改进的基于卷积神经网络的人数估计方法

被引：7

作者：

张红颖

王赛男

胡文博

机构：

[1] 不详

[2] 中国民航大学电子信息与自动化学院

[3] 不详

来源：

激光与光电子学进展 | 2018年 / 12期

关键词：

机器视觉; 人数估计; 卷积神经网络; 深度学习; 人群密度;

D O I：

暂无

中图分类号：

TP391.41 []; TP183 [人工神经网络与计算];

学科分类号：

080203 ;

摘要：

估算监控场景中的人数是安防监控的重要任务之一,当人群密集、行人之间存在遮挡时,人数估计较困难。因此,针对密集场景下的人数估计问题,提出了一种改进的基于卷积神经网络的人数估计方法。为了改善摄像透视畸变带来的影响,分别利用深层网络和浅层网络提取人群特征,深层和浅层网络分别设计了不同核大小的卷积层,并将提取到的特征通过一个具备多尺度提取能力的结构进行融合。实验结果表明,改进后的网络模型所获取的人群密度图更加贴近原场景信息,人数估计结果也更加精确。

引用

页码：392 / 398

页数：7

共 7 条

[1] 三维深度图像在自动客流计数系统中的应用
尹章芹
顾国华
陈钱
钱惟贤
[J]. 中国激光, 2014, 41 (06) : 198 - 204
[2] 基于SURF的高密度人群计数方法
梁荣华
刘向东
马祥音
王子仁
宋明黎
[J]. 计算机辅助设计与图形学学报, 2012, (12) : 1568 - 1575
[3] A survey of recent advances in CNN-based single image crowd counting and density estimation[J] . Vishwanath A. Sindagi,Vishal M. Patel.Pattern Recognition Letters . 2018
[4] Dense crowd counting from still images with convolutional neural networks[J] . Yaocong Hu,Huan Chang,Fudong Nian,Yan Wang,Teng Li.Journal of Visual Communication and Image Represe . 2016
[5] An evaluation of crowd counting methods, features and regression models[J] . David Ryan,Simon Denman,Sridha Sridharan,Clinton Fookes.Computer Vision and Image Understanding . 2014
[6] Imagenet classification with deep convolutional neural networks .2 Alex K,Sutskever I,Hinton G E. Neural Information Processing Systems (NIPS) . 2012
[7] Learning To Count Objects in Images .2 Lempitsky V,Zisserman A. Neural Information Processing Systems (NIPS) . 2010

← 1 →