基于卷积神经网络和轨迹预测的人数统计方法

摘要

近年来，随着计算机技术的不断发展，智能视频监控系统己在商场、学校、火车站等公共场所大量应用，以保障社会有序稳定运行。人数统计是智能视频监控领域研究热点，在公安防控、商业信息采集以及配置社会资源和设施上具有重要意义。但是在行人监控视频中，由于行人遮挡、场景光照变化，人群分布不均等因素的影响使得现有算法难以准确统计视频中人数。 针对以上问题，本文将场景中分布不均的行人根据密度划分并提出基于卷积神经网络识别和密度特征回归相结合的人数统计算法，以应对不同复杂度的人群场景；为了避免光照变化和雨雾天气对算法造成干扰，本文算法将场景去噪增强处理后，转换到对光照变化不敏感的HSV颜色空间中判断行人位置并提取特征，避免冗余特征输入卷积神经网络；提出了使用栅极损失函数(Grid Loss)分块训练卷积神经网络的算法以实现对遮挡行人局部位置的识别；分析了纹理特征在描述密集人群分布规律的局限性，提出了融合行人密度分布图特征的回归算法以增加统计的精度；提出了通过跟踪和预测行人轨迹的算法来锁定并统计遮挡行人的算法，以增加计数精确度。 本算法在UCSD、PETS2009等数据集上进行了测试，实验结果表明本文算法相比同类算法具有更好的统计精度，解决了上述因素对人数统计算法的影响。

目录

声明

第一章 绪论

1.1研究背景及意义

1.2国内外研究现状

1.3本文主要工作与结构

第二章 人数统计相关基础

2.1 HOG和SVM行人检测算法

2.1.1 HOG特征

2.1.2 支持向量机

2.2 Haar和Adaboost行人检测算法

2.2.1 Haar特征

2.2.2 Haar特征的扩展

2.2.3 Adaboost分类器

2.3纹理特征

2.4卷积神经网络

2.4.1 卷积神经网络结构

2.4.2 Caffe框架

2.4本章小结

第三章 图像场景中行人统计算法

3.1 稀疏场景中行人目标识别算法

3.1.1对行人区域的预判

3.1.2光照变化对特征提取的影响

3.1.3 栅极损失函数设计

3.1.4 卷积神经网络的结构

3.1.5 分类器的选择

3.2密集场景中人群特征回归算法

3.2.1 纹理特征主成分分析

3.2.2 行人密度分布特征图

3.2.3 非稀疏多核回归函数

3.3本章小结

第四章 视频场景中行人统计算法

4.1马尔科夫链

4.2 k步转移概率

4.3 行人轨迹的获取算法-Meanshift跟踪算法

4.4 遮挡行人的轨迹模型建立

4.5 建立马尔科夫链

4.6状态回溯更新与轨迹预测

4.7本章小结

第五章 实验与结果分析

5.1 实验设置

5.2 实验效果

5.3 结果分析

参考文献

发表论文和参加科研情况说明

致谢