摘 要：隨著城市化進(jìn)程的加快，節(jié)日聚會(huì)等大型活動(dòng)越來(lái)越多，在這種人群密集的環(huán)境中，人民群眾的生命安全受到很大的威脅。鑒于此問(wèn)題，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的人群密度分析防踩踏方法，利用已有的人群計(jì)數(shù)手段CAN人群計(jì)數(shù)模型和ShanghaiTech數(shù)據(jù)集，輔以計(jì)算圖片中場(chǎng)景的實(shí)際面積，實(shí)現(xiàn)了圖片中人群密度的識(shí)別，并按照3種不同的密集程度劃分預(yù)警狀態(tài)，給出相應(yīng)的防范措施，以達(dá)到防踩踏的目的。實(shí)驗(yàn)結(jié)果表明，本系統(tǒng)對(duì)于防止人群密集程度過(guò)大導(dǎo)致的踩踏事故具有較大的可行性和較高的可靠性。

關(guān)鍵詞：防踩踏；人群計(jì)數(shù)；人群密度：卷積神經(jīng)網(wǎng)絡(luò)；照相機(jī)；機(jī)器視覺(jué)

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2024）05-0-05

0 引 言

隨著經(jīng)濟(jì)和科技的發(fā)展，現(xiàn)代交通越來(lái)越方便，城市化進(jìn)程越來(lái)越迅速，城市間的人口流動(dòng)不斷增加，演唱會(huì)、節(jié)日聚會(huì)等大型活動(dòng)也越來(lái)越多，在這種人群密集的環(huán)境中，人民群眾的生命安全會(huì)受到很大的威脅。2022年10月29日韓國(guó)首爾龍山區(qū)梨泰院發(fā)生大規(guī)模踩踏事故，造成156人死亡，150余人受傷[1]。主要原因就是對(duì)大規(guī)模人群聚集活動(dòng)的安全管理的忽視，并且當(dāng)?shù)鼐綄?duì)于游客的報(bào)警信號(hào)，并沒(méi)有做出及時(shí)的反應(yīng)，最終導(dǎo)致了悲劇的發(fā)生。為保證人民群眾的生命安全，對(duì)人流進(jìn)行防踩踏識(shí)別是十分必要的。發(fā)生踩踏最主要的原因就是人群過(guò)于密集，所以對(duì)于不同的人群密集程度，劃分預(yù)警狀態(tài)，并給出相應(yīng)的防踩踏措施是十分必要的。因此，通過(guò)計(jì)算出圖片的人數(shù)和圖片中場(chǎng)景的實(shí)際面積，得到人群密度；再根據(jù)圖片的人群密度，做好及時(shí)有效的應(yīng)對(duì)措施，對(duì)于防止踩踏，保證人民群眾的生命安全有十分重要的意義。本文利用已有的人群計(jì)數(shù)手段和人群計(jì)數(shù)數(shù)據(jù)集，輔以計(jì)算圖片中場(chǎng)景的實(shí)際面積，實(shí)現(xiàn)了圖片中人群密度的識(shí)別，并按照3種不同的密集程度劃分預(yù)警狀態(tài)，給出相應(yīng)的防踩踏措施，以達(dá)到防踩踏的目的。

1 人群計(jì)數(shù)發(fā)展

人群計(jì)數(shù)，又叫人群密度估計(jì)，是一種通過(guò)計(jì)算機(jī)計(jì)算或估計(jì)圖像中人數(shù)的技術(shù)。在傳統(tǒng)的人群計(jì)數(shù)方法中，研究人員主要采用基于檢測(cè)、回歸的傳統(tǒng)方法估計(jì)人群數(shù)量。

基于整體檢測(cè)的方法采用哈爾小波、方向梯度直方圖（Histogram of Oriented Gradient， HOG）、Shapelet訓(xùn)練器，以及支持向量機(jī)（Support Vector Machine， SVM）、提升、隨機(jī)森林、集群等算法來(lái)完成人群計(jì)數(shù)任務(wù)中的檢測(cè)或分類(lèi)[2]。

基于回歸的方法是通過(guò)特征提取和回歸建模展開(kāi)，特征提取主要針對(duì)前景特征、邊緣特征、紋理和梯度特征等，將特征提取出來(lái)后，利用不同的回歸算法來(lái)計(jì)數(shù)，例如線(xiàn)性回歸、分段線(xiàn)性回歸、嶺回歸和高斯過(guò)程回歸等方法。

