篮球经理2018中文版|篮球主题壁纸|
歡迎來到期刊VIP網
期刊VIP網10年服務積淀,累計發表20萬份稿件,想要發表論文就來期刊VIP網
快捷導航
市場營銷
財務會計
金融
保險
房地產
財政稅收
審計
統計論文發表
工商企業管理
經濟學
國際貿易
酒店管理
人力資源管理

基于深度學習的密集人群安全監測系統

發布時間:2019-12-27 09:32所屬分類:經濟學瀏覽:1加入收藏

摘 要:近年來高密度人群聚集活動經常因為缺乏及時有效的管理而導致安全事故頻頻發生,人群活動的應急管理、風險評估、隱患識別越來越受到重視。

  摘 要:近年來高密度人群聚集活動經常因為缺乏及時有效的管理而導致安全事故頻頻發生,人群活動的應急管理、風險評估、隱患識別越來越受到重視。鑒于系留無人機的自由靈活性,其可長時間、全方位監測密集人群,將監測數據傳入深度學習的卷積模型中,計算人群密度等指標,并驗證實驗結果的可行性,將預警信息、風險點數據推送至相關管理單位,形成監測信息、預警信息、對應措施信息化安全管理系統,為安全管理部門提供幫助。

  關鍵詞:城市安全;高密度人群;系留無人機;深度學習;場景分析;卷積模型

新疆財經大學學報

  《新疆財經大學學報》(季刊)2001年創刊。本刊為綜合性學術期刊,堅持社會主義辦刊方向,堅持質量及時的原則,立足新疆,面向全國,以“求實、創新、科學、民主”為辦刊方針,注重文章選題的現實性、學術性、前瞻性和創造性,注重多學科多方位的綜合研究和超前研究。榮獲2004年獲“編輯質量獎”、“主編(社長)獎;第四屆”新疆社科期刊獎;;第五屆“新疆社科獎”。

  0 引 言

  當今國民經濟快速發展,人們的物質生活和精神生活大幅提升,節假日旅游、明星演唱會、城市各大廣場商場、地鐵站、火車站等大型人群活動越來越多,急劇發展的同時也帶來了城市的安全問題。群眾的聚集性活動具有秩序混亂、容易恐慌、擁擠度高、管理困難等特點,比較容易發生意外,比如踩踏性事件、重大傷亡事件、財產丟失事件等[1]。近年來,我國頻頻發生大型人群活動惡性事件,2004年2月5日在北京市密云縣密虹公園舉辦的密云縣第二屆迎春燈展中,因為游人在公園橋上跌倒,引起身后游人擁擠,造成踩死、擠傷游人的特大惡性事故,事故造成37人死亡、37人受傷;2007年11月,重慶一家樂福超市因食用油打折促銷引發踩踏事故,造成3人死亡,31人受傷;2014年12月31日上海外灘陳毅廣場發生踩踏性事件,造成36人死亡,49人受傷[2]。若能實時監測每個場景中的人群密度、擁擠度、人群流向、人群異常行為等指標,然后根據實時監測指標采取相對應的安保措施和實行不同等級的緊急預案,就能及時避免或者減少此類事件的發生。

  傳統的人群計數研究方法分為兩種:第一種是基于檢測的方法,使用一個滑動窗口檢測器來檢測場景中的人群,并統計對應人數;第二種是基于回歸的方法,該方法通過提取一些低級特征學習一個人群計數的回歸模型,但很難處理人群之間嚴重遮擋的問題[3]。隨著深度學習計算機視覺技術的發展,卷積模型處理視頻數據的效果顯著,同樣也被應用于人群計數的研究中。因為卷積神經網絡具有強大的特征學習能力,可以解決遮擋、視角等問題,所以深度學習在人群計數數據集和卷積神經網絡模型等方面表現良好。

