視頻群體行為識別是計算機視覺中一個具有挑戰(zhàn)性的任務。由于場景變換、復雜的人群分布、透視效應等問題給人群密度分析、人群檢測以及群體行為分析帶來了諸多的研究難點,卷積神經(jīng)網(wǎng)絡為上述難點提供了可靠的解決方案。本學位論文以群體密度分析與視頻中的群體行為識別為目標,首先設計一種基于深度分離空洞卷積神經(jīng)網(wǎng)絡的人群密度估計方法,然后設計一種基于密度圖回歸引導分類的人群檢測與定位方法,最后設計一種基于密度等級劃分的人群行為分析方法完成人群密度分析與視頻群體行為檢測。本學位論文的創(chuàng)新工作如下:(1)提出一種深度分離空洞卷積神經(jīng)網(wǎng)絡模型,用于在人群高度密集場景下的人群密度分析與人群計數(shù)。深度分離空洞卷積可以更有效的提取圖像多尺度的特征,并利用空洞卷積神經(jīng)網(wǎng)絡在不增加參數(shù)的情況下擴大感受野,并加入分離層以及呈鋸齒狀的空洞率克服空洞卷積的網(wǎng)格效應,提高模型的計算效率,生成高質量的人群密度圖。在Shanghai Tech＿A/B數(shù)據(jù)集,UCF-CC-50數(shù)據(jù)集上對該模型進行評估,實驗結果表明該模型預測誤差較小,預測得到的人群密度概率圖質量高并且與真實的密度圖像分布相似。(2)基于深度圖像使用深度自適應高斯函數(shù)生...

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【部分圖文】：

圖3.1估計透視圖

南京郵電大學專業(yè)學位碩士研究生學位論文第三章基于深度分離空洞卷積神經(jīng)網(wǎng)絡的人群密度估計為175厘米，對其從頭到腳用一條直線進行標記，對每張圖像的標記線進行線性回歸生成透視圖像，透視圖D中若像素值為e,則設置高斯參數(shù)σ=0.2D(e)，透視圖中暖色調(diào)表示人群密....

圖3.2感受野計算

南京郵電大學專業(yè)學位碩士研究生學位論文第三章基于深度分離空洞卷積神經(jīng)網(wǎng)絡的人群密度估計20RawImageConv1Conv2圖3.2感受野計算計算感受野大小時忽略圖像邊緣的影響，即不考慮padding的大小，將輸入圖片記為第0層，其后的卷積層和池化層的卷積核大小和步長的大小會對....

圖3.3空洞卷積

南京郵電大學專業(yè)學位碩士研究生學位論文第三章基于深度分離空洞卷積神經(jīng)網(wǎng)絡的人群密度估計21（a）（b）（c）圖3.3空洞卷積空洞卷積雖然有諸多優(yōu)點，但在使用時仍然存在問題，如感受野的跳躍性，以及對小尺度物體檢測時可能存在漏檢情況，本文在3.2.2章節(jié)將針對這些問題進行改進，以便于....

圖3.1ShanghaiTechA人群密度分布圖

南京郵電大學專業(yè)學位碩士研究生學位論文第三章基于深度分離空洞卷積神經(jīng)網(wǎng)絡的人群密度估計26張測試圖像，圖像的分辨率均為768×1024，A部分密度較高，B部分相較于A部分人群密度相對稀疏。本節(jié)對提出的模型進行了評估，并與最新的幾個研究方法進行了比較，比較結果如表3.2所示，人群分....

本文編號：3922265