上述兩種方法在人群稀疏的場(chǎng)景下有著較好的效果，但是在密集的場(chǎng)景下效果就不盡如人意了。

隨著深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)的識(shí)別、分割、檢測(cè)方法上的發(fā)展，人群計(jì)數(shù)經(jīng)歷了從傳統(tǒng)的基于檢測(cè)和基于回歸向現(xiàn)在的基于密度圖預(yù)測(cè)的跨越式發(fā)展。密度圖預(yù)測(cè)，就是將輸入的人群圖像映射到其對(duì)應(yīng)的密度圖[3-4]，如圖1所示，該密度圖指示圖像中每個(gè)像素對(duì)應(yīng)的人數(shù)。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks， CNN）在人群計(jì)數(shù)方面有極其強(qiáng)大的優(yōu)勢(shì)，例如：（1）自動(dòng)化計(jì)數(shù)；（2）對(duì)圖像中復(fù)雜的場(chǎng)景和多樣的人群分布具有較強(qiáng)的適應(yīng)性；（3）對(duì)實(shí)時(shí)圖像進(jìn)行快速計(jì)數(shù)；（4）利用遷移學(xué)習(xí)進(jìn)行模型訓(xùn)練；（5）可以對(duì)不同分辨率的圖像進(jìn)行計(jì)數(shù)。

卷積神經(jīng)網(wǎng)絡(luò)優(yōu)異的特征學(xué)習(xí)能力和深度學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)，已成為研究熱門(mén)，并被廣泛應(yīng)用于人群計(jì)數(shù)、交通監(jiān)測(cè)、城市管理等領(lǐng)域。

2 設(shè)計(jì)思路

本系統(tǒng)先對(duì)圖片進(jìn)行人群計(jì)數(shù)，為了得到更準(zhǔn)確的人群計(jì)數(shù)結(jié)果，對(duì)識(shí)別模型進(jìn)行選擇時(shí)，選擇識(shí)別準(zhǔn)確率更高的模型來(lái)對(duì)圖片進(jìn)行人群計(jì)數(shù)；然后計(jì)算圖片中人數(shù)和圖片中場(chǎng)景的實(shí)際面積，得到圖片的人群密度；最后通過(guò)人群密度來(lái)劃分預(yù)警狀態(tài)，并采取相應(yīng)的防踩踏措施，從而達(dá)到預(yù)防人群踩踏事故發(fā)生的目的。設(shè)計(jì)思路如圖2所示。

3 人群計(jì)數(shù)模型選擇

為了得到更加精確的人群密度，對(duì)比了2種目前準(zhǔn)確率較高的人群計(jì)數(shù)模型。

3.1 多列卷積神經(jīng)網(wǎng)絡(luò)（MCNN）

多列卷積神經(jīng)網(wǎng)絡(luò)（Multi-Column CNN， MCNN）是Zhang等人[5]為了解決多尺度問(wèn)題所提出的一種人群計(jì)數(shù)模型。其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，MCNN包含多個(gè)CNN網(wǎng)絡(luò)，每個(gè)網(wǎng)絡(luò)都有不同的感受野（即卷積核的大小和步長(zhǎng)），這些網(wǎng)絡(luò)可以處理不同大小的人群，從而提高了計(jì)數(shù)的準(zhǔn)確性。同時(shí)，為了解決密集人群計(jì)數(shù)時(shí)的重疊問(wèn)題，MCNN還引入了最大池化操作和重疊區(qū)域加權(quán)的技術(shù)。最后將多列子網(wǎng)絡(luò)輸出的人員密度圖做線(xiàn)性加權(quán)得到該圖像的人群密度圖。

MCNN中采用了多個(gè)CNN網(wǎng)絡(luò)進(jìn)行前向傳播，每個(gè)CNN網(wǎng)絡(luò)使用不同的卷積核大小和步長(zhǎng)，從而可以提取不同感受野下的特征。例如，較小的感受野可以用于計(jì)算局部特征，較大的感受野可以用于計(jì)算全局特征。這些CNN網(wǎng)絡(luò)可以使用相同或不同的結(jié)構(gòu)和參數(shù)，也可以通過(guò)遷移學(xué)習(xí)預(yù)先訓(xùn)練好的權(quán)重進(jìn)行初始化。同時(shí)在MCNN中，不同感受野下的特征圖需要進(jìn)行融合，以得到一個(gè)全局的特征圖，從而提高計(jì)數(shù)的準(zhǔn)確性。MCNN使用了兩種不同的特征融合方法：并聯(lián)（Parallel）和級(jí)聯(lián)（Cascade）。并聯(lián)方法將每個(gè)CNN網(wǎng)絡(luò)提取的特征圖連接起來(lái)，形成一個(gè)較大的特征圖。這種方法的優(yōu)點(diǎn)是簡(jiǎn)單、計(jì)算速度較快，但由于特征圖的尺寸較大，計(jì)算量也會(huì)相應(yīng)增加。級(jí)聯(lián)方法將不同CNN網(wǎng)絡(luò)的特征圖依次融合，最終形成一個(gè)較小的全局特征圖。這種方法可以減少計(jì)算量，但需要進(jìn)行多次特征融合操作，同時(shí)對(duì)不同感受野下的特征進(jìn)行加權(quán)融合，以保證對(duì)不同尺度人群的計(jì)數(shù)準(zhǔn)確性。最終，MCNN使用回歸模型對(duì)全局特征圖進(jìn)行處理，得到人群數(shù)量的預(yù)測(cè)結(jié)果。在MCNN中，回歸模型可以是一個(gè)全連接層，也可以是一個(gè)更復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型，例如LeNet、VGG等。

