基于深度学习和特征点数量的人数统计方法.pdf

"基于深度学习和特征点数量的人数统计方法" 本文提出了一种基于深度学习和特征点数量的人数统计方法，旨在解决动态场景下不同密度人群的高精度人数统计问题。该方法结合直接检测和回归方法的特点，构建了基于深度学习和特征点数量的人数统计方法。该方法引用基于深度学习的检测和语义分割的方法，检测出图片中人群位置，使用迪里赫雷特混合模型将检测结果聚类，采用基于特征点的方法统计人群数量。 深度学习在图像检测和识别领域不断取得突破，行人检测领域的准确度大幅度提高。基于深度学习的检测结果和迪里赫雷特混合模型聚类相结合，能够使人群能够有效从图片中被检测，然后采用基于特征点的方法统计人群数量。该方法在低密度数据段采用低通滤波器的方法平滑平均数据，高密度数据段则设计了聚合三帧预计数结果与帧内检测框平均置信度的数据融合方法融合数据。 人群计数是计算机视觉研究领域最基本但最具挑战性的任务之一，具有许多实际应用的课题，有着广泛的实际应用前景。人群计数，尤其是动态场景下不同密度人群的高精度人数统计，能够监测和报警，减少公共灾难，也可用于商业为商家提供消费人流量参考等。 该方法的优点在于能够在动态场景中，人群低密度和高密度情境下均能准确稳健地进行人群计数。该方法的构建成本低，检测速度快，且能够实现高密度和超高密度的场景下的人数统计。 该方法的算法框架如图１所示。将视频帧序列图片分别输入深度学习检测器和语义分割两个不同的深度学习模型，得到大量的候选框，然后对处理过的检测候选框进行特征提取，计算每个类内的人数。有别于行人检测，该算法将重点放在了精确统计人数的问题上。对聚类后的每个类进行基于特征点的人群初步计数，分析特征点和人群密度的关系，最后根据相邻帧的数据进行融合输出结果。 本文提出的一种基于深度学习和特征点数量的人数统计方法，能够在动态场景下不同密度人群的高精度人数统计，具有广泛的实际应用前景。