- 简介
随着科学技术的不断发展，越来越多行业和场景需要智能化的解决方案，公共场所的人流量监测就是其中一个智能适用场景。
为了安全的需要，我们常会在人流量聚集的场所诸如旅游景区、校园大门、学校食堂、大型商超、政府大门、交通枢纽等典型地点设置安防监控和安保人员以保障安全的公共秩序。在这种拥挤场景下，可以利用深度学习技术实时监测公共场所人流量，避免安全事故发生。同时利用深度学习技术实现针对特殊人员的人脸识别，对特殊人员进行监测和跟踪。
本课题旨在实现一个公共开放场所人流量分析及特殊人员监测的云监管平台，完成对公共场所的人流量识别，并将数据上传到云平台，方便管理人员进行安全管理。
- 相关领域
2.1人头识别（head detection）
公共场所的人流量监测主要与行人检测领域相关，目前行人检测已经成为计算机视觉领域最主要的研究方向，也是目前深度学习必不可少的研究项目。虽然目前的检测准确度和速率都有了一个相当高的水平，但是依旧有着许多困难，比如在拥挤场景下多人重叠、相互遮挡的情况下，要将人流量较好的监测出来，依然有许多困难。为了解决这些问题，可以根据人的身体部分建模，人头识别（head detection）是其中一个重要方法。
在人头识别方面，传统人头检测方法不需要进行背景建模，包括方向梯度直方图（histogram of oriented gradient，HOG）[1]，可变形组件模型（deformable part model， DPM）[2]，haar-like[3]等，但依赖于分类器模型的训练，如果训练集不够充分就有可能导致错误匹配的情况出现。
深度学习通过对大脑认知能力的研究和模仿以实现对数据特征的分析处理，具有强大的视觉目标检测能力，已成为当前目标检测的主流算法[4]。利用深度学习模型可以很好地进行特征提取从而进行目标检测，例如使用SSD（single shot multibox detector）模型检测人头[5]。在目标跟踪领域，有许多目标跟踪的方法，例如基于特征匹配的跟踪方法。目前常用的特征点提取算法有尺度不变特征变换（scale-invariant feature transform, SIFT）算法，KLT（Kanade-Lucas-Tomasi）算法及加速稳健特征（speed up robust features，SURF）算法等，还有高速相关滤波类跟踪算法，例如判别相关滤波器（discriminative correlation filter， DCF）算法。
本课题的一个重要内容即是解决人头识别的算法问题。Aditya Vora和Vinay Chilaka教授提出了一种基于拥挤场景下的快速精确人头检测（FCHD：Fast and Accurate Head Detection in Crowded Scenes）[6]。它是一个端到端的经过训练的头部检测模型，可与标准性能测试相媲美的数据集上达到0.7的AP。本课题的人头检测算法将以此为基础进行实现。
2.2人脸识别（face detection）
在公共场所中除了要对整个人群进行实时监测，有时候也需要针对某个特定人进行识别和追踪，这就涉及到人脸识别相关领域。人脸识别首先要解决人脸检测与定位，这是实现自动人脸检测的关键问题。如果在画面中出现了人脸，应将其从背景中分割出来并确定其在图像中的位置。在某些特殊场景例如警察拍摄罪犯照片时将人脸限定在标尺内，此时的人脸定位由于已经具备了人脸位置的先验知识而相对比较简单。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
