全文总字数：2980字

1. 研究目的与意义及国内外研究现状

随着科技的发展，人们的生活水平有了大幅提升，人口数量急剧增长，大规模人群聚集活动越来越多，由此引发伤亡踩踏事件越发频繁。2014年12月，上海外滩跨年发生了49人死亡，36人受伤的严重踩踏事件，2015年9月沙特阿拉伯麦加朝觐更是发生了伤亡人数过千的悲剧。这都是因为在有限空间内人口过于密集，一旦发生异常人群不易疏散，从而造成恶性事件。公共场合的安全问题引起大家高度关注，如何实时有效统计人群数量和人群分布，预防高密度高流量人群集聚，降低事故的发生率成为当下研究重点。虽然传统的视频监控能够有效监测人群分布，但仍需要投入大量人力，主观性强，无法实时监控判定、预测与量化人群密集程度，以及人群流向，有效预防事故发生还远远不够，事故发生也无法进行疏散指导。如果在传统视频监控的基础上，进行图像处理，智能化获取空间人群分布和数量，就能有效应对突发情况，从源头消除安全隐患，同时也能降低人力物力。

近年来随着机器视觉的发展，计算机性能的提高，深度学习在图像分割，人脸识别，语义分析等方面都有突破性进展，同样在人群统计领域也有质的飞越，无论是在规模，精度还是场景复杂度都能有效处理，为人群安全管理与应急方法提供决策依据。

本文就基于深度学习方法，对图像进行人群分析，准确估计区域中人群数量，同时给出人群密度图。可应用于很多领域，在重大娱乐场合中，当人群数量或人群密度超过阈值就触发警报，及时控制人群流动方向。在商场，超市可根据人群数量与分布了解商品销售情况，反映出消费者的行为习惯，为商家进货和货品摆放给出合理性指导。此外人群计数算法的研究也能移植到其他研究领域，比如生物细胞计数，车辆计数等。因此对人群计数的研究有着重要意义。

2. 研究的基本内容

近年来，卷积神经网络CNN在机器视觉领域应用广泛，如图像分割、目标识别、人脸检测等。本文也采用卷积神经网络来学习人群数量，能大幅度提高计数准确度，有效解决人物遮挡问题。

首先准备好训练需要的数据，之后对卷积神经网络进行设计，确定包含哪些网络层，对每一层网络参数进行设置并确定所采用的激活函数和损失函数。本设计使用图片的密度图作为数据标签，在现有的数据集上进行网络训练，建立起人群图片与其对应的密度图之间的映射关系，最后将输出的密度图积分就可实现对图片中人群的计数。

3. 实施方案、进度安排及预期效果

2018.12.25-2019.1.19阅读中英文论文，理解掌握卷积神经网络架构，和当前学术界最新研究进展。

2019.1.20-2019.2.24 自行搭建网络框架，利用现有的人群计数数据集比如shanghaitech，搭建小型cnn，先进行一小部分数据训练并进行调试，学会对tensorflow，pytorch的使用。

2019.2.25-2019.3.10在导师提供的具有gpu电脑上大规模训练cnn模型，确定包含哪些网络层，对每一层网络参数进行设置并确定所采用的激活函数和损失函数。最后对测试机集进行测试，查看最终效果，完成对各场景人群数量的统计以及人群密度的分布。

4. 参考文献

[1].zhang y, zhou d, chen s,et al. single-image crowd counting via multi-column convolutional neural network[c]// 2016 ieee conference on computer vision and pattern recognition (cvpr). ieee, 2016.

[2].zhang n c, li n h, wang x,et al. cross-scene crowd counting via deep convolutional neural networks[c]// 2015 ieee conference on computer vision and pattern recognition (cvpr). ieee computer society, 2015.

[3].sam d b, surya s, babu r v. switching convolutional neural network for crowd counting[j]. 2017.