基于并行卷积神经网络的人群密度估计方法

人群密度自动估计是智能视频分析的研究内容之一.目标之间相互遮挡、背景复杂等因素影响了人群密度估计的准确性.随着数据规模的不断扩大,深入学习已经成为数据处理中非常有用的工具.本文提出了一种并行卷积神经网络模型,对人群密度进行估计并分类.首先,将图片进行分块并将之作为并行卷积神经网络的输入;然后,基于不同区域采用不同的卷积核提取不同的特征,并进行特征融合;最后,将其进行分类,并得到分类结果.实验表明:该网络具有较好的学习及分类效果和较高的运算速度,对人群密度能够进行较为准确和快速的估计.

基于改进的卷积神经网络的人群密度估计

人群密度估计是视频监控的一个研究热点,为了得到更为准确的估计率,将卷积神经网络应用到人群密度估计中。卷积神经网络在特征提取时能够高效自适应学习深层次的特征,体现了其在深度学习领域的优越性,但在预处理时会出现振荡现象,且卷积层与子采样层间特征图的大小匹配会影响计算速度和时间。对此,提出离散小波变换替换卷积神经网络中的子采样层,并对网络中的权重矩阵进行重新计算,通过权重自适应改善预处理时的振荡现象,提高卷积网络中特征图大小的匹配度,并将之应用到人群密度估计,以有效地提高数据间的相关性,增强网络的学习能力,提高人群密度等级分类的准确率。实验结果表明,改进后的网络具有较好的学习及分类效果和鲁棒性,对人群密度能够进行较为准确和快速的估计。