论文部分内容阅读
人群密度可以为公共场所的安全管理和决策提供重要依据,交通枢纽、大型活动现场及大型商场等公共场所发生人群拥挤、人群拥堵等现象也越来越多,人群过度的拥挤也带来了越来越多的安全问题,所以人群的密度对人群安全和危机预警具有非常重要的研究意义。通过对人群的密度估计,对人群的活动进行预判和和提供大量有效的参考信息,大大的提高公共安全,减少人群的失控,疏导人群的堵塞,避免大规模的人群伤害事件发生。本文首先从人群密度估计的常用算法出发,使用卷积神经网络模型来对人群场景下的行人检测;在行人检测的基础上,使用单目地平面定位模型,确定行人的地平面坐标;之后估计人群的密度。得到密度分布之后,我们扩展了密度的应用:人群密度高危预警和人群哄散事件检测。本文的主要工作如下:(1)人群行人检测。在视频场景中,人群中的行人由于遮挡很难被检测,因此我们改进一种适用于人群遮挡情形的行人检测遮挡模型,在基于深度学习行人检测的卷积神经网络变形层后添加一个全连接层,该全连接层随机置零一些单元,计算均值、中值、最大值等统计特性,计算其分类结果的统计特性,来提高人群场景下的行人检测准确率。实验表明,该方法可以更加准确的识别人群中的行人,更好的应对人群中的遮挡和环境变化情形。(2)行人位置空间映射。二维数字图像中行人由于摄像机的畸变和人群的拥挤,导致行人的位置不精确,是当前的人群密度估计存在误差的原因之一,所以我们根据数字图像和自然空间之间的映射,计算行人在自然场景中的地平面上的位置,在地平面上统计计算人群密度。首先对摄像机视觉矫正,消除畸变的影响,再对摄像机标定,将数字图像中的行人进行映射,计算地平面上的行人位置,统计地平面上单位面积的行人数量,得到人群密度估计。实验表明,该方法可以准确的定位行人的位置,提高人群密度估计的准确率。(3)人群密度估计应用。密度分布的变化为人群安全提供了大量的信息,但是目前对密度信息的应用则非常少,本文首先论证了密度的估计可以对人群危险程度进行判断和预警,为人群安全提供重要的信息。接着提出使用密度分布变化的特征矢量,使用SVM分类器进行人群的哄散事件检测。实验证明,密度的变化可以对人群危险进行预警和识别出视频中的人群哄散事件。