用于自适应学习行人计数的动态区域划分

准确的行人计数算法对于消除拥挤公共场景中的安全隐患至关重要。然而，拥挤场景中的行人计数常受严重透视畸变影响。本文在直线与双区域行人计数方法基础上，提出一种动态区域划分算法以保持计数对象的完整性。利用 YoloV3 获得的对象边界框及场景的期望分割线，在保留完整头部的前提下生成近处区域与远处区域的边界。进而，应用适当的学习模型对各所得区域中的行人计数。在远处区域，提出一种新颖的 inception 空洞卷积神经网络以解决空洞率选择问题。在近处区域，使用 YoloV3 进行多尺度行人检测。相应地，通过融合近处与远处区域的结果得到每帧行人总数。本文选取典型地铁行人视频数据集进行实验，结果表明所提算法在总体性能上优于现有基于机器学习的方法。