基于卷积神经网络的人脸识别的研究

人脸识别对于目前许多领域都有重要的作用。深度卷积神经网络模型则是一个有效的神经网络模型,是在训练样本上进行训练,通过训练进行学习,最后获得不错的分类准确率。这个方法的网络结构的设计对效果有影响,文中研究重点在于构建一个网络模型结构使人脸识别最后结果良好。

基于空间维度循环感知网络的密集人群计数模型

考虑目前对具有透视畸变的高密度人群图像进行特征提取的局限性,提出了一种融合全局特征感知网络(GFPNet)和局部关联性特征感知网络(LAFPNet)的人群计数模型LMCNN。GFPNet是LMCNN的主干网络,将其输出的特征图进一步序列化并作为LAFPNet的输入,再利用循环神经网络(RNN)在时序维度上对局部关联性特征感知的特点将单一的空间静态特征映射到具有局部序列关联性特征的特征空间,从而有效地削减了透视畸变对人群密度估计造成的影响。为了验证所提模型的有效性,在Shanghaitech Part A子集和UCF_CC_50数据集上与原子卷积空间金字塔网络(ACSPNet)进行对比,结果表明所提模型的平均绝对误差(MAE)分别至少减小了18.7%和20.30%,均方误差(MSE)分别至少减小了22.3%和22.6%。LMCNN注重空间维度上前后特征的相关性,通过对空间维度特征与单图像内序列特征的充分融合,减小了由透视畸变引起的人群计数误差,能更加准确地预测密集区域人数,提高人群密度回归精度。

基于改进MCNN的密度图在室内定位中的应用

北京商场购物人群众多,易发生人群拥挤踩踏事故,使得确定高密度人群区域的位置变得至关重要,因此本文引入人群密度图,确定图中人群分布情况,得出室内人群的定位信息。首先将采集的人群视频分割为图像帧,并分成训练集和测试集;然后对训练集图片作人头标签处理,生成地面实况密度图,将其作为改进的多列卷积神经网络算法的训练数据生成模型,并将模型应用于测试集图片生成人群密度图;最后运用Arc GIS对人群密度图与室内平面图作地理配准处理,从而实现对高密度人群的定位。研究结果表明,利用人群密度图确定的高密度区域的位置坐标与实际坐标值基本一致,将人群密度图应用于室内定位是可行的。

基于电价远程下装成功率及时效性预警模型分析

审计工作数据来源的兼容性问题导致无法发现电价下装的相应问题,因此基于多列卷积神经网络算法,构建一种电价远程下装成功率及时效性的预警分析系统,取代之前针对电价下装的电费审计工作流程。经过测算,革新方案较传统方案在敏感性方面有1.86倍的提升,且可以直接得出电价下装相应问题的原因。故认为,基于多列卷积神经网络的电费审计方法,较传统电费审计方法,在发现电价下装问题方面有更高效能。

基于图像处理的城市轨道交通监控系统设计

针对城市轨道交通监控系统中,由于多尺度特征提取精度低,导致乘客拥挤度检测准确率低的问题,提出将多列神经网络与空洞卷积相结合,构建一个基于人群计数的多列空洞卷积神经网络(MPCNet)。此网络采用CNN网络进行深度特征提取;然后以空洞空间金字塔池化(ASPP)为网络提供多尺度感受野,从而进行目标多尺度特征提取。实验结果表明,在Zhengzhou_MT数据集中,提出的MPCNet算法的MAE和MSE估计误差分别为1.5和2.1,均低于传统的MCNN算法和CSRNet算法。且在开发的拥挤度自动检测系统应用效果中,系统可实现轨道交通的可视化展示,可对检测结果进行批量计算,通过折线图现象得到历史数据。由此说明,本算法可对人群多尺度特征进行准确提取,可实现乘客拥挤度有效检测,具备实时性和有效性。