导读:本文包含了人群密度估计论文开题报告文献综述及选题提纲参考文献，主要关键词:计算机视觉,人群密度估计,卷积神经网络,密度图
人群密度估计论文文献综述
赵威,吴晓红,刘文璨,何小海,卿粼波[1]（2019）在《基于多信息卷积神经网络的人群密度估计》一文中研究指出针对现有人群密度估计方法在实际应用中容易受到环境干扰、适应性不强等限制,提出一种基于多信息卷积神经网络的人群密度估计方法。首先,根据样本数据的特点生成数据密度图标注与数据增强;然后,为适应不同真实场景的巨大差异,提取图像的色调、色饱和度、灰度(HSG)信息作为训练数据的输入,并利用共享卷积层、结合两个子网络不同卷积深度的特征构建网络模型;最后,对网络输出的密度图进行积分,得到相应的人数。与主流方法对比,在Shanghaitech数据集上进行的相关实验证明了所提方法的良好性能。(本文来源于《光电技术应用》期刊2019年06期）
赵康[2]（2019）在《Gabor滤波结合LS-SVM的人群密度估计算法设计》一文中研究指出针对现有方法在高密度场景人群密度估计不够准确的问题,提出了Gabor滤波结合最小二乘支持向量机(LS-SVM)的人群密度估计算法。首先,设计一组单独的二维Gabor滤波器应用在人群图像中以产生相应的滤波通道。然后,通过计算这些通道上灰度值的均值和方差得到特征向量。最后,采用最小二乘支持向量机分析特征向量和人数之间的关系,完成最终的密度估计。在UCSD数据集和Mall数据集上的实验显示,提出的方法实现了更快的执行时间和更好的精度,证明了基于Gabor滤波器和LS-SVM的人群密度估计算法的有效性。(本文来源于《电子设计工程》期刊2019年14期）
孙永超[3]（2019）在《小规模人群密度估计与异常行为检测》一文中研究指出在当今社会复杂环境下,公共安全问题日益突出,已成为很多国家研究的热点问题之一,为了保护人民群众的公共财产安全,建立一套完整的智能监控系统是十分必要的。在智能监控系统中,尤其重要的是对公共场合的人群运动检测与预警,是目前避免问题事故发生的主要手段。本文主要从人群密度估计、异常行为检测两个部分展开了研究。主要内容如下:1.提出一种改进混合高斯建模的人群前景提取方法。对原始帧图像做灰度化以及二值化处理,运用中值滤波法消除噪声,得到平滑图像,最后使用改进的高斯混合模型实现对人群目标的前景提取。通过实验表明,在对前景影响不大的情况下,该方法的计算时间只需要原来的叁分之一,显示出了该方法的优越性。2.提出一种像素统计与纹理特征相结合人群密度估计方法。对帧图像中的前景图像像素和边缘像素进行统计求和,并根据实验设定阈值T(28)38000,如果像素和小于阈值,使用基于前景像素和边缘像素的线性回归人群密度估计方法,通过人为标记获取低密度人群的前景像素数、边缘像素数以及人群人数数量,得到最后的拟合函数关系。如果像素和大于此阈值,则使用基于纹理分析和SVM分类的人群密度等级估计方法,使用灰度共生矩阵提取帧图像在0°和90°两个方向的4个纹理特征,组成1个8维的特征向量并输入到由3个二分类器构成的SVM中,完成对较高密度人群等级进行分类。3.提出一种基于光流的打架斗殴行为检测方法。在确定距离之后,使用L-K光流算法得出归一化方向直方图的主体方向,并计算出归一化直方图的熵,如果都符合预设要求,则判断打架斗殴行为发生。最后根据校园自行拍摄视频进行实验,证明了本文算法的有效性。使用像素统计与纹理特征相结合人群密度估计方法时输出的正确率在80%左右,对模拟打架斗殴视频进行检测发现,打架斗殴识别率较高,且区别两人同行和两人打架斗殴行为的正确率在75%以上。正确的人群密度估计和异常行为检测对于保障社会稳定,维护公共安全有深远的意义。(本文来源于《新疆大学》期刊2019-06-30）
常秋[4]（2019）在《监控视频中的人群和车辆密度估计算法研究》一文中研究指出近些年来,随着社会的发展以及人们经济水平的提高,公众出行、大型集会等各种活动日益增多,人们对社会安全的要求也随之提高。伴随着监控等视频数据的不断增长,人群行为、车辆疏通等方面的数字化研究日趋可行。同样,研究监控画面中的人群和车辆,离不开计算机视觉的技术支持。GPU(Graphics Processing Unit)的提出与发展,为计算机处理大量而复杂的图像数据提供了便利的条件。除了分析人群、车辆行为的意义,本文还介绍了关于卷积神经网络的基础知识,包括网络的主要组成、几种经典卷积神经网络和常见的深度学习框架。