基于CNN的人群密度估计算法及实现开题报告

1. 研究目的与意义（文献综述）

随着人类社会的飞速发展，各种高层建筑，地下建筑以及大型商业娱乐设施越来越多。随之而来的，是人们越来越频繁的人类活动。在例如旅游景点，车站，商业街，体育场馆等地，随处可以看见拥挤的人群，这将会成为社会安全设公共管理的巨大问题挑战。人群密度与人群安全密切相关，当人群密度过高时，容易引起恐慌、拥挤以及踩踏。在很多场合中，都曾因人群密度过高而引发灾祸，例如2014年上海外滩踩踏事件,造成累计36人丧生。为了解决因为人群密度过高而引起的社会灾难，人们也做出来很多的研究，提出了应对措施，例如部署越来越多的监控摄像头，覆盖范围也越来越广。但是，传统的视频监控系统需要监控人员一刻不停地值守，但长时间盯着画面，人容易疲惫，很难对一些异常事件及时做出反应，并不能有效地解决问题。因此，研究人员转向了基于计算机视觉的人数统计和人群密度估计领域，自动可靠地获取监控中的人数或者人群密度。通过计算机视觉对现有建筑中人群活动的观察统计，可以知道哪些地方容易发生人群拥挤，从而对以后的建筑物设计及建造起到参考作用；而通过对人群密度的实时监控，可以方便交警的交通调度，可以预防因拥堵而引起的人群灾祸。

从这二十余年的发展来看，人群密度估计与分析主要分为浅层学习和深度学习两个阶段。而近年来，基于浅层学习的人群密度估计方法发展速度缓慢，人群密度估计领域具有影响力的研究成果大多集中在深度学习方面。近年来，随着图像数据的爆炸式增长和深度学习技术在计算机视觉领域的发展，越来越多的学者转向研究基于深度学习的人群密度估计算法；其中卷积神经网络（CNN）具有良好的泛化能力和图像视觉特征提取能力，是近年来的研究热点。而目前的人群密度估计算法仍然存在很多的困难和挑战。例如（1）监控图像容易受到光照条件的影响；（2）对于不同的场景，相机参数的不同使得人群图像有着不同程度的摄影畸形；（3）人群姿态各异，有拥挤以及遮挡现象的存在。总之，人数统计与人群密度估计的首要任务依然是设计出速度快，精度高，鲁棒性强的人群密度估计算法。

现如今，随着深度学习理论的日趋成熟以及硬件设备性能的提升，使得卷积神经网络（CNN）成为计算机视觉与模式识别领域的一个有力工具；而高清摄像头的大规模运用，为深度学习提供了海量数据，结合基于CNN的人群密度估计算法，可以实现分布式人群密度估计。通过基于CNN的人群密度估计算法可以将密度估计数据及时上传至相关部门，实现立即发现，立即处理，可以极大提高维护群众安全和公共安全的行动力。相信在不久的将来，基于卷积神经网络的人群密度估计系统势必会得到大范围的应用

2. 研究的基本内容与方案

2.1基本内容和目标

本次毕业设计的内容是基于卷积神经网络（cnn），通过深度学习实现人群密度估计。卷积神经网络（convolutionalneuralnetworks,cnn）是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力和良好的泛化能力，可以进行多层卷积计算，提取图像视觉特征。通过对卷积神经网络结构的设计，反复的迭代训练以及方向传播方式以此调整相关参数，选择合适的损失函数以及激活函数，在大量数据上进行训练和开发后，可以建立精确的预测模型，使用它来检测图片中的行人特征，可以准确的实现人群密度估计。

2.2技术方案及措施

3. 研究计划与安排

第1周—第2周 搜集相关资料，完成外文翻译；

第2周—第3周 撰写开题报告；

4. 参考文献（12篇以上）

[1]张君军, 石志广, 李吉成. 人数统计与人群密度估计技术研究现状与趋势[j]. 计算机工程与科学, 2018, 2: 282-291.

[2]zhang y, zhou d, chen s, etal. single-image crowd counting via multi-column convolutional neuralnetwork[c]//proceedings of the ieee conference on computer vision and patternrecognition. 2016: 589-597.

[3]li y, zhang x, chen d.csrnet: dilated convolutional neural networks for understanding the highlycongested scenes[c]//proceedings of the ieee conference on computer vision andpattern recognition. 2018: 1091-1100.