當今,國民經濟的高速發(fā)展導致社會主義城市化進度不斷推進,越來越多的人口涌向城市。據此帶來的社會問題也不斷增加,例如:人員擁擠導致踩踏等不安全事故的發(fā)生;候車大廳人員的增加對交通調度帶來的壓力等。解決上述問題需要準確預測出實際場景下的人群數量及分布,而圖像可以清晰直觀的反映出實際場景中的人群變化情況,因此基于靜態(tài)圖像的人群密度估計有重要的研究價值。近年來,具有獲取深層次特征能力的卷積神經網絡模型在語義分割、目標檢測與識別等領域發(fā)展迅速,研究人員也將其應用于人群計數領域并取得了較好的效果,但仍存在著一些挑戰(zhàn)尚未攻克。本文在總結分析人群密度估計領域前人研究工作的基礎上,做了以下幾方面工作:(1)在分析了現有基于卷積神經網絡的人群密度估計算法的基礎上,實現了一種多列結構的人群密度估計算法。通過多列不同大小卷積核提取多尺度特征以應對圖像中出現的不同大小的人頭信息,解決單列結構難以處理尺度變化的問題;網絡末端采用卷積層取代原有的全連接層,使得輸入圖片的尺寸不受限制,網絡模型的應用范圍更加廣泛。實驗結果表明,多列結構在人群密度估計任務上具有一定的優(yōu)越性。(2)針對基于多列卷積神經網絡人群密度估計方法...

【文章頁數】：73 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
1.緒論
    1.1 研究背景及意義
    1.2 國內外研究現狀
        1.2.1 傳統(tǒng)人群密度估計研究現狀
        1.2.2 基于深度學習的人群密度估計研究現狀
    1.3 本文主要研究內容
    1.4 論文組織結構
2.深度學習與基于多列結構的人群密度估計算法
    2.1 神經網絡概述
        2.1.1 神經網絡模型
        2.1.2 梯度下降法
        2.1.3 反向傳播算法
    2.2 卷積神經網絡
    2.3 深度學習框架
    2.4 基于多列卷積神經網絡的人群密度估計方法
        2.4.1 多尺度卷積神經網絡結構
        2.4.2 損失函數
        2.4.3 實驗結果與分析
    2.5 本章小結
3.基于編碼-解碼多尺度卷積神經網絡人群密度估計算法
    3.1 密度圖生成
    3.2 編碼-解碼多尺度卷積神經網絡結構
        3.2.1 多尺度卷積
        3.2.2 空洞空間金字塔池化
    3.3 損失函數
    3.4 數據增強
    3.5 實驗及實驗結果分析
        3.5.1 人群密度估計數據集
        3.5.2 人群密度估計評價指標
        3.5.3 Shanghaitech數據集實驗結果
        3.5.4 Mall數據集實驗結果
        3.5.5 自建數據集實驗結果
        3.5.6 算法速度對比分析
        3.5.7 驗證實驗與分析
    3.6 本章小結
4.多尺度條件生成對抗網絡人群密度估計算法
    4.1 生成式對抗網絡
    4.2 多尺度條件對抗網絡模型構建
        4.2.1 生成器模型構建
        4.2.2 判別器模型構建
    4.3 損失函數
    4.4 實驗結果分析
        4.4.1 數據集
        4.4.2 實驗環(huán)境及參數設置
        4.4.3 評價指標
        4.4.4 Shanghaitech數據集實驗結果
        4.4.5 Mall數據集實驗結果
        4.4.6 自建數據集實驗結果
    4.5 本章小結
5.編碼-解碼多尺度條件生成對抗網絡人群密度估計算法
    5.1 編碼-解碼多尺度條件對抗網絡模型結構
        5.1.1 生成器模型構建
        5.1.2 判別器模型構建
    5.2 損失函數
    5.3 實驗結果與分析
        5.3.1 數據集
        5.3.2 實驗環(huán)境及參數設置
        5.3.3 評價指標
        5.3.4 Shanghaitech數據集實驗結果
        5.3.5 Mall數據集實驗結果
        5.3.6 自建數據集實驗結果
        5.3.7 密度圖對比結果
    5.4 本章小結
6.總結與展望
    6.1 總結
    6.2 未來展望
參考文獻
致謝
在讀期間學術科研成果



本文編號：3871744