本文關(guān)鍵詞： 深度學習 卷積神經(jīng)網(wǎng)絡(luò) 人群密度估計 人群數(shù)量估計 特征提取　出處：《安徽大學》2017年碩士論文　論文類型：學位論文

【摘要】：近年來,由于人口的快速增長,因人群密集引起的騷亂事件頻繁發(fā)生,所以對人群聚集的場合進行監(jiān)控變得格外重要。采用計算機視覺的方法來對密集場合中的人群進行密度估計、行為分析也成為了當前一個熱門研究方向,具有廣泛的實際應(yīng)用價值。本論文針對兩方面開展研究:人群區(qū)域密度等級估計和人群數(shù)量估計,其中密度等級估計是將人群區(qū)域劃分為如高密集度、中等密集度、低密集度的等級,并在高密集度時進行報警。傳統(tǒng)的研究方法大都基于如下框架:1)提取人群區(qū)域內(nèi)的特征,如紋理特征,小波特征。2)通過目標檢測或回歸模型的方式估計人數(shù)。然而在密集的場景中,個體在人群中的分布呈多樣性,加之復(fù)雜環(huán)境下的目標遮擋,光線改變,給高性能的特征描述和人群數(shù)量估計帶來困難。近年來深度學習算法在計算機視覺領(lǐng)域取得了不斷的成功,相關(guān)研究表明深度神經(jīng)網(wǎng)絡(luò)學習的圖像特征較傳統(tǒng)圖像特征有更強的泛化性、代表性。借鑒前人研究工作的基礎(chǔ)上,本文通過大量的試驗研究,提出了一種基于深度卷積網(wǎng)絡(luò)的密集人數(shù)估計和人群密度等級分類算法,通過使用兩路監(jiān)督信號的學習方法,增加了網(wǎng)絡(luò)學習的魯棒性,抑制了學習過程中可能出現(xiàn)的過擬合。本文的主要工作如下:1)采用卷積神經(jīng)網(wǎng)絡(luò)來對圖像區(qū)域內(nèi)的人群特征進行提取。經(jīng)過對網(wǎng)絡(luò)特征的學習將區(qū)域內(nèi)的人群劃分密度等級從而完成人群高密度預(yù)警的任務(wù)。2)提出了兩路監(jiān)督信號的學習方法。一路信號用來分類區(qū)域內(nèi)的人群密度等級,另一路信號用來對區(qū)域內(nèi)的人群數(shù)量進行回歸學習,實現(xiàn)對區(qū)域內(nèi)的人群數(shù)量估計。兩路信號的學習方法也增加了網(wǎng)絡(luò)學習的魯棒性,提高了人數(shù)估計結(jié)果準確性。3)在實驗驗證中,我們在自己創(chuàng)建的數(shù)據(jù)集AHU-CROWD,以及當前常用的公開數(shù)據(jù)集,包括UCF-CROWD,UCSD上進行了實驗。結(jié)果表明相比于之前的研究,本論文方法在人數(shù)估計準確率上有了顯著的提高。
[Abstract]:In recent years, due to the rapid growth of the population, riots caused by dense crowds have occurred frequently. Therefore, it is particularly important to monitor the situation where people gather. Using computer vision to estimate the density of people in dense situations, behavior analysis has also become a hot research direction. This paper focuses on two aspects: the estimation of population regional density grade and the estimation of population quantity, in which the population region is divided into two groups, such as high density, moderate density, and population density. Traditional research methods are based on the following framework: 1) to extract features in crowd areas, such as texture features. Wavelet feature. 2) estimate the number of people by target detection or regression model. However, in the dense scene, the distribution of individuals in the crowd is diverse, combined with the target occlusion in complex environment, the light changes. In recent years, deep learning algorithms have been successful in the field of computer vision. Related studies show that the image features of depth neural network learning have stronger generalization and representativeness than traditional image features. In this paper, a classification algorithm for dense population estimation and population density classification based on deep convolution network is proposed. By using two supervised signals, the robustness of network learning is improved. The main work of this paper is as follows: 1) Convolutional neural network is used to extract the crowd characteristics in the image region. The study method of two supervised signals is put forward. The first signal is used to classify the population density grade in the region. The other signal is used to learn the number of people in the region by regression, and to estimate the number of people in the region. The learning method of two signals also increases the robustness of network learning. In experimental verification, we conducted experiments on the data set AHU-CROWDcreated by ourselves, as well as on currently commonly used open datasets, including UCF-CROWDU UCSD. The results show that compared with previous studies, In this paper, the accuracy of the estimation of the number of people has been improved significantly.
【學位授予單位】：安徽大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41;TP183

