摘要：随着世界各地城市化的快速发展，经济的日益发达，人口的数目也愈来愈庞大。而这庞大的人口数量会给社会带来很大的压力，各种城市化和人口密度的问题也就多了。然而，正是迫于这样的压力，才使得在人群密度的研究是方兴未艾。世界各国都在研究人群密度信息，通过人群密度信息来预警突发事件的发生。本文针对全卷积神经网络的人群计数进行了研究，对有关于神经网络的方法进行了总结，研究了卷积神经网络下的人群计数，并做了一些改进，具体工作如下：

首先，本文使用Caffe来搭建深度学习框架，然后通过Caffe来搭建本文所需要的网络。本文在比较流行的卷积网络（CNN）的基础上，通过一些改进，提出了全卷积神经网络（FCN）。该网络包含数据准备层（HDF5Data）、卷积层（conv）、最大池化层（pool）等。较以前的神经网络相比，本文通过用单一通道的全卷积神经网络和具有多通道的全卷积神经网络对图像进行训练，使得训练的速度有了较大的提升。对于网络训练前需要准备的特征图，本文使用了基于不同大小自适应核的密度图生成方法，该方法能够避免透视失真问题。

本文使用Zhang等人提出的特征图生成方法对所使用的数据集进行了验证，并使用本文所提出的全卷积神经网络（FCN）与基于像素的人群计数[2]、开关卷积人群[3]计数等近些年比较流行的人群计数方法进行了对比。实验结果表明，本文提出的方法既保证了最终人群计数的准确率，训练模型的速度又有了相对的提升。

关键词：人群密度；卷积神经网络；特征图；透视失真

目录

摘要

ABSTRACT

1.-绪论-1

1.1.-研究的背景及意义-1

1.2.-国内外研究现状-2

1.2.1.-国外研究现状-2

1.2.2.-国内研究现状-3

1.3.-本课题要完成的任务-3

1.4.-论文组织结构-4

2.-相关技术方法的介绍-5

2.1.-方法概述-5

2.2.-FCN（全卷积神经网络）-5

2.3.-Convolution layer（卷积层）-6

2.3.1.-Convolution的计算-6

2.3.2.-Convolution的参数-9

2.4.-Pooling layer（池化层）-9

2.5.-Upsample（上采样层）-10

2.6.-ReLU（激活函数）-11

3.-设计过程-13

3.1.-图像的采集与标注-13

3.2.-基于密度的人群计数-13

3.3.-基于几何自适应的密度映射-14

3.4.-用于密度估计的FCN-15

3.5.-评价指标-16

4.-实验的实施-17

4.1.-神经网络的搭建-17

4.2.-Caffe介绍-23

4.3.-Linux下环境配置-23

5.-实验结果及分析-27

5.1.-UCF_50_CC-27

5.2.-WorldExpo’10-28

5.3.-实验结果分析-29

6.-总结与展望-33

6.1.-总结-33

6.2.-展望-33

参 考 文 献-34

致 谢-36