  1 系留無人機監測系統

  系留無人機近年來已被廣泛應用在應急搶險工作中,國內外很多公司對系留無人機的相關設備有了成熟的研究并不斷完善,在起飛、懸停高度、載荷等方面也進行了不斷探索[4]。系留無人機通過系留電纜連接系留控制箱,系留控制箱與地面電源連接,具有續航時間長、穩定性高、精度高、成本低、拍攝范圍廣、實時監測等特點。系留無人機可以搭載高清廣角相機、紅外相機、雷達傳感器等監測工具,采集的高質量視頻圖像通過HDMI接口傳入電腦,視頻數據經計算處理得出監控場景中的人群數量等指標,傳輸到指揮中心進行判斷,對人群疏導、安全事故、風險評估起預測作用,可節約人力,提高效率。系留無人機監測平臺方案示意如圖1所示。

  2 基于深度學習的監測數據處理方法

  深度學習的基本工作原理如圖2所示。圖像輸入設計的卷積神經網絡提取特征通過權重值輸出預測值,一一對應的預測值與真實值利用損失函數判斷之間的差異,作為反饋信號權重進行微調,在調節過程中使用優化器來完成,最終經過數次迭代使模型達到最小的損失值,訓練結束,保存權重。

  數據來源于公開的shanghai-tech數據集(1 100張圖片)和自己拍攝的大型活動場景圖片(900張),所有圖片數據均需經過標準化處理。將高密度人群圖像和稀疏人群圖像整合后,訓練一個適用于普遍場景下的人群計數模型。數據標記過程是把每一張圖像中的頭部標注成稀疏矩陣,再通過高斯濾波轉換成2D密度圖,密度圖中所有單元格的總和為圖像中的實際人數,經數據預處理后生成一一對應的數據標簽圖像[5-6]。其中1 400張為訓練圖像,600張為測試和驗證圖像。

  2.1 網絡結構

  本文通過兩類卷積神經網絡模型計算人群指標并驗證深度學習的準確率。一類是基于卷積+空洞卷積的CNN模型,其前端利用預訓練的VGG16網絡前的十層卷積層和三層池化層,每次卷積采用補0操作,保持輸出的圖像大小不變,最大池化步幅為2,圖像輸入網絡中,經過4次卷積和3次池化后,輸出圖像尺寸變為之前的1/8,圖像變小后生成密度圖比較困難,所以后端加上六層空洞卷積(Dilated Convolution),設置膨脹率為2[7-8],其網絡結構如圖3所示。

  另一類是基于多尺度的編碼-解碼(Encoder-Decoder)網絡結構,網絡的編碼部分使用多尺度卷積結構,通過不同大小的卷積核可以很好地學習不同尺度的人群特征,使模型的泛化能力更強。本次研究設計了4種不同尺度的卷積核,串聯輸出,采用最大池化,每次池化圖像變為之前的

  1/2[9-10]。網絡解碼部分使用卷積和三層轉置卷積得到最終的人群密度圖,網絡結構如圖4所示。

  2.2 損失函數

  (1)基于CSRNet的損失函數采用歐式距離來計算標簽圖像的真值和預測密度圖之間的差異[11],計算過程如下:

  式中:N為訓練樣本的數量;Z(Xi; θ)為輸入第i個樣本的預測密度;ZiGT為第i個樣本的真實密度;L(θ)代表密度損失。

  (2)基于SANet的損失函數采用SSIM和歐氏距離的結合來計算密度圖與真實值之間的相似性[9],計算過程如下:

  式中:N代表樣本的數量;C1和C2代表常數;μF為樣本F的均值;μY為樣本Y的均值;σF為樣本F的方差;σY為樣本Y的方差;σFY為樣本Y,F的協方差;SSIM衡量真實值與密度圖之間的一致性;LC代表圖片的一致性損失;Lθ代表歐式距離的密度損失;LOSS代表總的密度損失。


轉載請注明來自:http://www.eknyiz.tw/jingjixue/49932.html

上一篇:出口需求變動、創新活動對中國出口企業國際市場勢力的影響研究
下一篇:經濟高質量發展對生態文明建設的作用

篮球经理2018中文版
唐人彩票网游戏 中国象棋发明者是谁 地下城勇士官方下载 pc蛋蛋走势图加拿大 霸气的友谊微信群名称 辽宁11选5 体彩浙江6+1开奖结果 安徽时时彩开奖结果走势图 辽宁快乐12选5开奖 广西11选5开奖走势图