公共場(chǎng)所大規(guī)模人群聚集行為很容易造成巨大的安全隱患,如果不能及時(shí)疏導(dǎo),很容易發(fā)生踩踏事故。人群計(jì)數(shù)與密度估計(jì)一直是視覺監(jiān)控領(lǐng)域的研究熱點(diǎn),可以協(xié)助分析場(chǎng)景中人群分布的動(dòng)態(tài)變化,對(duì)潛在的風(fēng)險(xiǎn)進(jìn)行預(yù)警。因此,相關(guān)算法被廣泛應(yīng)用于機(jī)場(chǎng)、車站、地鐵、購物中心等公共場(chǎng)所的監(jiān)控系統(tǒng)中,對(duì)公共安全領(lǐng)域具有重要意義。人群計(jì)數(shù)與密度估計(jì)是極具挑戰(zhàn)性的課題。光線變化、背景干擾、視角、遮擋等因素都會(huì)增加問題的處理難度。傳統(tǒng)的計(jì)數(shù)方法以行人檢測(cè)為基礎(chǔ),通常適用于人群密度較為稀疏的場(chǎng)景。近年來,隨著深度學(xué)習(xí)與計(jì)算機(jī)視覺技術(shù)的不斷發(fā)展,對(duì)密集復(fù)雜場(chǎng)景的分析受到了更為廣泛的關(guān)注。本論文提出一種基于注意力機(jī)制的復(fù)雜人群計(jì)數(shù)模型。該模型主要由注意力網(wǎng)絡(luò)和人群密度網(wǎng)絡(luò)兩部分組成。注意力網(wǎng)絡(luò)用于定位人群的潛在位置,區(qū)分前景區(qū)域與背景區(qū)域,克服背景區(qū)域?qū)τ?jì)數(shù)造成的干擾。人群密度網(wǎng)絡(luò)用于生成初步的人群密度圖,然后將注意力圖與群體密度圖做掩碼操作,得到細(xì)化后的人群分布。最后,通過圖像積分操作,對(duì)人群進(jìn)行計(jì)數(shù)。此外,本文還引入了擴(kuò)展卷積操作,一定程度上解決了多尺度人群檢測(cè)問題。本文在ShanghaiTech與UCF_C

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１各種人群場(chǎng)景

?基于注意力機(jī)制的人群計(jì)數(shù)算法???是函數(shù)／首先通過翻轉(zhuǎn)和平移之后與函數(shù)／？乘積的積分。在處理圖像任務(wù)中，假設(shè)一張??灰度圖像／（〖Ｊ）的尺寸是／／?Ｘ?Ｆ，一個(gè)ＡＴｘ?＃的卷積核６（夂／）對(duì)圖像的卷積如圖２．１所示。??４＃??圖２．１圖像卷積??Ｆｉｇ．?２．１?Ｉｍａｇｅ?ｃｏｎｖｏｌｕｔｉｏｎ??最終輸出的圖像ｇ（／，７＿）如公式２．１所示：??ｇ（ｉ，?ｊ）?＝?／?？?／？?＝?＋?ｋＪ?＋?ｌ）ＫｋＪ）?（２．１）??ｋｊ??其中，卷積核在原始圖像上移動(dòng)，每移動(dòng)一步，卷積核的ｉＶｘＴＶ個(gè)參數(shù)會(huì)和原始圖??像相應(yīng)位置的數(shù)值相乘，接著把所有位置的乘積求和放在對(duì)應(yīng)輸出圖像卷積核中心的位??置上。通過計(jì)算得知，一幅圖像經(jīng)過卷積操作不能夠維持原始圖像大小，一個(gè)／／ｘＷ的??原始圖像和１個(gè)＃ｘ７Ｖ的卷積核進(jìn)行卷積操作之后，它的尺寸變成??（７／－＃?＋?ｌ）ｘ（；ｒ－Ｗ?＋?ｌ）。其中，卷積核尺寸與卷積步長(zhǎng)是兩個(gè)不可缺少的超參數(shù)。卷??積核大小是上述的因?yàn)槊看我苿?dòng)一步，步長(zhǎng)在上述的例子中為１，如果卷積核在原??始圖像上每次移動(dòng)兩步，那么它的步長(zhǎng)為２。??（３）下采樣層??下采樣層一般在卷積過程后，原始圖像經(jīng)過卷積操作后，獲得圖像的局部特征，會(huì)??存在一些無用的特征，這些特征可能會(huì)影響最終的檢測(cè)結(jié)果導(dǎo)致發(fā)生過擬合現(xiàn)象，所以??需要使用下采樣層保留有用的特征并且過濾掉無用的特征。下采樣層的作用是保留主要??特征、減少參數(shù)量、擴(kuò)大感受野和防止網(wǎng)絡(luò)模型過擬合。??ＶＧＧ１６網(wǎng)絡(luò)模型是比較常用的模型，在計(jì)算機(jī)視覺領(lǐng)域里的很多任務(wù)都用到??ＶＧＧ１６去提取相應(yīng)的目標(biāo)特征，并且取得了不錯(cuò)的效果。??本文的人群密度網(wǎng)

