隨著全球城市化進程的推進,智能監(jiān)控逐漸成為了計算機視覺領(lǐng)域的研究熱點,人群計數(shù)問題作為智能監(jiān)控的核心問題之一,在人群限流引流等應(yīng)用場景中具有重大意義。目前人群計數(shù)的研究工作已取得了較大進展,然而在不同場景下,在解決人群圖像尺度不一致的問題方面的研究,仍然具有較大的挑戰(zhàn)。近年來,深度卷積神經(jīng)網(wǎng)絡(luò)在計算機視覺研究領(lǐng)域中取得了突出的成績。其在圖像特征與模型泛化上突出的表現(xiàn),有效解決了復雜背景下人群計數(shù)的特征提取問題。為了提取與尺度相關(guān)的特征,目前基于卷積神經(jīng)網(wǎng)絡(luò)的人群計數(shù)模型均采用了多列或多網(wǎng)絡(luò)的結(jié)構(gòu),但此類結(jié)構(gòu)存在訓練模型參數(shù)量大等問題。為了有效解決人群計數(shù)中與尺度相關(guān)特征的提取問題,本文提出一種多層級卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),通過在單列卷積神經(jīng)網(wǎng)絡(luò)上增加多尺度卷積模塊,提取網(wǎng)絡(luò)中多尺度的特征。同時,為了解決高密度的人群圖像中小目標檢測問題,算法采用多層級卷積神經(jīng)網(wǎng)絡(luò),將全局特征和局部特征不同尺度的特征進行融合。由于低層卷積層的卷積核的感受野不大,低層卷積層的特征包含了更多小目標物體的特征信息。多層級卷積神經(jīng)網(wǎng)絡(luò)包含了低層級卷積層細節(jié)特征和高層級的語義特征。通過在高層語義特征中融入低層細節(jié)信息提升... 

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 人群密度估計的國內(nèi)外發(fā)展現(xiàn)狀
        1.2.1 引言
        1.2.2 基于檢測的人群計數(shù)方法
        1.2.3 基于回歸的人群計數(shù)方法
    1.3 論文研究內(nèi)容與組織結(jié)構(gòu)
        1.3.1 論文的主要工作與創(chuàng)新點
        1.3.2 論文的組織結(jié)構(gòu)
第2章 相關(guān)研究算法綜述
    2.1 深度學習簡述
        2.1.1 神經(jīng)元
        2.1.2 常用激活函數(shù)
        2.1.3 前饋神經(jīng)網(wǎng)絡(luò)
        2.1.4 反向傳播算法
        2.1.5 卷積神經(jīng)網(wǎng)絡(luò)
    2.2 基于深度卷積神經(jīng)網(wǎng)絡(luò)的人群計數(shù)方法
        2.2.1 直接回歸人數(shù)的卷積神經(jīng)網(wǎng)絡(luò)模型
        2.2.2 間接回歸人群密度的卷積神經(jīng)網(wǎng)絡(luò)模型
    2.3 生成對抗網(wǎng)絡(luò)模型
    2.4 本章小結(jié)
第3章 基于多尺度生成對抗網(wǎng)絡(luò)的人群計數(shù)方法
    3.1 人群場景高斯核密度圖
    3.2 基于多尺度卷積神經(jīng)網(wǎng)絡(luò)人群計數(shù)模型
        3.2.1 多尺度卷積模塊
        3.2.2 多層級卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型
    3.3 多尺度生成對抗網(wǎng)絡(luò)(MS-GAN)
        3.3.1 對抗網(wǎng)絡(luò)訓練方式
        3.3.2 人群密度圖內(nèi)容損失函數(shù)
        3.3.3 對抗損失函數(shù)
    3.4 本章小結(jié)
第4章 實驗結(jié)果比較與分析
    4.1 人群密度估計實驗評價標準
    4.2 訓練參數(shù)設(shè)置
    4.3 人群計數(shù)數(shù)據(jù)集
        4.3.1 UCF_CC_50 數(shù)據(jù)集
        4.3.2 ShanghaiTech part-B數(shù)據(jù)集
        4.3.3 UCSD數(shù)據(jù)集
        4.3.4 Mall數(shù)據(jù)集
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 未來工作展望
參考文獻
發(fā)表論文和參加科研情況說明
致謝



本文編號：3677667