基于神经网络的人流统计分析与研究开题报告

1. 研究目的与意义（文献综述）

近些年来，随着社会的进步和经济的发展，人们出行的方式变得越来越便捷，与此同时，外来人口的大量涌入也使得城市变得越来越拥挤，在一些车站、广场、集市、景区等地方往往聚集了大量的人群，这给公共交通，城市安全，城市规划带来了巨大的挑战，稍有管理不善就有可能导致严重的拥堵踩踏事故。如２０１４年１２月３１日发生在上海外滩的踩踏事件，共造成了３６人死亡，４９人受伤。２０１５年７月１０日，孟加拉国迈门辛在举行慈善活动时发生踩踏事故，造成至少２３人遇难。２０１５年９月２４日，在距离沙特麦加东部５公里处的米纳地区发生朝觐者踩踏事故。事故已造成至少１３９９人遇难，另有超过２０００人受伤。针对大规模人群聚集的事件，有关部门虽在一些关键的地点布置了视频监控并采取了一系列应急方案，然而现行的方案大多需要人工去观察视频画面，从而判断是否有拥堵和人群聚集事件产生，而视频监控画面往往只作为事后证据，并没有得到充分的利用，因而浪费了大量的人力和物力。如何从视频或者图片中自动估计出监控画面人群中行人的数量和人群密度分布，对于解决此类问题至关重要。

近些年来基于计算机视觉的人群流量统计方法由于在交通监控，公共安全，城市规划，情景理解等方面具有重要实用价值，从而受到研究者们的广泛关注。与传统的通过人工监控和判断人群流量的技术方式相比，使用计算机视觉与深度学习相结合的行人流量统计方法具有更加高效，稳定，可靠的特点。可以在保证准确度的前提下持续工作，从而为人群流量集中的区域提供全天候无间断的优质监控预警服务，避免因人工原因而导致的失误。该项技术可以应用到社会中的各个方面，如统计超市在不同时段各个货架位置顾客的数目，可以有效安排各个区域导购员与顾客之间的比例，从而提高超市营业额；统计各个时间段车站出入口行人的数量，可以帮助更好地规划车站出入口的布局，降低车站人流量压力；对交通繁忙地带的人群流量进行统计，可以对各个路段的设计进行合理的调整等等。此外人群流量统计算法也可以很容易扩展到其他的研究领域，如显微镜下细胞数量估计，复杂场景下车辆密度统计，环境调查中的鱼类数量的统计等等。可见，无论在公共安全方面还是商业盈利或是在其他研究领域，人群流量的统计技术都有着极大的应用价值与发展需求

人工神经网络（artificial neural network，即ann ），是20世纪80 年代以来人工智能领域兴起的研究热点。1986年，rumelhart, hinton, williams发展了bp算法。rumelhart和mcclelland出版了《parallel distribution processing: explorations in the microstructures of cognition》。迄今，bp算法已被用于解决大量实际问题。1988年，linsker对感知机网络提出了新的自组织理论，并在shanon信息论的基础上形成了最大互信息理论，从而点燃了基于nn的信息应用理论的光芒。1988年，broomhead和lowe用径向基函数(radial basis function, rbf)提出分层网络的设计方法，从而将nn的设计与数值分析和线性适应滤波相挂钩。90年代初，vapnik等提出了支持向量机(support vector machines, svm)和vc(vapnik-chervonenkis)维数的概念。人工神经网络的研究受到了各个发达国家的重视，美国国会通过决议将1990年1月5日开始的十年定为“脑的十年”，国际研究组织号召它的成员国将“脑的十年”变为全球行为。在日本的“真实世界计算（rwc）”项目中，人工智能的研究成了一个重要的组成部分。

2. 研究的基本内容与方案

总体是按照以下的流程开展研究工作的：

图1 工作流程

3. 研究计划与安排

1.英文翻译，2020年3月1日

2.开题报告，2020年3月20日

4. 参考文献（12篇以上）

[1]丰敏强. 基于热点区域定义的人流量统计系统关键技术研究[d].浙江工业大学,2017

[2]王申涛.基于深度学习的行人检测[j].电脑编程技巧与维护,2019(12):137-139.[3]张雅俊. 复杂场景下人流量统计方法研究[d].重庆邮电大学,2017.