基于卷积神经网络的人群密度估计(2)

电子科技大学UNIVERSITYOFELECTRONICSCIENCEANDTECHNOLOGYOFCHINA硕士学位论文MASTERTHESIS论文题目基于卷积神经网络的人群密度估计学科专业计算机应用技术学号201121060441作者姓名付敏指导教师叶茂教授分类号密级UDC注1学位论文基于卷积神经网络的人群密度估计（题名和副题名）付敏（作者姓名）指导教师叶茂教授电子科技大学成都（姓名、职称、单位名称）申请学位级别硕士学科专业计算机应用技术提交论文日期2014.03.27论文答辩日期2014.05.16学位授予单位和日期电子科技大学2014年6月答辩委员会主席评阅人注1：注明《国际十进分类法UDC》的类号。CROWDDENSITYESTIMATIONBASEDONCONVOLUTIONALNEURALNETWORKAMasterDissertationSubmittedtoUniversityofElectronicScienceandTechnologyofChinaMajor:ComputerAppliedTechnologyAuthor:FuMinAdvisor:Prof.YeMaoSchool:SchoolofComputerScienceandEngineering4独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。作者签名：日期：年月日论文使用授权本学位论文作者完全了解电子科技大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。（保密的学位论文在解密后应遵守此规定）作者签名：导师签名：日期：年月日摘要I摘要近年来随着经济水平发展，人口快速增长，由于人群聚集引起的骚乱已经不止一次的发生，人群监控也变得越来越重要，但是靠人力来实现人群监控容易产生疲劳并且容易受到个人主观因素影响，与此同时，计算机视觉技术日趋成熟，它在工程中的应用范围已经扩展到车牌识别、人脸检测、指纹识别等生活的方方面面，由此更加促进了人群密度自动估计方法的研究。人群密度等级估计和人群流量统计是人群监控的2个重要研究方向。人群密度等级估计将人群按照密集程度划分为不同等级，通过特征分析及分类手段估计人群密度，常应用于人群密度的预警。而人群流量统计侧重于统计人数，要求结果能精确到人数。人群密度估计主要分为特征提取和人群密度分类两步。现有的人群密度估计方法，为了提升效果，特征提取方法往往设计得非常复杂，这在一定程度上使得检测速度难以兼顾。同时，人群密度估计常用的支持向量机等分类方法都属于浅层学习方法，在分类效果上都存在一定的局限性。然而，近年来，随着深度学习不断取得成绩，这种深度、多层次的结构模型越来越受到重视。深度卷积神经网络作为具有代表性的深度学习模型方法之一，通过多隐层的网络结构，深度提取图像的高层特征，并通过特征学习避免了复杂的特征设计过程。本文通过对人群密度估计方法进行研究，将卷积神经网络引入人群密度估计中，通过改进网络结构，提出了一种基于卷积神经网络的人群密度估计快速算法，本文的主要工作如下：1）研究了多种特征提取方法和分类方法，并创新性地将卷积神经网络应用于人群密度估计中，将人群密度划分为不同密度等级，通过不同密度等级的分类，实现对人群密度的告警。2）提出了一种采用基于卷积神经网络的人群密度估计快速算法。通过优化卷积神经网络结构提高计算速度，并通过构造级联网络，提高模型的准确度。最后将模型应用于人群密度估计，并通过大量的实验对比，验证了我们方法的高效性。3）实现了一个基于卷积神经网络的人群密度告警系统，针对人群密度图像的成像特点，加入了几何校验模块，进一步提高了检测结果的准确性。关键词：人群密度，卷积神经网络，纹理特征，回归，支持向量机ABSTRACTIIABSTRACTWiththedevelopmentofeconomyandfastgrowthofpopulation,thedisturbancescausedbythecrowdhaveincreased.Basedonthefactofthat,crowdmanagementhasgainedmoreandmoreattentions.Butmonitoringcrowdonlybymanualworkislikelytobeaffectedbyfatigueandpersonalwill.Atthesametime,computervisiontechnologyhasbeenwidelyusedinvehiclelicenserecognition,facerecognitionandfingerprintrecognition,whichalsoenhancestheresearchofautomationforcrowdmanagementandcontrol.Crowddensityestimationandcrowdflowsurveillancearetwoimportantdirectionsforcrowdmanagement.Crowddensityestimationisoftenusedforprecaution,incaseofthecrowdextendsthesafetymargin.Thecrowdflowsurveillancefocusesonpeoplecountingandisoftenusedinsomeapplicationswhichneedtounderstandtheexactnumberofpeople.Crowdestimationcontainstwosteps:featureextractionandcrowddensityclassification.Thedevelopedmethodsexistsomeproblems:Topromotetheeffectofcrowddensityclassification,researchersdevelopedmanycomplicatefeatureextractionmethodswhich,asaresult,lowersdownthedetectionspeed.Besides,theclassificationmethodssuchasSVMareshallowlearningmethodswhichcontainlimitationstosomeextent.Recently,asthedevelopingofdeeplearning,peopleputhighvalueonitsmultiplelayerstructure.Asarepresentativemodelofdeeplearning,deepconvolutionneuralnetworkextractshighlevelfeaturesbasedonitsmulti-layerstructurethroughfeaturelearning.Inthisthesis,weintroduceconvolutionneuralnetworkintocrowddensityestimationandmakesomeinnovationsonthenetworkstructureandthemainworksareasfollows:1)Weanalysis3featureextractionmethodsand2classificationmethodsandweintroduceconvolutionneuralnetworkintocrowddensityestimation.2)Weproposeafastmethodofcrowddensityestimationbasedonconvolutionneuralnetwork.Weoptimizethestructureofconvolutionneuralnetworktospeedupthedetectionandfurtherdevelopacascadeoptimizednetworktoimprovetheaccuracy.Finally,weapplytheoptimizedmodelintocrowddensityestimationandconductmanyABSTRACTIIIcontrastexperimentswhichprovetheefficiencyofourmethod.3)Wedevelopacrowddensitysurveillancesystembasedontheimprovedmethod.Consideringthecharacteristicofcrowdimage,weaddgeometriccalibrationintooursystemtoimprovetheeffect.Keywords:crowddensity,convolutionneuralnetwork,textureanalysis,regression,SVM目录IV目录第一章绪论........................................................11.1选题背景....................................................11.2人群密度分析的研究意义......................................11.3国内外研究现状和发展趋势....................................21.3.1人群密度等级估计的研究现状.............................31.3.2人群人数统计的研究现状.................................51.3.3特征分类模型研究现状...................................61.4本文的研究内容..............................................81.5章节安排....................................................9第二章人群密度等级估计相关理论...................................102.1特征分析方法介绍...........................................102.1.1GLDM特征提取算法....................................112.1.2LBP特征提取算法.......................................122.1.3小波分析特征提取算法..................................152.2人群密度等级分类...........................................162.2.1SVM分类器............................................162.2.2BP神经网络............................................212.3本章小结....................................................26第三章人群密度等级估计的实现..............