基于单列深度时空卷积神经网络的人群计数

突发性人群聚集会给人们的人身安全带来隐患,因此,对高风险区域进行有效的人群计数具有重要意义。针对多列神经网络结构臃肿、冗余信息多及耗时长等问题,提出了一种基于单列深度时空卷积神经网络的人群计数模型,并对模型进行改进,以满足视频图像计数的需要。首先,在全卷积神经网络(FCN)中加入空洞卷积和跳级连接特征融合,以提高网络提取特征的能力。然后,为了减少视频监控产生的角度畸变对计数结果的影响,在长短期记忆(LSTM)网络结构中加入空间变换模块;为了提高网络计数结果的精确性,用残差连接方式连接改进的FCN和关联时序的LSTM网络。最后,在UCSD、Mall和自建人群数据集上分别进行测试,结果表明,相比其他模型,本模型的人群计数准确性和鲁棒性更好。