基于深度學(xué)習(xí)的大規(guī)模行人統(tǒng)計方法研究.pdf

1、基于監(jiān)控視頻的行人統(tǒng)計系統(tǒng)在許多人群管理、公共安全應(yīng)用中提供安全支持。區(qū)別于普通的行人統(tǒng)計，大規(guī)模行人統(tǒng)計應(yīng)用的場景更加復(fù)雜、面臨的問題也更多，諸如行人尺度差異大、背景復(fù)雜、行人數(shù)目多以及光線差異大等。由于場景不同，這些難題不能使用普通的行人統(tǒng)計方法解決。本文致力于完成復(fù)雜場景下的大規(guī)模行人統(tǒng)計，具有一定的實際意義。
　　本文提出一種端到端的行人統(tǒng)計方法，基于深度學(xué)習(xí)完成行人數(shù)目的回歸統(tǒng)計，而這樣的統(tǒng)計無需圖像預(yù)處理，也無需提取手

2、工設(shè)計的特征。在方法研究中，首先設(shè)計一個多層卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)，并利用CNN提取圖像的深層特征，通過歐式距離損失函數(shù)對比人數(shù)預(yù)測值與真值，訓(xùn)練網(wǎng)絡(luò)并完成回歸統(tǒng)計。為了進一步增強網(wǎng)絡(luò)模型對運動行人的捕捉能力，網(wǎng)絡(luò)模型整合了原圖像與運動圖像兩種信息，訓(xùn)練出兩個獨立的模型，分別統(tǒng)計靜止的行人與運動的行人。最后，利用特征圖合并的方法，將兩個模型進行融合，形成一個完整的行人統(tǒng)計模型。

3、
　　為了驗證模型在復(fù)雜場景下的有效性，筆者采集了重慶市解放碑步行街的監(jiān)控數(shù)據(jù)，并且進行了行人位置與數(shù)量標注，作為實驗數(shù)據(jù)集。為了與目前常見的幾種行人統(tǒng)計方法對比，在兩個普遍使用的公開數(shù)據(jù)集Mall Dataset與 UCSD Dataset上完成測試，實驗結(jié)果表明，本研究提出的行人統(tǒng)計模型準確率更高、更加有效。
　　為了驗證本方法與基于目標檢測的方法相比的優(yōu)勢，研究中使用2016年準確率最高的目標檢測開源框架Faster