利用建筑物內(nèi)已有監(jiān)控攝像頭進行人員分區(qū)計數(shù)具有無需額外布設傳感器網(wǎng)絡、數(shù)據(jù)豐富、估計精度高等優(yōu)點,該方法已成為計算機視覺研究的一個重要領域,而獲取建筑物內(nèi)人員分布對建筑智能控制又有著重要意義,面向建筑節(jié)能的室內(nèi)人員計數(shù)研究已成為學術(shù)界和工業(yè)界的一大研究熱點。因此,本文針對不同的應用場景,對建筑物內(nèi)區(qū)域人員數(shù)量估計開展了一些研究,設計了兩種基于視頻監(jiān)控的室內(nèi)人員計數(shù)方法以及一種基于二項分布的人員計數(shù)修正算法。本文研究的內(nèi)容及成果主要有以下三個方面:首先,針對室內(nèi)有效區(qū)域圖像可被獲取的場景,基于建筑物室內(nèi)環(huán)境特點,使用了一種基于圖像分析的人員計數(shù)方法,并針對單幀圖像往往無法準確檢測圖像的人頭區(qū)域,可能存在被遮擋、誤檢、漏檢等情況,使用了一種基于聚類分析的人數(shù)修正方法。該方法首先評估室內(nèi)環(huán)境特點,對ROI（region of interest）區(qū)域進行了提取,然后使用級聯(lián)的Adaboost（adaptive boosting）分類器和卷積神經(jīng)網(wǎng)絡與SVM（support vector machine）分類器對區(qū)域內(nèi)的人頭目標進行檢測以實現(xiàn)人員計數(shù)。針對單幀圖像檢測中可能存在的漏檢、誤檢問題,... 

【文章來源】：安徽建筑大學安徽省

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【部分圖文】：

人數(shù)檢測過程示意圖

徽建筑大學碩士學位論文 第二章 基于圖像分析的人員計數(shù)方法.2.2 基于 CNN-SVM 分類器的頭部檢測經(jīng)過 Adaboost-HOG 分類器的初步篩選已經(jīng)剔除了大部分的非人頭樣本，下一就是繼續(xù)將已篩選出樣本中的人頭繼續(xù)使用高精度的分類器將其檢測出來。利用NN 對 Adaboost 分類器生成的候選框進行分類可以獲得較高的召回率和較高的分精度。本文的 CNN 網(wǎng)絡結(jié)構(gòu)圖如圖 2-3 所示：

圖 2-4 Mall 數(shù)據(jù)集圖 2-5 MIT 數(shù)據(jù)集員的頭部數(shù)據(jù)集較少且不滿足訓練像素的要求的問題員監(jiān)控系統(tǒng) 24 小時不斷采集的室內(nèi)視頻，通過手工截方式對正樣本與負樣本進行了為期三個月的采集。在量對最終模型的訓練有著至關(guān)重要的影響。為此我們訓與標注。實驗中的正樣本為只包含人頭區(qū)域的圖像，負像。為了使訓練后的模型的更適用于實際應用的場景、不同背景下、不同年齡、不同發(fā)型與姿勢情況下的

【參考文獻】：
期刊論文
[1]我國智能建筑現(xiàn)狀及發(fā)展趨勢[J]. 湯新中,胡英哲.  科技成果縱橫. 2008(03)
[2]我國智能建筑的發(fā)展趨勢及對策[J]. 朱津津,賈福偉.  工程設計CAD及自動化. 1998(04)

博士論文
[1]空調(diào)冷凍站“無中心控制”系統(tǒng)研究[D]. 代允闖.清華大學 2016
[2]智能建筑無中心平臺架構(gòu)研究[D]. 沈啟.清華大學 2015

碩士論文
[1]基于機器學習算法的視頻人數(shù)統(tǒng)計方法研究[D]. 焦會英.北京交通大學 2018
[2]監(jiān)控場景中人數(shù)統(tǒng)計算法的研究與應用[D]. 馬海軍.安徽大學 2016
[3]WiFi指紋定位及跟蹤技術(shù)研究[D]. 葉歡.大連理工大學 2014



本文編號：3034169