Fast SqueezeNet算法及在地铁人群密度估计上的应用

• 作者: 刘全利 王伟 郭强
• 来源期刊: 控制理论与应用
• 关键词: 人群密度估计 SqueezeNet 稀疏化方法 地铁 嵌入式平台
• 年，卷（期）: 2019,（7）
• 所属期刊栏目: 论文与报告
• 页码范围: 1036-1046
• 页数: 11页
• 字数: 8257字
• 语种: 中文
• DOI: 10.7641/CTA.2018.80376

摘要

针对地铁视频监控一直缺乏一种有效的人群密度分类器的问题,提出了基于人群密度估计算法—Fast SqueezeNet的人群密度分类器,用于在地铁嵌入式计算平台有限的硬件资源限制下,实现对地铁车厢内人群的密度估计.该算法基于轻型卷积神经网络SqueezeNet,结合权值稀疏化和结构稀疏化方法,具有如下3点优势:1)以原始图像作为输入,并在处理的过程中自动提取纹理特征用于拥挤人群密度的估计;2)SqueezeNet经过权值稀疏化后,具有更少的模型参数,可以灵活的布置在安谋(ARM)等具有有限硬件资源的嵌入式平台上;3)结构稀疏化方法使得SqueezeNet具有更快的前向预测速度,提高其在地铁嵌入式平台上的图像处理效率.在3个人群密度数据集PETS 2009,Mall和ShangHai metro上,采用Fast SqueezeNet算法的三分类人群密度分类器,与基于卷积神经网络和单纯的权值稀疏化SqueezeNet网络的分类器进行对比实验研究,结果表明:在预测准确率、参数规模和运行时间3个维度上,基于Fast SqueezeNet的分类器均表现出了较好的性能,有效地克服了地铁车厢拥挤人群中存在的高密度、高耦合、透视变形等图像识别难题对估计结果的影响.最后,在ARM嵌入式平台上的实验表明基于Fast SqueezeNet的分类器可以在有限的硬件资源下,快速准确的得到预测结果,满足高速运行的地铁列车日常使用需求.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘全利	大连理工大学控制科学与工程学院	38	240	9.0	12.0
2	王伟	大连理工大学控制科学与工程学院	236	3358	26.0	48.0
3	郭强	大连理工大学控制科学与工程学院	10	28	4.0	4.0