基于目标检测和密度分布的复杂场景人群计数

摘要

随着人口规模和社会经济的快速增长，人们在公共场所的社会活动越来越普遍，如文化娱乐、体育赛事、政治集会等，由此引发的群体性事件也日趋增多，公共场所的安全问题变得尤为重要。因此，建立一个智能人群分布监控系统，实时动态地对聚集人群进行监测分析，发现人群异常状况并发出预警信息，对管理者提前采取相应措施、避免恶性事件发生具有重要现实意义。
　　人群数量及分布统计是分析人群态势变化的关键因素之一。公共区域内情况复杂，人群分布具有较强的随机性，使得针对特定区域内的人群数量及分布估计、态势分析变得异常困难。具体地，在监控视频覆盖范围往往较大，拍摄图像景深较大，近景远景人群密度差异大并且分布随机。比如近景区域人群密度虽然较低、聚集较少，但分布散乱;而远景区域存在大量聚集、遮挡严重的情况。基于以上分析，本论文提出一种基于目标检测和密度估计的方法对人群数量及分布进行估计，来提高公共区域人群计数的精度，并扩展人群计数算法的场景适用性。
　　本论文首先利用一种基于图像深度信息引导的图像分割方法，将图像分为近景区域和远景区域两部分，然后对两个区域分别进行基于目标检测的人群统计和基于密度估计的人群统计。对于近景区域，提出了一种基于目标检测的方法计算低密度人群数量，该算法针对非密集场景可以进行实时场景中人群计数，不但可以直接输出人数还可以输出个体所在图像的具体位置;针对远景人群较为密集的情况，首先根据神经网络得出远景中的密度图，再通过密度图进行积分来求出高密度场景的人数，最终系统输出两者之和得到全局人数估计。
　　实验结果表明，本文提出的基于检测和密度分布联合的复杂场景人群密度估计的算法，在不同的数据集上验证均取得到了良好的实验结果可以准确地估计不同场景下的人群数据及分布，为公共安全管理提供真实有效的数据支撑。

目录

声明

摘要

图目录

1 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 传统方法下的人群计数

1．2．2 卷积神经网络的人群计数

1．3 本文主要研究内容

1．4 本文的组织结构

2 相关技术

2．1 卷积神经网络

2．2 目标检测

2．3 本章小结

3 低密度场景下目标检测方法的人群计数

3．1 基于YOLO算法的人群计数

3．2 实验数据集介绍

3．3 实验结果分析

3．4 本章小结

4 稠密人群场景下的人群密度估计

4．1 图像深度信息的提取与分割

4．1．1 基于神经网络的深度信息提取

4．1．2 融合深度信息的超像素分割算法

4．2 远景区域稠密人群的密度估计

4．2．1 分割线人数误差处理

4．3 联合近景目标检测与远景密度分布的全局输出

4．4 实验与结果分析

4．4．1 实验数据集

4．4．2 实验设置与结果分析

4．5 本章小结

5 总结与展望

5．1 论文总结

5．2 未来展望

参考文献

个人简历、在学期间发表的学术论文与研究成果

致谢