鑒于公共安全事件的嚴(yán)重危害,對(duì)公眾場(chǎng)所人群實(shí)行實(shí)時(shí)監(jiān)控顯得尤為重要.人群密度估計(jì)這一領(lǐng)域在深度學(xué)習(xí)飛速發(fā)展之下也進(jìn)入了一個(gè)新的時(shí)代,對(duì)于估計(jì)算法的改進(jìn)也在向著輕量化、快速化方向發(fā)展.受監(jiān)控設(shè)備采集的圖像存在分辨率不高、目標(biāo)過小、目標(biāo)重疊遮擋嚴(yán)重等問題的影響,人群密度估計(jì)算法仍然面臨諸多挑戰(zhàn).基于此,本文以輕量化網(wǎng)絡(luò)YOLOv5s(You Only Look Once)為基礎(chǔ)網(wǎng)絡(luò),從以下三個(gè)方面對(duì)人群密度估計(jì)算法進(jìn)行改進(jìn).具體內(nèi)容如下:(1)針對(duì)低分辨率和小目標(biāo)提出了基于YOLOv5s的人群密度估計(jì)算法的一個(gè)改進(jìn)點(diǎn).在圖像分辨率過小或者目標(biāo)對(duì)象較小時(shí),網(wǎng)絡(luò)里的跨步卷積(Strided Convolution)和池化層會(huì)產(chǎn)生圖片內(nèi)細(xì)粒度信息的損失,并導(dǎo)致特征學(xué)習(xí)的低效率.因此,首先對(duì)所有卷積結(jié)構(gòu)的特征映射部分進(jìn)行下采樣,同時(shí)保留其通道信息.其次,在YOLOv5s結(jié)構(gòu)中利用無卷積步長(zhǎng)或池化(No More Strided Convolutions or Pooling,SPD-Conv)模塊將原網(wǎng)絡(luò)中的步長(zhǎng)為2的卷積層進(jìn)行改進(jìn),減少跨步卷積產(chǎn)生的損失.并在由視頻監(jiān)控圖像組成的數(shù)據(jù)集上進(jìn)行驗(yàn)證...

【文章頁(yè)數(shù)】：47 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1.1擁擠的人群利用傳統(tǒng)視頻監(jiān)控獲取人群密度信息主要是依靠人力監(jiān)控，由于人的主觀性強(qiáng)、易

與意義計(jì)的研究背景不斷增長(zhǎng)，全球人口數(shù)量急劇增加，大量的人共場(chǎng)所在重大節(jié)日或活動(dòng)，會(huì)面臨高流量、高小的空間時(shí)，一旦發(fā)生騷亂，人群會(huì)很容易失由于公眾場(chǎng)所人數(shù)過多而引發(fā)的惡性事故已不清真寺在舉行活動(dòng)時(shí)不幸發(fā)生踩踏事件，26寨首都金邊發(fā)生惡性踩踏事故，333人死亡；開展交流活動(dòng)，現(xiàn)....

圖1.2人工神經(jīng)網(wǎng)絡(luò)的基本單元結(jié)構(gòu)

圖1.2人工神經(jīng)網(wǎng)絡(luò)的基本單元結(jié)構(gòu)絡(luò)常用的訓(xùn)練方法是1974年由PaulWerbos提出的反向傳播算包括信號(hào)正向傳輸與誤差反向傳輸兩部分，解決了直接將淺層時(shí)產(chǎn)生的特征線性不可分的問題。1986年，Rumelhart提出了可以通過誤差的反向傳播調(diào)整網(wǎng)絡(luò)參數(shù)權(quán)值，學(xué)....

圖2.1神經(jīng)元結(jié)構(gòu)圖

卷積神經(jīng)網(wǎng)絡(luò)可用未經(jīng)處理的自然圖像作為輸盡量保留圖像的全部信息的同時(shí)減少了計(jì)算量。同變性，不會(huì)因?yàn)閳D像旋轉(zhuǎn)、縮放等操作對(duì)最終結(jié)工神經(jīng)元的結(jié)構(gòu)、BP網(wǎng)絡(luò)的結(jié)構(gòu)以及BP算法的基絡(luò)的思想、結(jié)構(gòu)與訓(xùn)練方法進(jìn)行了介紹，最后對(duì)絡(luò)的結(jié)構(gòu)人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)單元，如圖2.1是人工神該....

圖2.2BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2深度學(xué)習(xí)相關(guān)理論介紹,,,,,]，=,,,,，若使與=，此時(shí)=[,,,,]，=,,經(jīng)元后的輸出變?yōu)椋?活函數(shù)必須是單調(diào)上升且有界的函數(shù)。網(wǎng)絡(luò)結(jié)構(gòu)中包含一個(gè)輸入層、一個(gè)輸出層和若干個(gè)隱含層，固定。輸入層的作用是接收....

本文編號(hào)：3911089