總體來(lái)說(shuō)，MCNN使用多個(gè)CNN網(wǎng)絡(luò)和特征融合方法，可以提高人群計(jì)數(shù)的準(zhǔn)確性，并且能夠適應(yīng)不同尺度的人群計(jì)數(shù)。同時(shí)，MCNN還可以通過(guò)遷移學(xué)習(xí)進(jìn)行訓(xùn)練，從而減少對(duì)大量標(biāo)注數(shù)據(jù)的依賴(lài)，提高了模型的泛化能力。

3.2 上下文感知人群計(jì)數(shù) （CAN）

上下文感知人群計(jì)數(shù)（Context-Aware Crowd Counting，CAN）是一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的人群計(jì)數(shù)方法[6]。CAN的主要思想是通過(guò)捕捉圖像中的上下文信息來(lái)提高人群計(jì)數(shù)的準(zhǔn)確性，結(jié)構(gòu)如圖4所示。

CAN首先對(duì)輸入的圖像進(jìn)行前向傳播，通過(guò)CNN網(wǎng)絡(luò)提取出特征圖。為了提高特征圖的表征能力和計(jì)算效率，CAN使用了VGG網(wǎng)絡(luò)的特征提取器，該特征提取器包括13個(gè)卷積層和5個(gè)最大池化層。通過(guò)這些卷積和池化操作，VGG網(wǎng)絡(luò)能夠有效地提取出圖像的低級(jí)特征和高級(jí)特征?；谔崛〕龅奶卣鲌D，CAN構(gòu)建了一個(gè)上下文感知模塊，用于捕捉圖像中的上下文信息。該模塊包括全局上下文模塊和局部上下文模塊。全局上下文模塊使用一個(gè)全局池化層，將整個(gè)特征圖進(jìn)行池化操作，得到一個(gè)全局的特征向量。該特征向量表示了整個(gè)圖像中的上下文信息，包括圖像的大小、形狀等。局部上下文模塊使用一個(gè)卷積層和一個(gè)最大池化層，對(duì)特征圖進(jìn)行卷積和池化操作，得到一個(gè)局部的特征圖。該特征圖表示了圖像中的局部上下文信息，包括人群的分布、密度等。

最終，CAN將全局特征向量和局部特征圖進(jìn)行連接，得到一個(gè)上下文感知的特征向量。通過(guò)一個(gè)全連接層，將該特征向量映射到人群數(shù)量的預(yù)測(cè)結(jié)果。具體地，CAN將全局特征向量和局部特征圖分別經(jīng)過(guò)兩個(gè)全連接層進(jìn)行降維，得到兩個(gè)低維特征向量，再將這兩個(gè)向量進(jìn)行連接，形成一個(gè)上下文感知的特征向量。通過(guò)一個(gè)全連接層，將該特征向量映射到人群數(shù)量的預(yù)測(cè)結(jié)果。該特征向量中包含了圖像的全局上下文信息和局部上下文信息，可以更準(zhǔn)確地反映出人群的數(shù)量。

3.3 評(píng)價(jià)指標(biāo)

平均絕對(duì)誤差（Mean Absolute Error， MAE）表征算法估計(jì)的準(zhǔn)確性，其定義為：

（1）

均方誤差的平方根（Root Mean Squared Error， RMSE）表征算法估計(jì)的穩(wěn)定性，其定義為：

（2）

式中：N表示測(cè)試圖片的個(gè)數(shù)；zi表示第i張圖片的真實(shí)人數(shù)；代表第i張圖片的預(yù)測(cè)人數(shù)。

3.4 運(yùn)行結(jié)果及分析

采用MCNN和CAN兩種網(wǎng)絡(luò)模型對(duì)ShanghaiTech數(shù)據(jù)集進(jìn)行識(shí)別。

ShanghaiTech數(shù)據(jù)集[5]包含A和B兩個(gè)數(shù)據(jù)集，一共1 198張圖片樣本，330 165個(gè)人頭標(biāo)記。A數(shù)據(jù)集為密集人群數(shù)據(jù)集，包含482張圖片樣本，其中300張用于訓(xùn)練，182張用于測(cè)試。B數(shù)據(jù)集為稀疏人群數(shù)據(jù)集，共包含716張圖片樣本，其中400張用于訓(xùn)練，316張用于測(cè)試。

