在大數(shù)據(jù)時(shí)代,隨著世界人口的快速增長與技術(shù)的進(jìn)步,基于監(jiān)控視頻的人群統(tǒng)計(jì)方法有著廣泛的應(yīng)用,包括公共場所安全監(jiān)控,商場情報(bào)收集和分析,公共空間設(shè)計(jì)等�，F(xiàn)有的基于檢測、回歸以及卷積神經(jīng)網(wǎng)絡(luò)算法展示出了優(yōu)秀的性能,但與此同時(shí),基于檢測和回歸的算法通用性差,以及卷積神經(jīng)網(wǎng)絡(luò)算法架構(gòu)復(fù)雜的問題依然存在。在此背景下,本文將重點(diǎn)針對以上問題,對中等密度動態(tài)場景和高密度場景人群統(tǒng)計(jì)展開研究,具體研究內(nèi)容如下:（1）針對中等密度動態(tài)場景,提出了一種基于特征點(diǎn)的人群統(tǒng)計(jì)方法,該方法結(jié)合檢測與回歸方法的優(yōu)勢。本文首先分析了中等密度動態(tài)場景中存在人群密度變化以及一定程度遮擋的特點(diǎn),為此確定了計(jì)算復(fù)雜度低,通用性強(qiáng)的檢測方法。在此基礎(chǔ)上,根據(jù)檢測器輸出不夠精準(zhǔn)的問題,使用了迪里赫雷特混合模型的高效聚類。然后使用了基于特征點(diǎn)數(shù)量的人群統(tǒng)計(jì)方法,從而大大提高了人群統(tǒng)計(jì)的準(zhǔn)確度。（2）在特征點(diǎn)人群計(jì)算方法的基礎(chǔ)上,提出了特征點(diǎn)數(shù)量和人群密度相關(guān)性的算法,并為此設(shè)計(jì)了數(shù)據(jù)融合方法。本文分析了中等密度動態(tài)場景中,人群密度快速變化的情況下,人群檢測存在漏檢和重復(fù)檢的問題。針對問題設(shè)計(jì)了特征點(diǎn)數(shù)量和人群密度的關(guān)系,并在中高... 

【文章來源】：福州大學(xué)福建省 211工程院校

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 引言
    1.1 研究背景與意義
    1.2 研究方法綜述
        1.2.1 基于檢測的人群統(tǒng)計(jì)方法
        1.2.2 基于回歸的人群統(tǒng)計(jì)方法
        1.2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的人群統(tǒng)計(jì)方法
    1.3 主要研究內(nèi)容
    1.4 論文的結(jié)構(gòu)
第二章 相關(guān)機(jī)器學(xué)習(xí)算法
    2.1 聚類方法
        2.1.1 迪里赫雷特分布
        2.1.2 迪里赫雷特過程
        2.1.3 迪里赫雷特過程的構(gòu)造
    2.2 卷積神經(jīng)網(wǎng)絡(luò)原理
        2.2.1 卷積運(yùn)算
        2.2.2 池化
        2.2.3 激活函數(shù)與線性整流層
        2.2.4 梯度下降
        2.2.5 結(jié)構(gòu)化輸出
    2.3 本章小結(jié)
第三章 基于動態(tài)場景的中等密度人群統(tǒng)計(jì)方法研究
    3.1 算法概述
    3.2 基于積分特征通道的人群檢測方法設(shè)計(jì)
        3.2.1 積分通道特征
        3.2.2 快速構(gòu)建特征金字塔
        3.2.3 基于Adaboost的分類器
    3.3 基于迪里赫雷特混合模型的聚類方法設(shè)計(jì)
        3.3.1 迪里赫雷特過程混合模型
        3.3.2 特征的選擇
        3.3.3 聚類模型的建立
    3.4 基于特征點(diǎn)數(shù)量與人群密度相關(guān)性設(shè)計(jì)
    3.5 實(shí)驗(yàn)及分析
        3.5.1 實(shí)驗(yàn)數(shù)據(jù)
        3.5.2 實(shí)驗(yàn)分析
    3.6 本章小結(jié)
第四章 基于卷積神經(jīng)網(wǎng)絡(luò)的高密度人群統(tǒng)計(jì)方法研究
    4.1 算法概述
    4.2 全卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)
        4.2.1 從全連接層到卷積層的設(shè)計(jì)
        4.2.2 上采樣
        4.2.3 跳躍結(jié)構(gòu)
    4.3 損失函數(shù)
    4.4 計(jì)數(shù)模型設(shè)計(jì)
    4.5 高密度人群統(tǒng)計(jì)的全卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)
    4.6 實(shí)驗(yàn)過程與分析
        4.6.1 實(shí)驗(yàn)數(shù)據(jù)
        4.6.2 實(shí)驗(yàn)分析
    4.7 本章小結(jié)
總結(jié)與展望
參考文獻(xiàn)
致謝
在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文


【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[2]狄利克雷過程混合模型、擴(kuò)展模型及應(yīng)用[J]. 梅素玉,王飛,周水庚.  科學(xué)通報(bào). 2012(34)
[3]一種基于高斯混合模型的距離圖像分割算法[J]. 向日華,王潤生.  軟件學(xué)報(bào). 2003(07)
[4]零代價(jià)函數(shù)的前饋神經(jīng)網(wǎng)絡(luò)新算法[J]. 張代遠(yuǎn).  計(jì)算機(jī)工程與應(yīng)用. 2000(10)



本文編號：3478659