02 12.31上海外灘踩踏事件(人群密度識別系統能實現那些功能？)

成人群計數任務的語義特征，使得面對背景復雜、人群密集、遮擋嚴重的場景時，計數精度無法滿足實際需求。近年來，深度學習技術發展迅猛，在許多計算機視覺任務中得到成功應用，促使研究人員開始探索基于卷積神經網絡的人群計數辦法.相比于傳統方法，基于CNN的人群計數方法在處理場景適應性、尺度多樣性等問題時表現更優。而且由于特征是自學習的,不需要人工選取，可以顯著提升計數效果，因此已經成為當前人群計數領域的研究熱點。使用CNN的人群計數方法主要分為直接回歸計數法和密度圖估計法2類。直接回歸法只需向CNN送入人群圖片，就可以直接輸出人群數量，適用于人群稀疏場景。在密度圖法中，CNN輸出的是人群密度圖，再以數學積分求和的方式計算出人數.這類方法性能的好壞一定程度上依賴于密度圖的質量。為了提升密度圖質量，會引入新的損失函數來提高密度圖的清晰度和準確度。

故本項目通過采用深度學習方法獲取人群密度圖已估計人群數量，使用python語言搭建MSCNN網絡實現實時生成人群密度圖以達到估計人群數量的目的。其最終實現效果如下圖可見：

基本介紹

1.1 環境要求

本次環境使用的是python3.6.5+windows平臺。主要用的庫有：

opencv模塊。在計算機視覺項目的開發中，opencv作為較大眾的開源庫，擁有了豐富的常用圖像處理函數庫，采用C/C++語言編寫，可以運行在Linux/Windows/Mac等操作系統上，能夠快速的實現一些圖像處理和識別的任務。

numpy模塊。numpy系統是Python的一種開源的數值計算擴展。這種工具可用來存儲和處理大型矩陣，比Python自身的嵌套列表結構要高效得多(該結構也可以用來表示矩陣。

pillow模塊。PIL是理想的圖像存檔和批處理應用程序。您可以使用庫創建縮略圖，在文件格式、打印圖像等之間進行轉換。它提供了廣泛的文件格式支持、高效的內部表示和相當強大的圖像處理功能。核心圖像庫是為快速訪問以幾種基本像素格式存儲的數據而設計的。為通用圖像處理工具提供了堅實的基礎。

keras模塊。Keras是一個由Python編寫的開源人工神經網絡庫，可以作為Tensorflow、Microsoft-CNTK和Theano的高階應用程序接口，進行深度學習模型的設計、調試、評估、應用和可視化。

1.2 MSCNN網絡介紹

MSCNN作為多尺度卷積神經網絡與傳統機器學習算法相比，深度學習模型能更有效地從高維復雜輸入中自動提取特征。卷積神經網絡是應用最廣泛的深度學習模型之一，通過卷積、池化等操作提取原始數據的特征，并通過權連接層輸出模型的計算結果。其中，卷積核的大小在一定程度上影響著特征提取的效果和模型的故障識別能力。MSCNN是一種改進的卷積神經網絡，通過不同大小的卷積核從多尺度挖掘特征信息，有效解決了傳統CNN模型卷積核的自適應選擇問題。

很赞哦!（88849）