基于深度學(xué)習(xí)的人群密度估計(jì)及稠密人群計(jì)數(shù)的研究.pdf

1、人群密度估計(jì)與稠密人群計(jì)數(shù)是當(dāng)前計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)之一，具有非常廣泛的應(yīng)用。隨著國(guó)家經(jīng)濟(jì)的持續(xù)高速發(fā)展，城鎮(zhèn)化不斷推進(jìn)，城市人口規(guī)模越來(lái)越大，人群密集行為越來(lái)越多，由此帶來(lái)的恐怖事件、踩踏事件也日趨增多，如上海外灘踩踏事件、甘肅固原踩踏事件等。目前通過(guò)監(jiān)控視頻實(shí)現(xiàn)人群密度估計(jì)和準(zhǔn)確人群計(jì)數(shù)是一個(gè)至關(guān)重要的任務(wù)，其結(jié)果對(duì)人群檢測(cè)、人群異常行為分析等有重要的參考作用。深度學(xué)習(xí)是一種由多個(gè)處理層組成的計(jì)算模型，它不需要人工標(biāo)注各種特征，

2、可以通過(guò)學(xué)習(xí)獲得數(shù)據(jù)的多抽象層表示。近年來(lái)，深度學(xué)習(xí)方法的廣泛應(yīng)用顯著提高了語(yǔ)音識(shí)別、視覺(jué)目標(biāo)識(shí)別和檢測(cè)結(jié)果。卷積神經(jīng)網(wǎng)絡(luò)是目前深度學(xué)習(xí)中最為流行的學(xué)習(xí)算法，其主要優(yōu)勢(shì)體現(xiàn)在局部連接和權(quán)值共享，不僅降低了網(wǎng)絡(luò)模型的復(fù)雜度，減少了權(quán)值數(shù)量，而且這種網(wǎng)絡(luò)結(jié)構(gòu)對(duì)平抑、旋轉(zhuǎn)、傾斜、比例縮放等具有高度不變形。本文基于深度學(xué)習(xí)方法對(duì)復(fù)雜場(chǎng)景中人群密度估計(jì)與稠密人群計(jì)數(shù)問(wèn)題進(jìn)行研究。
　　稠密人群的特征為人群數(shù)量極大、場(chǎng)景透視、相鄰個(gè)體間存在嚴(yán)

3、重的遮擋與阻塞，為有效降低上述特征對(duì)人群密度估計(jì)和人群計(jì)數(shù)帶來(lái)的影響，本文首先引入局部稠密概念，將圖像分塊，通過(guò)均勻化樣本、添加距離閾值、增加歐氏距離權(quán)值改進(jìn)kNN算法，并將D-kNN算法與灰度共生矩陣結(jié)合用于人群密度估計(jì)。均勻化樣本和設(shè)置閾值避免了因目標(biāo)場(chǎng)景與樣本之間的距離過(guò)大造成的誤判，保證了分類的性能；添加距離權(quán)值增強(qiáng)了特征的表示能力，降低了高維度特征對(duì)分類結(jié)果造成的影響。其次，本文借鑒卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取特征和對(duì)場(chǎng)景扭曲的不變性

4、，提出了一種 LR-CNN稠密人群計(jì)數(shù)模型。LR-CNN模型可以從分割和壓縮過(guò)的圖像中提取到原圖像的有效信息；通過(guò)使用新的LR激活函數(shù)給卷積神經(jīng)網(wǎng)絡(luò)添加非線性因素，保留了部分負(fù)值，修正了數(shù)據(jù)分布，解決了ReLU訓(xùn)練時(shí)神經(jīng)元易死亡的問(wèn)題；使用人群密度估計(jì)得出的稠密塊來(lái)訓(xùn)練LR-CNN稠密人群計(jì)數(shù)模型，降低了人群分布不均勻?qū)θ巳河?jì)數(shù)問(wèn)題帶來(lái)的影響。
　　為了驗(yàn)證和分析算法性能，本文采用當(dāng)前較為流行的 ShanghaiTech和UCF_

5、CC_50數(shù)據(jù)集。使用均絕對(duì)誤差（MAE）和均方誤差（MSE）作為評(píng)估算法性能的標(biāo)準(zhǔn)，實(shí)驗(yàn)結(jié)果表明：本文設(shè)計(jì)的CNN計(jì)數(shù)模型在測(cè)試集上的MAE和MSE分別為：169.4，258.6；35.1，57.3；408.7，460.3；2.19，7.63；在稠密人群計(jì)數(shù)方面MAE和MSE較以往的方法有了明顯的降低，提高了計(jì)數(shù)的準(zhǔn)確率，對(duì)稠密人群計(jì)數(shù)因遮擋透視帶來(lái)的問(wèn)題提供了有效的解決方法。通過(guò)實(shí)驗(yàn)測(cè)試及與其他方法的對(duì)比，在高人群密度場(chǎng)景下較以往的