同时,介绍了当前对人群和车辆密度分析的计数手段,主要包括一些传统的基于物理分析的方法,以及当前研究比较多的基于深度学习的方法。本文工作内容主要包括叁个部分。第一,给出一组操场人群数据集,丰富计算机视觉领域的图像数据集。第二,不同卷积神经网络在交通数据集上完成车辆计数,同时验证网络的泛化能力。第叁,针对计数问题中人群、车辆密度分布不均衡的场景问题,提出自适应密度学习框架。自适应密度学习框架基于图像不同的场景密度大小分开计数,不同密度高低的分块图像场景针对性地使用检测和回归的计数手段,进而积分获得检测目标总数,有效提高了系统的检测精度。本文提出的自适应密度学习框架可以为人群和车辆等计数研究提供思路和方法,提出的数据集可以作为相关研究的数据基础。(本文来源于《北京邮电大学》期刊2019-05-28）
范超超[5]（2019）在《基于卷积神经网络的密度估计及人群计数的算法研究》一文中研究指出由于公共安全、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着的效果。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,因此我们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。(本文来源于《安徽大学》期刊2019-05-01）
郭强,刘全利,王伟[6]（2019）在《Fast SqueezeNet算法及在地铁人群密度估计上的应用》一文中研究指出针对地铁视频监控一直缺乏一种有效的人群密度分类器的问题,提出了基于人群密度估计算法—Fast SqueezeNet的人群密度分类器,用于在地铁嵌入式计算平台有限的硬件资源限制下,实现对地铁车厢内人群的密度估计.该算法基于轻型卷积神经网络SqueezeNet,结合权值稀疏化和结构稀疏化方法,具有如下3点优势:1)以原始图像作为输入,并在处理的过程中自动提取纹理特征用于拥挤人群密度的估计;2)SqueezeNet经过权值稀疏化后,具有更少的模型参数,可以灵活的布置在安谋(ARM)等具有有限硬件资源的嵌入式平台上;3)结构稀疏化方法使得SqueezeNet具有更快的前向预测速度,提高其在地铁嵌入式平台上的图像处理效率.在3个人群密度数据集PETS_2009,Mall和ShangHai metro上,采用Fast SqueezeNet算法的叁分类人群密度分类器,与基于卷积神经网络和单纯的权值稀疏化SqueezeNet网络的分类器进行对比实验研究,结果表明:在预测准确率、参数规模和运行时间3个维度上,基于Fast SqueezeNet的分类器均表现出了较好的性能,有效地克服了地铁车厢拥挤人群中存在的高密度、高耦合、透视变形等图像识别难题对估计结果的影响.最后,在ARM嵌入式平台上的实验表明基于Fast SqueezeNet的分类器可以在有限的硬件资源下,快速准确的得到预测结果,满足高速运行的地铁列车日常使用需求.(本文来源于《控制理论与应用》期刊2019年07期）
刘思琦,郎丛妍,冯松鹤[7]（2019）在《基于对抗式扩张卷积的多尺度人群密度估计》一文中研究指出目的人群密度估计任务是通过对人群特征的提取和分析,估算出密度分布情况和人群计数结果。现有技术运用的CNN网络中的下采样操作会丢失部分人群信息,且平均融合方式会使多尺度效应平均化,该策略并不一定能得到准确的估计结果。为了解决上述问题,提出一种新的基于对抗式扩张卷积的多尺度人群密度估计模型。方法利用扩张卷积在不损失分辨率的情况下对输入图像进行特征提取,且不同的扩张系数可以聚集多尺度上下文信息。最后通过对抗式损失函数将网络中提取的不同尺度的特征信息以合作式的方式融合,得到准确的密度估计结果。结果在4个主要的人群计数数据集上进行对比实验。在测试阶段,将测试图像输入训练好的生成器网络,输出预测密度图;将密度图积分求和得到总人数,并以平均绝对误差(MAE)和均方误差(MSE)作为评价指标进行结果对比。其中,在Shanghai Tech数据集上Part_A的MAE和MSE分别降至60. 5和109. 7,Part_B的MAE和MSE分别降至10. 2和15. 3,提升效果明显。结论本文提出了一种新的基于对抗式扩张卷积的多尺度人群密度估计模型。实验结果表明,在人群分布差异较大的场景中构建的算法模型有较好的自适应性,能根据不同的场景提取特征估算密度分布,并对人群进行准确计数。(本文来源于《中国图象图形学报》期刊2019年03期）
