论文总字数：20383字

摘 要

近年来，随着经济的发展，我国各省市的常住人口不断刷新纪录，超大城市、特大城市越来越多。城市人口增加导致公共场所的人流量越来越大，这些人流密集的场所存在着巨大的安全隐患。因此，人流密度估计是一个值得研究的问题。目前，大多数的公众场所都配备了完善的监控系统，本文采用YOLOv3算法对监控画面中的行人进行检测，估算出视频图像中的人流密度。

本文构建了VOC格式的行人数据集，该数据集主要来自南京地铁和VOC数据集。使用labelimg标注工具对构建好的数据集进行标注，将标注好的数据投入到网络进行训练，用训练好的模型检测监控画面中的行人。检测到的每个行人都会返回一个位置信息，进而统计出行人的个数，根据实际面积估算出当前的人流密度。本文采用人头和人体两种标注方式研究不同标注方法对YOLOv3检测效果的影响，实验表明不同场景、光照条件和遮挡状况下，基于人头的标注方式的检测效果要远远优于基于人体标注的标注方式。另外，本文还研究了学习率对YOLOv3的检测效果的影响，通过实验结果表明不同的学习率对YOLOv3模型的检测效果几乎无影响。

关键词：行人检测；深度学习；Yolov3；人流密度估计；

Research on estimation method of crowd density based on video image

ABSTRACT

In recent years, with the development of the economy, the permanent population of various provinces and cities in China has constantly set new records, and more and more megacities and megacities have been established. The increase in urban population has led to an increase in the flow of people in public places. These densely populated places have huge security risks. Therefore, the estimation of crowd density is a problem worthy of study. At present, most public places are equipped with a complete monitoring system. In this paper, the YOLOv3 algorithm is used to detect pedestrians in the monitoring screen and estimate the crowd density in the video image.

This paper constructs a pedestrian data set in VOC format, which is mainly from Nanjing Metro and VOC data set. Use the labelimg labeling tool to label the constructed data set, put the labeled data into the network for training, and use the trained model to detect pedestrians in the monitoring screen. Each detected pedestrian will return a piece of location information, and then count the number of pedestrians, and estimate the current crowd density based on the actual area. In this paper, the effect of different labeling methods on the detection effect of YOLOv3 is studied by using two labeling methods: human head and human body. Experiments show that under different scenes, lighting conditions and occlusion conditions, the detection effect of the labeling method based on human head is much better than the labeling based on human body label the way. In addition, this paper also studies the effect of the learning rate on the detection effect of YOLOv3. The experimental results show that different learning rates have almost no effect on the detection effect of the YOLOv3 model.

Keywords: pedestrian detection; deep learning; Yolov3; pedestrian density estimation;

目录

摘要 I

ABSTRACT II

第一章 绪论 1

1.1研究背景与意义 1

1.2 行人检测算法研究现状 2

1.2.1 行人检测要解决的问题 2

1.2.2 行人检测算法分类 2

1.3 本文的主要研究内容 4

1.4 本文的结构安排 5

第二章 基于YOLOv3的行人检测算法 6

2.1 YOLOv3核心算法 6

2.1.1 网络模型 6

2.1.2 网络预测方式 7

2.1.3 损失函数 7

2.2 基于YOLOv3行人检测流程 8

2.3 YOLOv3行人检测方法的评价指标 8

2.4 YOLOv3的环境配置 9

2.5行人数据集的建立 10

2.5.1数据采集 10

3.5.2数据集制作 11

2.6模型训练 14

2.6.1修改配置文件 14

2.6.2模型训练 15

第三章 实验结果与分析 17

3.1实验介绍 17

3.2不同的场景下使用两种标注方式的准确度对比 17

实验3.2.1 楼梯口下两种标注方式的准确度对比 17

实验3.2.2 闸机口下两种标注方式的准确度对比 18

实验3.2.3 站台层下两种标注方式的准确度对比 19

3.3不同学习率下的准确度对比 20

实验3.3.1 不同学习率在站台层下的检测图 20

实验4.32 不同学习率在闸机口下的检测图 21

实验4.3.3 不同学习率在楼梯口下的检测图 21

实验4.3.4不同学习率下的maP值对比： 22

实验4.3.5不同学习率下的P-R曲线对比： 22

3.4人流计数 23

第四章 总结与展望 26

4.1 论文总结 26

4.2 系统评价 26

4.3 研究展望 26

参考文献 28

致谢 31

第一章 绪论

1.1研究背景与意义

近年来，随着经济的发展，各省市的常住人口不断刷新纪录，出现了很多超大城市、特大城市，加之消费观念和消费意识的转变，每逢佳节，越来越多的年轻人选择外出过节。这样一来就更加重了各地的人流量，各地的旅游景点、公共交通都出现了游客爆满的现象。消费观念的改变虽然有助于经济的发展，但人群密集的公众场所会存在巨大的安全隐患。

请支付后下载全文，论文总字数：20383字