Resumen

En los últimos diez años, la detección y el recuento de multitudes se han aplicado en muchos campos, como las estadísticas de multitudes en estaciones, la prevención de la seguridad urbana y las estadísticas de flujo de personas. Sin embargo, la obtención de posiciones precisas y la mejora del rendimiento del recuento de multitudes en escenas densas siguen planteando problemas, por lo que merece la pena dedicar muchos esfuerzos a ello. En este artículo se propone un nuevo marco para resolver el problema. El marco propuesto consta de dos partes. La primera parte es una red neuronal totalmente convolucional (CNN) que consta de backend y upsampling. En la primera parte, el backend utiliza la red residual (ResNet) para codificar las características de la imagen de entrada, y el upsampling utiliza la capa de deconvolución para decodificar la información de las características. La primera parte procesa la imagen de entrada, y la imagen procesada se introduce en la segunda parte. La segunda parte es un mapa de confianza de picos (PCM), que se propone a partir de una mejora del mapa de densidad (DM). En comparación con el DM, el PCM no sólo puede resolver el problema del recuento de multitudes, sino también predecir con precisión la ubicación de la persona. Los resultados experimentales en varios conjuntos de datos (Beijing-BRT, Mall, Shanghai Tech y UCF_CC_50) muestran que el marco propuesto puede lograr un mayor rendimiento en el recuento de multitudes en escenarios densos y puede predecir con precisión la ubicación de las multitudes.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:primera parte, segunda parte, red neuronal convolucional, mapa de confianza de picos, estadísticas de aglomeraciones en estaciones, prevención de la seguridad urbana, pcm, backend, marco, localización
• Keywords:first part, second part, convolutional neural network, peak confidence map, station crowd statistics, urban safety prevention, pcm, backend, framework, location