基于深度学习技术的人群场景分析

本研究聚焦于人群场景分析的两个主要应用：人群计数和异常检测。近年来，针对人群计数领域提出了大量研究。我们针对该领域的两个主要挑战进行了解决：1）深度学习模型数据需求量大，需要大量标注数据进行训练。标注大量数据的工作量耗时且成本高昂。因此，提出了自监督训练方法以解决此挑战。2）MCNN由多个具有不同滤波器大小的CNN列构成，基于自监督训练与多列CNN组合的新方法。该方法使模型能够在不同层级学习特征，有效应对遮挡场景、非均匀密度、复杂背景和尺度不变等挑战。所提出的模型在公开数据集上进行评估，包括 ShanghaiTech 和 UCFQNRF，使用 MAE 和 MSE 进行评估。针对人群异常检测，提出了基于 VGG19 的时空模型，以解决包括光照、环境条件、意外物体和可扩展性等挑战。该模型提取空间和时间特征，使其能够适用于真实场景。通过 CNN 学习空间特征，通过 LSTM 块学习时间特征。该模型采用二分类工作，能够检测正常或异常行为。通过用密集残差块替换全连接层，提高了模型性能。在 Hockey Fight 数据集和 SCVD 数据集上的实验表明，我们的模型在其他方法的最先进水平方法上表现更佳。