在大數(shù)據(jù)時代,隨著世界人口的快速增長與技術的進步,基于監(jiān)控視頻的人群統(tǒng)計方法有著廣泛的應用,包括公共場所安全監(jiān)控,商場情報收集和分析,公共空間設計等。現(xiàn)有的基于檢測、回歸以及卷積神經(jīng)網(wǎng)絡算法展示出了優(yōu)秀的性能,但與此同時,基于檢測和回歸的算法通用性差,以及卷積神經(jīng)網(wǎng)絡算法架構復雜的問題依然存在。在此背景下,本文將重點針對以上問題,對中等密度動態(tài)場景和高密度場景人群統(tǒng)計展開研究,具體研究內(nèi)容如下:（1）針對中等密度動態(tài)場景,提出了一種基于特征點的人群統(tǒng)計方法,該方法結(jié)合檢測與回歸方法的優(yōu)勢。本文首先分析了中等密度動態(tài)場景中存在人群密度變化以及一定程度遮擋的特點,為此確定了計算復雜度低,通用性強的檢測方法。在此基礎上,根據(jù)檢測器輸出不夠精準的問題,使用了迪里赫雷特混合模型的高效聚類。然后使用了基于特征點數(shù)量的人群統(tǒng)計方法,從而大大提高了人群統(tǒng)計的準確度。（2）在特征點人群計算方法的基礎上,提出了特征點數(shù)量和人群密度相關性的算法,并為此設計了數(shù)據(jù)融合方法。本文分析了中等密度動態(tài)場景中,人群密度快速變化的情況下,人群檢測存在漏檢和重復檢的問題。針對問題設計了特征點數(shù)量和人群密度的關系,并在中高... 

【文章來源】：福州大學福建省 211工程院校

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 引言
    1.1 研究背景與意義
    1.2 研究方法綜述
        1.2.1 基于檢測的人群統(tǒng)計方法
        1.2.2 基于回歸的人群統(tǒng)計方法
        1.2.3 基于卷積神經(jīng)網(wǎng)絡的人群統(tǒng)計方法
    1.3 主要研究內(nèi)容
    1.4 論文的結(jié)構
第二章 相關機器學習算法
    2.1 聚類方法
        2.1.1 迪里赫雷特分布
        2.1.2 迪里赫雷特過程
        2.1.3 迪里赫雷特過程的構造
    2.2 卷積神經(jīng)網(wǎng)絡原理
        2.2.1 卷積運算
        2.2.2 池化
        2.2.3 激活函數(shù)與線性整流層
        2.2.4 梯度下降
        2.2.5 結(jié)構化輸出
    2.3 本章小結(jié)
第三章 基于動態(tài)場景的中等密度人群統(tǒng)計方法研究
    3.1 算法概述
    3.2 基于積分特征通道的人群檢測方法設計
        3.2.1 積分通道特征
        3.2.2 快速構建特征金字塔
        3.2.3 基于Adaboost的分類器
    3.3 基于迪里赫雷特混合模型的聚類方法設計
        3.3.1 迪里赫雷特過程混合模型
        3.3.2 特征的選擇
        3.3.3 聚類模型的建立
    3.4 基于特征點數(shù)量與人群密度相關性設計
    3.5 實驗及分析
        3.5.1 實驗數(shù)據(jù)
        3.5.2 實驗分析
    3.6 本章小結(jié)
第四章 基于卷積神經(jīng)網(wǎng)絡的高密度人群統(tǒng)計方法研究
    4.1 算法概述
    4.2 全卷積神經(jīng)網(wǎng)絡設計
        4.2.1 從全連接層到卷積層的設計
        4.2.2 上采樣
        4.2.3 跳躍結(jié)構
    4.3 損失函數(shù)
    4.4 計數(shù)模型設計
    4.5 高密度人群統(tǒng)計的全卷積神經(jīng)網(wǎng)絡設計
    4.6 實驗過程與分析
        4.6.1 實驗數(shù)據(jù)
        4.6.2 實驗分析
    4.7 本章小結(jié)
總結(jié)與展望
參考文獻
致謝
在學期間的研究成果及發(fā)表的學術論文


【參考文獻】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機應用. 2016(09)
[2]狄利克雷過程混合模型、擴展模型及應用[J]. 梅素玉,王飛,周水庚.  科學通報. 2012(34)
[3]一種基于高斯混合模型的距離圖像分割算法[J]. 向日華,王潤生.  軟件學報. 2003(07)
[4]零代價函數(shù)的前饋神經(jīng)網(wǎng)絡新算法[J]. 張代遠.  計算機工程與應用. 2000(10)



本文編號：3478659