摘 要

随着时代的进步，人工智能成为当今的热门。其中人工智能里的人群密度检测的应用也变得广泛。人群密度检测的算法也是越来越多。不同的算法有各自的优势。但是对于遮挡情况严重的高密度人群，很多算法误差会很大。所以选择一种对不同密度人群都能适用的算法非常重要。

本文主要对用于人群密度检测的三种卷积神经网络结构进行分析和研究，进行适当改进，训练模型并进行测试。通过比较它们的稳定性以及准确率，选择出适合实际运用的卷积神经网络结构。然后运用选出的结构对图像进行人数估计和生成密度图。经过多次的实验表明，该系统可以可靠稳定地实现预想功能，对任意尺寸的输入图像进行人数估计和生成相应密度图，并且准确率较高。

关键词：PYTHON；卷积神经网络；人群密度检测

Research on Population Density Detection Algorithms Based on PYTHON

ABSTRACT

With the progress of the times, artificial intelligence has become a hot topic nowadays. Among them, the application of crowd density detection in artificial intelligence has become widespread. There are more and more algorithms for crowd density detection. Different algorithms have their own advantages. But for the high density population with serious occlusion, many algorithms will have great errors. So it is very important to choose an algorithm that can be applied to different densities of population.

In this paper, three kinds of convolutional neural network structures used in crowd density detection are analyzed and studied, and appropriate improvements are made, training models are trained and tested. By comparing their stability and accuracy, a convolutional neural network structure suitable for practical application is selected. Then, the selected structure is used to estimate the number of people in the image and generate the density map. Experiments show that the system can reliably and steadily achieve the desired function, estimate the number of any size of the input image and generate the corresponding density map, and the accuracy is high.

Keywords：PYTHON; Convolutional Neural Network; Crowd Density Detection;

目录

第一章 绪论 1

1.1 本论文的背景和意义 1

1.2人群密度检测技术的研究现状 2

1.3本论文主要内容 3

1.4论文结构安排 4

第二章 卷积神经网络 5

2.1简介卷积神经网络 5

2.2卷积计算层 5

2.3池化层 11

第三章 算法结构分析 13

3.1MCNN 13

3.2CMTL 14

3.3CSRNet 17

第四章 软件设计 20

4. 1神经网络结构构造 20

4.2训练的基本原理 22

4.3训练模块 22

4.3.1损失函数 22

4.3.2优化算法 23

4.4数据处理部分 25

4.4.1数据预处理 25

4.4.2双线性插值法 25

4.5测试模块的软件设计 28

第五章 调试与分析 30

5.1 训练模块调试 30

5.2 测试模块调试 32

5.3测试结果分析 35

5.4 问题与可解决的方法 35

第六章 论文总结 37

参考文献 38

绪论

本章阐述了论文选取的原因，然后说明了几种方法的现状。最后罗列出论文的任务和架构。

本论文的背景和意义

目前，人工智能正在遍布各个领域。对于社会上的安防问题，人工智能可以节省大量的人力，减轻人们的负担。本文就人工智能在安防等领域的用途，以及对摄像头传回视频截图的人群密度统计的现状和发展，做出简要叙述，提出我的看法，以便为摄像头传回视频的截图中的人群密度统计提供参考。

相比以前，现在的大型体育赛事活动、大型娱乐活动以及节假日旅游的人数也是越来越多。在上述人数较多的活动中，安防问题一直都是重中之重。以前就有过在人群拥挤的地方发生危险事故的事件。比如，在2014年跨年夜发生在上海的踩踏事件。这类事故通常都会造成严重的后果，给人民群众带来伤害。

这类事故发生的原因大多数都是人群拥挤，人群密度大，没有安全防范。如果能在人群密度比较大的公共场所使用智能摄像头。智能摄像头可以对可能发生危险的区域进行监控，然后再利用人工智能对图片进行人群密度检测。及时得知该公共场所的人群密度增大，提前做出防范，也许这样的事故就能避免。

我们换一个方向思考，可以发现人群密度检测的意义不仅于此。比如，在公交线路上进行人群密度检测，可以得出各个时段，各个区域的人群密度变化。调度员可以合理分配公交资源，在人多的使用公交资源缓解拥挤，又能在人少的时候适当减少该区域的公交资源。这样可以节约能源，保护环境。对于商场来说，如果管理者能够对商场中的人群密度进行统计，了解商场中每个区域的人群密度变化。那么管理者就可以制定出更好的营销策略，获取更多利润。

1.2人群密度检测技术的研究现状

人群密度检测技术是本次算法分析和研究的关键所在。人数统计就是输入一张图像，然后通过一定的算法处理，得到该图像中的大致人数。最终通过分析可以知道输入图像内人群密度的等级。现在人群密度检测技术正在飞速发展，算法的更新也是非常迅速。对于各种各样的算法，我们需要知道它们运用到实际生活中的能力。人群密度检测技术拥有良好的应用价值。

1995年，有外国学者开始研究人群密度检测。其中，Davies最早提出像素特征与人数呈近似的线性关系，通过三帧差法得出前景图像，并统计前景像素特征，接着再用人工方法统计每一帧图像中行人数量，建立线性方程求得相应线性关系^[34]。然而这种方法只能在人群密度较低的地方,对于阻挡严重的场景效果不好。所以在之后，1998年Marana提出了基于纹理分析的人群密度估计算法^[40]。基于纹理特征的分析算法认为图像中的人群密度不一样，那么对应的纹理也是不同的^[26]。在高密度场景下，该方法有不错效果。但是在低密度场景下，这种方法的准确率不高。上面两种方法都不能在不同密度条件下拥有较高的准确率。后来，有人提出了通过估计密度图的方法来进行人群密度检测。

相关图片展示：