【相似文獻】

相關(guān)期刊論文 前10條

1 云中客;新的神經(jīng)網(wǎng)絡(luò)來自于仿生學[J];物理;2001年10期

2 唐春明,高協(xié)平;進化神經(jīng)網(wǎng)絡(luò)的研究進展[J];系統(tǒng)工程與電子技術(shù);2001年10期

3 李智;一種基于神經(jīng)網(wǎng)絡(luò)的煤炭調(diào)運優(yōu)化方法[J];長沙鐵道學院學報;2003年02期

4 程科,王士同,楊靜宇;新型模糊形態(tài)神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];計算機工程與應(yīng)用;2004年21期

5 王凡,孟立凡;關(guān)于使用神經(jīng)網(wǎng)絡(luò)推定操作者疲勞的研究[J];人類工效學;2004年03期

6 周麗暉;從統(tǒng)計角度看神經(jīng)網(wǎng)絡(luò)[J];統(tǒng)計教育;2005年06期

7 趙奇 ,劉開第 ,龐彥軍;灰色補償神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];微計算機信息;2005年14期

8 袁婷;;神經(jīng)網(wǎng)絡(luò)在股票市場預(yù)測中的應(yīng)用[J];軟件導刊;2006年05期

9 尚晉;楊有;;從神經(jīng)網(wǎng)絡(luò)的過去談科學發(fā)展觀[J];重慶三峽學院學報;2006年03期

10 楊鐘瑾;;神經(jīng)網(wǎng)絡(luò)的過去、現(xiàn)在和將來[J];青年探索;2006年04期

相關(guān)會議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國控制與決策學術(shù)年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學術(shù)會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學術(shù)會議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡(luò)的新機遇——紀念中國神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學術(shù)會議論文集[C];1999年

6 許進;保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學術(shù)會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預(yù)報產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報應(yīng)用[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學術(shù)會議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學生創(chuàng)造力評估中的應(yīng)用[A];第十二屆全國心理學學術(shù)大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

10 張廣遠;萬強;曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國設(shè)備故障診斷學術(shù)會議論文集[C];2010年

相關(guān)重要報紙文章 前10條

1 美國明尼蘇達大學社會學博士 密西西比州立大學國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國紡織報;2003年

4 中國科技大學計算機系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計算機世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開復(fù)雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經(jīng)網(wǎng)絡(luò)[N];科技日報;2011年

7 健康時報特約記者　 張獻懷;干細胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時報;2006年

8 劉力;我半導體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達國際先進水平[N];中國電子報;2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過鑒定[N];中國船舶報;2006年

相關(guān)博士學位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學;2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無線通信算法研究[D];山東大學;2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學;2014年

4 王新迎;基于隨機映射神經(jīng)網(wǎng)絡(luò)的多元時間序列預(yù)測方法研究[D];大連理工大學;2015年

5 付愛民;極速學習機的訓練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學;2015年

6 李輝;基于粒計算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國礦業(yè)大學;2015年

7 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學;2015年

8 張海軍;基于云計算的神經(jīng)網(wǎng)絡(luò)并行實現(xiàn)及其學習方法研究[D];華南理工大學;2015年

9 李艷晴;風速時間序列預(yù)測算法研究[D];北京科技大學;2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學;2015年

相關(guān)碩士學位論文 前10條

1 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測的研究[D];華南理工大學;2015年

2 賈文靜;基于改進型神經(jīng)網(wǎng)絡(luò)的風力發(fā)電系統(tǒng)預(yù)測及控制研究[D];燕山大學;2015年

3 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學;2015年

4 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學;2015年

5 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學;2015年

6 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[D];昆明理工大學;2015年

7 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測研究[D];華南理工大學;2015年

8 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測研究與系統(tǒng)實現(xiàn)[D];華南理工大學;2015年

9 張韜;幾類時滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學;2015年

10 邵雪瑩;幾類時滯不確定神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[D];渤海大學;2015年

，

本文編號：1523661