基于卷积神经网络的密度估计及人群计数的算法研究

摘要

由于公共安全、智能交通和城市规划等领域对密度估计及人群计数技术有着越来越迫切的实际需求，所以关于密度估计和人数统计的研究在计算机视觉领域中逐渐变得极为热门。随着国家经济的快速发展，人口城镇化举措的持续推动，城市人口与日俱增。另外随着人们生活水平和对精神文化需求的提升，逢年过节各大景点、各种商场、音乐宗教集会等现场人山人海，从而导致交通阻塞、踩踏和恐怖事件接踵而至，对人民群众的人身和财产安全造成了极大的威胁。有关部门也在持续加大人力维护治安，保障公共安全，但是单纯依靠人力监视管控依然存在局限性。如果能充分利用结合视频监控的密度估计和人群计数技术，一方面可以大量节省人力物力，另一方面也可以更加快速的对这些紧急情况进行更高效的分析、预防和处理。 在过去的几年时间里，由于深度学习的快速发展，卷积神经网络在识别、检测、跟踪、行人重识别等计算机视觉热门领域内都取得了显著的效果。与此同时，人群计数算法也已经由早期的传统方法向深度学习方法进行了成功的过渡。传统的方法通常局限于人流密集程度较低和目标尺度变化较小的情况，而基于卷积神经网络的相关密度估计方法已经发展到能够适应于各种变化的包括不同密集程度，目标尺度变化，视角透视，目标遮挡等场景。本文首先根据传统的人群计数算法特点对其进行了归类分析，也针对性的指出了其不足之处。然后重点介绍了近年来基于卷积神经网络的一些经典的密度估计算法架构，随后，并提出了改进的算法网络架构，并在一些具有挑战性的公开数据集Shanghaitech，UCF_CC_50上论证了算法的可行性和有效性。论文的具体工作如下: 1.对于基于CNN的密度估计及人群计数算法FCN中存在的不足之处，本文提出了一种基于卷积特征融合的计数算法，其主要思想是:考虑到卷积神经网络中各个卷积层包含不同的分层信息，将全卷积人群计数网络中不同卷积层所生成的特征图进行有效的融合，从而可以得到更加丰富的分层信息和对目标场景更详细的描述特征。大量的实验结果对所提出方法的有效性和鲁棒性做了充分的论证。 2.对于基于CNN的密度估计及人群计数算法MCNN中存在的不足，本文提出了一种基于序列化的多阶段人群计数网络。其主要思想是:在MCNN网络应对多尺度变化的基础上，考虑到设计出一种更深的网络，以获取更加丰富的特征描述信息。另外网络在变深的同时，在反向传播过程中易出现梯度消失现象，因此在每个阶段都采用了一个目标函数来进行中继监督优化。即在每个阶段网络上单独计算其损失，从而保证网络训练中正常的参数更新，解决过深网络难以优化的问题。