基于深度学习的行人流量统计算法研究

摘要

近年来，计算机视觉技术逐渐成熟，其在智能监控领域的应用愈加广泛。大量原本需要人工完成的工作都可以由视觉算法来替代，极大地节约了人力成本。而在智能监控领域中，行人流量统计这一技术在商场、校园等场合都有着广泛的需求和应用，因此设计出一套智能的行人流量统计算法是十分有必要的。另一方面，如果能够将近期兴起的深度学习技术应用于其中，则将极大地提升算法的性能。
　　本文研究并设计了一种基于深度学习的行人流量统计算法。本文通过综合应用基于深度学习的目标检测算法、单目标跟踪算法、数据关联算法等方法，设计了一套框架为“检测-跟踪-关联”的算法，用来完成对监控视频中行人流量的统计。本文主要进行了以下研究工作：
　　首先，本文探究了行人流量统计的应用背景并阐述了研究的意义，然后分析了行人流量统计技术和基于深度学习的目标检测算法的发展现状，接下来阐述了本文的主要研究内容和研究方案，在研究方案中给出设计好的总体算法和框架。
　　在制定了较为完善的研究方案的基础上，本文首先研究了卷积神经网络的组成结构和优化方法。然后回顾了传统目标检测算法和近年来产生的基于卷积神经网络的目标检测算法，最后确定使用SSD算法作为行人流量统计中的目标检测算法。接下来，本文研究了SSD算法的框架与原理，包括网络结构、缺省框的选择和训练目标函数等。之后，重点研究了 SSD中的基网络，参照 SSD原始基网络VGG和流行的CNN网络结构ZF-Net和SqueezeNet，重新设计了两种基网络并与VGG进行比较，结合实际需求最终确定了还是使用VGG作为基网络。
　　在完成了对基于卷积神经网络的检测算法的研究后，本文还研究了需要使用的跟踪算法、数据关联算法和轨迹分析算法。确定了使用KCF算法作为跟踪算法，并直接使用OpenCV中的跟踪库。关联算法选取简单快速的基于距离的关联算法。最后设计了轨迹分析算法来实现双方向的计数。完成上述工作后，算法便已经完整。
　　最后，阐述了实际的操作，包括摄像头的架设和样本视频的采集、检测图像数据集的制作、SSD检测器的训练、跟踪算法的实现、关联与轨迹分析算法的设计要点。然后使用设计的算法对所有样本视频进行分析，采用一些性能指标对其表现进行评价，其中平均识别率达到了96.24%，平均误检率为2.19%，平均漏检率为3.76%，全部视频平均帧率为24.09。结果表明所设计的算法可以能够满足项目的需求。

目录

第1章 绪论

1.1 课题来源及研究背景和意义

1.2 国内外在该方向的研究现状

1.3 主要研究内容及章节安排

1.4 本课题的研究方案

第2章 卷积神经网络基础理论研究

2.1 概述

2.2 卷积神经网络的概念

2.3 卷积神经网络的组成

2.4 卷积神经网络的训练

2.5 本章小结

第3章 基于深度学习的目标检测算法

3.1 概述

3.2 三个基本概念

3.3 传统目标检测算法

3.4 基于CNN的目标检测算法

3.5 深度卷积回归网络SSD

3.6 本章小结

第4章 跟踪、关联与轨迹分析算法

4.1 概述

4.2 单目标跟踪算法

4.3 关联算法

4.4 轨迹分析算法

4.5 本章小结

第5章 实验测试与分析

5.1 概述

5.2 客流摄像头的布置和所获取的视频

5.3 检测器的设计制作

5.4 跟踪程序的设计细节与效果

5.5 关联与轨迹分析程序设计细节与效果

5.6 算法的性能测试与结果分析

5.7 本章小结

结论

参考文献

攻读硕士学位期间发表的论文及其他成果

声明

致谢