%以上�；谔卣骰貧w的人數(shù)統(tǒng)計方法中特征選擇是關(guān)鍵。本文提出了在特征選擇方面有優(yōu)勢的基于卷積神經(jīng)網(wǎng)絡(luò)的監(jiān)控視頻人數(shù)統(tǒng)計算法,該方法使用深度學(xué)習(xí)的方法進(jìn)行學(xué)習(xí)特征,該特征更加符合仿生生物識別的過程,優(yōu)于其他傳統(tǒng)設(shè)計的特征。該方法首先,通過卷積神經(jīng)網(wǎng)絡(luò)回歸圖像中人頭中心點(diǎn)獲得人群密度分布特征圖。然后使用嶺回歸模型分析人群密度分布特征圖,得到每幀圖像對應(yīng)的人數(shù)。經(jīng)實(shí)驗證明該方法較傳統(tǒng)方法計數(shù)結(jié)果的平均誤差降低了至少6%,同時,此算法的耗時更低。
【關(guān)鍵詞】：智能視頻監(jiān)控 人數(shù)統(tǒng)計 機(jī)器學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò) 卡爾曼濾波器
【學(xué)位授予單位】：安徽大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41;TN948.6
【目錄】：

• 摘要3-5
• Abstract5-13
• 第一章 緒論13-18
• 1.1 研究背景和意義13-14
• 1.2 國內(nèi)外研究現(xiàn)狀14-16
• 1.3 本文主要工作與組織結(jié)構(gòu)16-18
• 第二章 人數(shù)統(tǒng)計相關(guān)技術(shù)概述18-28
• 2.1 相關(guān)概念18-21
• 2.1.1 機(jī)器學(xué)習(xí)與分類器概述18-20
• 2.1.2 目標(biāo)檢測概述20-21
• 2.2 基于行人檢測的人數(shù)統(tǒng)計方法21-24
• 2.3 基于像素點(diǎn)特征回歸的人數(shù)統(tǒng)計方法24-27
• 2.4 本章總結(jié)27-28
• 第三章 基于Adaboost與卡爾曼濾波結(jié)合的人數(shù)統(tǒng)計算法28-53
• 3.1 引言28-29
• 3.2 基于Adaboost算法的人頭初步檢測29-39
• 3.2.1 Adaboost算法介紹30-32
• 3.2.2 訓(xùn)練樣本的準(zhǔn)備32-34
• 3.2.3 梯度方向直方圖特征描述34-37
• 3.2.4 多尺度滑動窗策略人頭初步檢測37-39
• 3.3 基于支持向量機(jī)的人頭檢測二次篩選39-43
• 3.3.1 支持向量機(jī)基本概念39-42
• 3.3.2 人頭檢測二次篩選基本流程42-43
• 3.4 基于卡爾曼濾波與檢測結(jié)果數(shù)據(jù)關(guān)聯(lián)的人數(shù)統(tǒng)計43-48
• 3.4.1 卡爾曼濾波44-46
• 3.4.2 基于歐式距離的檢測跟蹤數(shù)據(jù)關(guān)聯(lián)算法46-48
• 3.5 實(shí)驗結(jié)果與分析48-52
• 3.5.1 實(shí)驗設(shè)置49-50
• 3.5.2 實(shí)驗結(jié)果與分析50-52
• 3.6 本章總結(jié)52-53
• 第四章 基于卷積神經(jīng)網(wǎng)絡(luò)的監(jiān)控視頻人數(shù)統(tǒng)計算法53-65
• 4.1 深度卷積神經(jīng)網(wǎng)絡(luò)基本原理53-54
• 4.2 卷積神經(jīng)網(wǎng)絡(luò)回歸人群密度分布特征圖54-56
• 4.2.1 損失函數(shù)設(shè)計55
• 4.2.2 卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練55-56
• 4.3 基于嶺回歸模型的人數(shù)統(tǒng)計56-58
• 4.3.1 嶺回歸基本概念56-57
• 4.3.2 基于嶺回歸模型人數(shù)統(tǒng)計57-58
• 4.4 實(shí)驗結(jié)果與分析58-63
• 4.4.1 實(shí)驗設(shè)置58-60
• 4.4.2 對比實(shí)驗結(jié)果與分析60-63
• 4.5 本章總結(jié)63-65
• 第五章 總結(jié)與展望65-67
• 5.1 總結(jié)65
• 5.2 展望65-67
• 參考文獻(xiàn)67-70
• 致謝70-71
• 攻讀碩士學(xué)位期間發(fā)表的論文71-72
• 攻讀碩士學(xué)位期間參加的科研項目72

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前7條

1 周治平;許伶俐;李文慧;;特征回歸與檢測結(jié)合的人數(shù)統(tǒng)計方法[J];計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報;2015年03期

2 黃凱奇;陳曉棠;康運(yùn)鋒;譚鐵牛;;智能視頻監(jiān)控技術(shù)綜述[J];計算機(jī)學(xué)報;2015年06期

3 孫來兵;陳健美;宋余慶;楊剛;;改進(jìn)的基于在線Boosting的目標(biāo)跟蹤方法[J];計算機(jī)應(yīng)用;2013年02期

4 孫志軍;薛磊;許陽明;王正;;深度學(xué)習(xí)研究綜述[J];計算機(jī)應(yīng)用研究;2012年08期

5 鄭翔翔;張怡;;基于頭部檢測和跟蹤的人數(shù)統(tǒng)計方法[J];計算機(jī)應(yīng)用與軟件;2011年02期

6 李苗;劉衛(wèi)寧;孫棣華;閆川;;視頻監(jiān)視技術(shù)在公交車自動乘客計數(shù)中的應(yīng)用[J];西華大學(xué)學(xué)報(自然科學(xué)版);2006年04期

7 張學(xué)工;關(guān)于統(tǒng)計學(xué)習(xí)理論與支持向量機(jī)[J];自動化學(xué)報;2000年01期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前6條

1 王詩怡;基于視覺顯著性和積分通道特征的室內(nèi)行人檢測技術(shù)研究[D];云南大學(xué);2015年

2 張英;基于視頻的實(shí)時人數(shù)統(tǒng)計關(guān)鍵技術(shù)的研究[D];杭州電子科技大學(xué);2014年

3 高靜偉;通濟(jì)橋高密度人群計數(shù)方法研究與實(shí)現(xiàn)[D];中山大學(xué);2013年

4 張丙坤;基于人頭檢測的人數(shù)統(tǒng)計算法研究[D];西安科技大學(xué);2013年

5 詹小孟;人臉表情識別關(guān)鍵技術(shù)研究[D];西安電子科技大學(xué);2011年

6 成偉;均值漂移算法在視頻目標(biāo)跟蹤中的應(yīng)用[D];重慶大學(xué);2009年

  本文關(guān)鍵詞：監(jiān)控場景中人數(shù)統(tǒng)計算法的研究與應(yīng)用，由筆耕文化傳播整理發(fā)布。

本文編號：272150