基于卷积神经网络的人群计数算法研究

摘要：

随着城市监控网络的完善,对人群图像的计数处理正产生巨大价值.传统人群计数方法存在准确度低,无法处理高遮挡图像,受光影影响大等问题.卷积神经网络在人群计数上表现出色,但仍存在精确度较低,无法排除背景图像干扰等问题.为提高对复杂人群图像的感知能力,减少背景区域对统计的影响,并同时生成人群密度特征图像,在卷积神经网络的基础上增加空间与通道注意力模型,对不同通道和不同位置的图像赋予不同的权重以增加目标区域的影响力,同时更换全连接层为上采样层,输出与输入图像大小相同的人群密度特征图像.实验中使用ShanghaiTech数据集以及NWPU-Crowd数据集进行训练与测试,在与MCNN、CSRNet等网络的比较结果中显示,使用了注意力模型与全卷积神经网络的算法在平均绝对值误差与均方误差两项数据上有较好的结果,表示该算法在高密度高遮挡的人群图像计数上有着更高的精确度.

关键词：人群计数、全卷积神经网络、注意力模型、扩张卷积、特征提取

所属期刊栏目：31

分类号：TP183(自动化基础理论)

资助基金：创新训练项目201910699020

在线出版日期：2021-08-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：42-46