基于残差神经网络改进的密集人群计数方法

摘要：

为避免密集人群踩踏事件发生,从监控图像中准确获取密集人群人数信息非常重要.针对密集人群计数难度大、人群目标小、场景尺度变化大等特点,本文提出一种新型神经网络结构VGG-ResNeXt.本网络使用VGG-16的前10层作粗粒度特征提取器,使用改进的残差神经网络作为细粒度特征提取器.利用改进的残差神经网络"多通道,共激活"的特点,使得单列式人群计数神经网络获得了多列式人群计数网络的优点(即从小目标、多尺度的密集人群图像中提取更多人群特征),同时避免了多列式人群计数网络训练难度大、结构冗余等缺点.实验结果表明本模型在UCF-CC-50数据集、ShangHaiTech B数据集和UCF-QNRF数据集中取得了最高精度,MAE指标分别优于其他同期模型7.5％、18.8％和2.4％,证明了本模型的在计数精度方面的有效性.本研究成果可以有效帮助城市管理,有效缓解公安疏导压力,保障人民生命财产安全.

关键词：图像;密集人群;人群计数;特征提取;神经网络;单列式神经网络;改进残差结构

所属期刊栏目：23

资助基金：国家重点研发计划项目子课题2017YFB0503503

在线出版日期：2021-10-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1537-1547