贾翻连,张丽红[8]（2019）在《基于改进的卷积神经网络的人群密度估计》一文中研究指出人群密度估计是视频监控的一个研究热点,为了得到更为准确的估计率,将卷积神经网络应用到人群密度估计中。卷积神经网络在特征提取时能够高效自适应学习深层次的特征,体现了其在深度学习领域的优越性,但在预处理时会出现振荡现象,且卷积层与子采样层间特征图的大小匹配会影响计算速度和时间。对此,提出离散小波变换替换卷积神经网络中的子采样层,并对网络中的权重矩阵进行重新计算,通过权重自适应改善预处理时的振荡现象,提高卷积网络中特征图大小的匹配度,并将之应用到人群密度估计,以有效地提高数据间的相关性,增强网络的学习能力,提高人群密度等级分类的准确率。实验结果表明,改进后的网络具有较好的学习及分类效果和鲁棒性,对人群密度能够进行较为准确和快速的估计。(本文来源于《计算机技术与发展》期刊2019年02期）
江中华[9]（2018）在《人群密度估计综述》一文中研究指出智能视觉人群监控技术利用机器视觉和智能图像处理来观察分析场景内容,替代人工监控,从而实现监控的自动化和智能化。作为人群监控的一个主要任务,人群密度估计有着十分重要的理论与现实意义。本文根据其估计目标与要求的不同,对现有的一些人群密度的估计方法进行综述,并总结国内外的研究现状。(本文来源于《轻工科技》期刊2018年10期）
黄丽辉[10]（2018）在《局部二值平均熵模式与深度残差网络的人群密度估计》一文中研究指出针对人群密度估计算法中场景的人群遮挡、尺度光照变化、噪声和低分辨率等问题,提出了一种结合局部二值熵值纹理特征(ELBP)与深度残差网络的人群密度估计算法。该算法首先在原始RGB人群图像上提取LBP特征;然后通过计算邻域像素点的平均信息熵模式构建ELBP纹理特征;随后基于ELBP纹理特征构建了一个深度为18层的深度残差网络;最后形成了对人群密度估计的end-to-end模式。为验证算法的可行性和有效性,在开源的人群密度估计数据集上进行实验。首先邀请10位专家对开源的数据集进行有效的人群聚集标注作为真实输出标签;随后采用研究提出的算法对人群密度完成估计,并与真实结果进行比较。另外,在叁种不同的特征和叁种不同的机器学习模型上进行了横向比较。实验结果表明,提出的ELBP纹理特征能够很好地应对噪声和低分辨率问题;深度残差网络则能够解决人群遮挡、尺度光照变化的问题。与传统算法相比,提出的算法能够提升人群密度估计的性能。(本文来源于《科学技术与工程》期刊2018年27期）
人群密度估计论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对现有方法在高密度场景人群密度估计不够准确的问题,提出了Gabor滤波结合最小二乘支持向量机(LS-SVM)的人群密度估计算法。首先,设计一组单独的二维Gabor滤波器应用在人群图像中以产生相应的滤波通道。然后,通过计算这些通道上灰度值的均值和方差得到特征向量。最后,采用最小二乘支持向量机分析特征向量和人数之间的关系,完成最终的密度估计。在UCSD数据集和Mall数据集上的实验显示,提出的方法实现了更快的执行时间和更好的精度,证明了基于Gabor滤波器和LS-SVM的人群密度估计算法的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
人群密度估计论文参考文献
[1].赵威,吴晓红,刘文璨,何小海,卿粼波.基于多信息卷积神经网络的人群密度估计[J].光电技术应用.2019
[2].赵康.Gabor滤波结合LS-SVM的人群密度估计算法设计[J].电子设计工程.2019
[3].孙永超.小规模人群密度估计与异常行为检测[D].新疆大学.2019
[4].常秋.监控视频中的人群和车辆密度估计算法研究[D].北京邮电大学.2019
[5].范超超.基于卷积神经网络的密度估计及人群计数的算法研究[D].安徽大学.2019
[6].郭强,刘全利,王伟.FastSqueezeNet算法及在地铁人群密度估计上的应用[J].控制理论与应用.2019
[7].刘思琦,郎丛妍,冯松鹤.基于对抗式扩张卷积的多尺度人群密度估计[J].中国图象图形学报.2019
[8].贾翻连,张丽红.基于改进的卷积神经网络的人群密度估计[J].计算机技术与发展.2019
[9].江中华.人群密度估计综述[J].轻工科技.2018
[10].黄丽辉.局部二值平均熵模式与深度残差网络的人群密度估计[J].科学技术与工程.2018