北京商場(chǎng)購(gòu)物人群眾多,易發(fā)生人群擁擠踩踏事故,使得確定高密度人群區(qū)域的位置變得至關(guān)重要,因此本文引入人群密度圖,確定圖中人群分布情況,得出室內(nèi)人群的定位信息。首先將采集的人群視頻分割為圖像幀,并分成訓(xùn)練集和測(cè)試集;然后對(duì)訓(xùn)練集圖片作人頭標(biāo)簽處理,生成地面實(shí)況密度圖,將其作為改進(jìn)的多列卷積神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練數(shù)據(jù)生成模型,并將模型應(yīng)用于測(cè)試集圖片生成人群密度圖;最后運(yùn)用Arc GIS對(duì)人群密度圖與室內(nèi)平面圖作地理配準(zhǔn)處理,從而實(shí)現(xiàn)對(duì)高密度人群的定位。研究結(jié)果表明,利用人群密度圖確定的高密度區(qū)域的位置坐標(biāo)與實(shí)際坐標(biāo)值基本一致,將人群密度圖應(yīng)用于室內(nèi)定位是可行的。 

【文章來源】：測(cè)繪通報(bào). 2020,(06)北大核心CSCD

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

改進(jìn)的MCNN網(wǎng)絡(luò)結(jié)構(gòu)

其次，將人群密度圖與原圖進(jìn)行疊加透視，效果例圖如圖5所示。根據(jù)圖中該區(qū)域顯示出的固定店鋪的位置，在ArcGIS中對(duì)人群密度分布圖進(jìn)行配準(zhǔn)，使其與商場(chǎng)的室內(nèi)平面圖處于同一坐標(biāo)系下，得出密度圖疊加到室內(nèi)平面圖上的效果圖，如圖6(a)所示。

根據(jù)圖中該區(qū)域顯示出的固定店鋪的位置，在ArcGIS中對(duì)人群密度分布圖進(jìn)行配準(zhǔn)，使其與商場(chǎng)的室內(nèi)平面圖處于同一坐標(biāo)系下，得出密度圖疊加到室內(nèi)平面圖上的效果圖，如圖6(a)所示。在室內(nèi)平面圖中標(biāo)出高密度人群的位置，如圖6(b)所示，并得到相應(yīng)的位置坐標(biāo)值。與通過儀器測(cè)量得到圖中區(qū)域的實(shí)際坐標(biāo)值進(jìn)行對(duì)比，對(duì)比情況見表2。

【參考文獻(xiàn)】：
期刊論文
[1]基于Caffe深度學(xué)習(xí)框架的標(biāo)簽缺陷檢測(cè)應(yīng)用研究[J]. 李培秀,李致金,韓可,朱超.  中國(guó)電子科學(xué)研究院學(xué)報(bào). 2019(02)
[2]面向城市規(guī)劃的避難疏散場(chǎng)所選址模型[J]. 徐敬海,秦駿.  測(cè)繪通報(bào). 2018(12)
[3]利用主成分分析法及地理加權(quán)回歸模型分析AOD數(shù)據(jù)[J]. 李廣超,李如仁,盧月明,趙陽陽,余博.  測(cè)繪通報(bào). 2018(04)
[4]基于全卷積網(wǎng)絡(luò)的高分辨遙感影像目標(biāo)檢測(cè)[J]. 徐逸之,姚曉婧,李祥,周楠,胡媛.  測(cè)繪通報(bào). 2018(01)
[5]圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動(dòng)化學(xué)報(bào). 2016(09)

碩士論文
[1]基于目標(biāo)檢測(cè)和密度分布的復(fù)雜場(chǎng)景人群計(jì)數(shù)[D]. 葛昭陽.鄭州大學(xué) 2018
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的人群計(jì)數(shù)算法研究[D]. 馬皓.中國(guó)科學(xué)技術(shù)大學(xué) 2018
[3]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
[4]基于深度卷積神經(jīng)網(wǎng)絡(luò)的人群計(jì)數(shù)與密度估計(jì)研究[D]. 羅紅玲.重慶大學(xué) 2018
[5]視頻場(chǎng)景中人群密度估計(jì)與應(yīng)用[D]. 李敬衛(wèi).南京郵電大學(xué) 2017



本文編號(hào)：3635748