發(fā)布時間：2023-12-29 18:47

　　視頻人數(shù)統(tǒng)計是計算機視覺的重要應(yīng)用,在公共安防和人群引流等領(lǐng)域具有重要意義。但是由于視頻監(jiān)控中的場景往往復(fù)雜多樣,所以傳統(tǒng)視頻人數(shù)統(tǒng)計方法的精度和魯棒性都不高。深度學(xué)習(xí)具有強大的特征提取能力、非線性表達(dá)能力和泛化能力,因此本文從深度學(xué)習(xí)入手,研究設(shè)計基于深度學(xué)習(xí)算法的視頻人數(shù)統(tǒng)計。本文的研究針對二種監(jiān)控視頻場景:第一種是自上而下的俯視視角的視頻,這種場景常出現(xiàn)在建筑物出入口或電梯;第二種是傾斜向下的斜射式監(jiān)控視頻,這種場景常出現(xiàn)在路邊或商場等公共場所內(nèi)部。本文分別針對這兩種視頻的特點,提出了基于行人檢測和基于人群密度圖的兩種深度學(xué)習(xí)的人數(shù)統(tǒng)計算法�；谛腥藱z測的人數(shù)統(tǒng)計:在第一種場景中,視頻覆蓋的范圍較小,人數(shù)較少,絕大多數(shù)行人都清晰可見,易檢出。但行人的頭部和肩部是主要特征,目標(biāo)較小。而且與行人語義相關(guān)的行人屬性(即行人攜帶的物品:如背包、帽子等)容易導(dǎo)致誤檢和漏檢。深度學(xué)習(xí)雖然在目標(biāo)檢測領(lǐng)域取得很大的成就,但是目前還沒有一種深度學(xué)習(xí)算法對小目標(biāo)魯棒。針對這些問題,本文提出一種聯(lián)合語義的深度學(xué)習(xí)行人檢測方法:首先改進(jìn)深度神經(jīng)網(wǎng)絡(luò)對小目標(biāo)的辨別力,然后把容易造成誤檢和漏檢的行人語義屬性...

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于檢測的人數(shù)統(tǒng)計
        1.2.2 基于回歸的人數(shù)統(tǒng)計
        1.2.3 基于深度學(xué)習(xí)的人數(shù)統(tǒng)計
    1.3 現(xiàn)有技術(shù)存在的問題
    1.4 主要工作和論文結(jié)構(gòu)
        1.4.1 本文主要工作
        1.4.2 本文組織結(jié)構(gòu)
第二章 深度學(xué)習(xí)的相關(guān)知識
    2.1 深度神經(jīng)網(wǎng)絡(luò)
        2.1.1 網(wǎng)絡(luò)結(jié)構(gòu)
        2.1.2 激活函數(shù)
        2.1.3 損失函數(shù)
        2.1.4 反向傳播算法
        2.1.5 優(yōu)化方法
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積
        2.2.2 池化
    2.3 區(qū)域卷積神經(jīng)網(wǎng)絡(luò)
    2.4 深度殘差網(wǎng)絡(luò)
    2.5 Inception網(wǎng)絡(luò)
    2.6 本文研究設(shè)計總體思路
    2.7 本章小節(jié)
第三章 基于行人檢測的人數(shù)統(tǒng)計
    3.1 數(shù)據(jù)集制作
    3.2 小目標(biāo)檢測
        3.2.1 更快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Faster R-CNN)
        3.2.2 基于Faster R-CNN的行人檢測
    3.3 行人與語義屬性的聚合
    3.4 聯(lián)合語義的人數(shù)統(tǒng)計
        3.4.1 訓(xùn)練行人及語義屬性檢測器
        3.4.2 行人檢測與統(tǒng)計人數(shù)
    3.5 實驗與評估
    3.6 本章小結(jié)
第四章 基于人群密度圖的人數(shù)統(tǒng)計
    4.1 人群數(shù)據(jù)集
        4.1.1 公開數(shù)據(jù)集
        4.1.2 數(shù)據(jù)增廣
    4.2 人群密度圖
        4.2.1 基于固定高斯分布的人群密度圖
        4.2.2 基于透視圖的人群密度圖
        4.2.3 基于自適應(yīng)高斯核的人群密度圖
        4.2.4 標(biāo)簽人群密度圖的制作
    4.3 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計
        4.3.1 本文網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計準(zhǔn)則
        4.3.2 多尺度適應(yīng)性的高性能網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計
    4.4 離線訓(xùn)練網(wǎng)絡(luò)
    4.5 在線統(tǒng)計人數(shù)
    4.6 實驗與評估
    4.7 本章小結(jié)
第五章 幀間結(jié)果修正
    5.1 修正算法
    5.2 閾值ε的確定和更新
        5.2.1 閾值ε的確定
        5.2.2 閾值ε的更新
    5.3 修正實驗
    5.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝
個人簡歷
在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文

【部分圖文】： 第5章基于深度學(xué)習(xí)視頻分析技術(shù)的人數(shù)統(tǒng)計算法-39-5.3基于深度學(xué)習(xí)視頻分析技術(shù)的人數(shù)統(tǒng)計算法優(yōu)化5.3.1人數(shù)統(tǒng)計算法主要問題上述算法的設(shè)計主要是基于視頻連續(xù)性強時trackid基本保持不變的前提，然而本系統(tǒng)由于性能受限，為了更好地達(dá)到實時性，做了跳幀處理，導(dǎo)致視頻的連續(xù)性較.... 以解決上述存在的問題，這對于基于視頻的人數(shù)統(tǒng)計技術(shù)和基于視頻圖像的智能現(xiàn)代安防的發(fā)展具有深遠(yuǎn)的研究意義。圖1-2 多樣化室外監(jiān)控場景



本文編號：3876232