?大連海事大學(xué)碩士學(xué)位論文???２２４?ｘ?２２４?ｘ?３?２２４?ｘ?２２４?ｘ?６４??Ａｉ??祕(mì)１１２?ｘ：．１２ｘ１２８??ｍｍ?ｍ??／／／／＾?ｘ?５６?ｘ?２５６??■?Ｗ?ＬＶｘ５１２??ｌ?１?＾?懸?＾?麵??０?ｃｏｎｖｏｌｕｔｉｏｎ＋ＲｅＬＵ??／?Ｑｌ?ｍａｘ?ｐｏｏｌｉｎｇ??／?ｆｕｌｌｙ?ｎｅｃｔｅｄ＋ＲｅＬＵ??ｓｏｆｔｍａｘ??圖２．２?ＶＧＧ１６網(wǎng)絡(luò)結(jié)構(gòu)［５６］??Ｆｉｇ．?２．２?ＶＧＧ１６?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??ＶＧＧ１６是由Ｓｉｍｏｎｙａｎ等人［５６］提出，該網(wǎng)絡(luò)模型獲得２０１４年的ＴｍａｇｅＮｅｔ?ＩＬＳＶＲＣ??比賽中分類任務(wù)的亞軍（冠軍是Ｇｏｏｇｌｅｎｅｔ）和定位任務(wù)的冠軍，如圖２．２所示，該網(wǎng)絡(luò)??結(jié)構(gòu)一共有１６層，分為１３層卷積層和３層全連接層，分別在第２、４、７、１３層后面加??入了最大值下采樣層（ＭａｘＰｏｏｌｉｎｇ），在最后一層輸出１，０００個(gè)類別的概率，進(jìn)行目標(biāo)??識(shí)別任務(wù)。在ＡｌｅｘＮｅｔ網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，ＶＧＧ１６使用一些相同的技術(shù)比如，使用??Ｄｒｏｐｏｕｔ、數(shù)據(jù)增廣（ＤａｔａＡｕｇｍｅｎｔａｔｉｏｎ）和層疊池化來防止過擬合現(xiàn)象的發(fā)生，使用了??ｒｅ／ｕ激活函數(shù)去代替激活函數(shù)，解決了因?yàn)樘荻蕊柡投鴮?dǎo)致訓(xùn)練收斂速度變慢??的情況，而且ｒｅ／ｗ函數(shù)的計(jì)算量大部分都用在了判斷輸入數(shù)字的正負(fù)判斷中，所以計(jì)算??量比較少，增加了網(wǎng)絡(luò)的訓(xùn)練速度。ＶＧＧ１６進(jìn)行一些改進(jìn)，主要有以下幾點(diǎn)：??（１）加深了網(wǎng)絡(luò)模型的層數(shù)。ＡｌｅｘＮｅｔ網(wǎng)絡(luò)模型一共有８層結(jié)構(gòu)，其中包含５層卷??積層和３層全連接層，而ＶＧＧ１６網(wǎng)絡(luò)一共有１６層結(jié)構(gòu)，網(wǎng)

【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[2]基于連續(xù)模型和動(dòng)力學(xué)仿真模型的高密度人群仿真算法[J]. 孫立博,孫曉峰,秦文虎.  計(jì)算機(jī)學(xué)報(bào). 2016(07)



本文編號(hào)：3143936