本方法選用ShanghaiTech數(shù)據(jù)集進(jìn)行識(shí)別驗(yàn)證，數(shù)據(jù)結(jié)果見(jiàn)表1所列。

在Part_A中從MAE指標(biāo)上來(lái)看，CAN模型比MCNN低48.2；從RMSE指標(biāo)上來(lái)看，CAN 模型比 MCNN 低 79.7。在Part_B中從MAE指標(biāo)上來(lái)看，CAN 模型比 MCNN 低17.8；從RMSE指標(biāo)上來(lái)看，CAN模型比MCNN低30.7?？梢?jiàn)基于CAN的模型在ShanghaiTech數(shù)據(jù)集中識(shí)別準(zhǔn)確率更高，結(jié)果更穩(wěn)定，能夠滿(mǎn)足本研究的需求。因此，利用該訓(xùn)練集得到的CAN模型可以用于本研究中人群防踩踏的識(shí)別過(guò)程中。

4 圖片中場(chǎng)景實(shí)際面積計(jì)算

當(dāng)知道一張圖片中一個(gè)物體的實(shí)際面積時(shí)，可以通過(guò)比例來(lái)計(jì)算整個(gè)圖片中場(chǎng)景的實(shí)際面積。已知某個(gè)物體在圖片中的面積是S1，該物體的實(shí)際面積是S2，圖片的總面積是S3，該物體在圖片中所占的比例就是S1/S3，物體在圖片中所占的比例和該物體在實(shí)際場(chǎng)景中的尺寸比例相等，由此可以得到圖片中場(chǎng)景的實(shí)際面積。由于透視效應(yīng)的影響，圖像會(huì)出現(xiàn)“近大遠(yuǎn)小”現(xiàn)象，讓計(jì)算值與場(chǎng)景中實(shí)際面積出現(xiàn)較大的誤差，所以引入一個(gè)矯正系數(shù)K，用來(lái)減小誤差。整個(gè)圖片的實(shí)際面積可以通過(guò)下式計(jì)算：

（3）

（4）

式中：P為物體在圖片中所占的比例；S為圖片中場(chǎng)景對(duì)應(yīng)的真實(shí)面積；K為矯正系數(shù)。

在本研究中，識(shí)別的每一張圖片都有一個(gè)共同的特征，就是“人”，而人的正臉表面積其實(shí)都相差不大，根據(jù)已知數(shù)據(jù)，成年人的頭部正視圖面積約為100～120 cm2。本研究使用的是ShanghaiTech數(shù)據(jù)集的圖片，該數(shù)據(jù)集多來(lái)源于上海街道，絕大部分都是中國(guó)人，而中國(guó)人的整體頭部尺寸相較其他國(guó)家的人較為適中，所以本研究選取頭部正視圖面積的中間值110 cm2。

計(jì)算圖片中場(chǎng)景的實(shí)際面積時(shí)，已知圖片中人的頭部的實(shí)際面積，可以得到人的頭部在圖片中所占的比例，由此就能計(jì)算出圖片中場(chǎng)景的實(shí)際面積。為此編寫(xiě)了一個(gè)程序，能夠?qū)崿F(xiàn)用矩形框框選圖片中的區(qū)域，然后輸出矩形框框選區(qū)域占整個(gè)圖片的比例，矩形框框選示意圖如圖5所示。

在用矩形框框選圖片中人的頭部時(shí)，要盡量框選正面的頭部，有利于正確代入正面頭部的實(shí)際尺寸，讓誤差更小。同時(shí)，盡量框選距離照相機(jī)鏡頭較近的“人頭”。第一個(gè)原因是距離照相機(jī)鏡頭較近的“人頭”更加清晰，利于框選。第二個(gè)原因是當(dāng)拍攝一個(gè)物體時(shí)，它會(huì)通過(guò)相機(jī)鏡頭進(jìn)入相機(jī)內(nèi)部；在相機(jī)內(nèi)部，光線(xiàn)會(huì)經(jīng)過(guò)鏡頭的透鏡系統(tǒng)，被聚焦在相機(jī)感光元件上，形成一張圖像；在透鏡系統(tǒng)中，距離相機(jī)感光元件較近的物體會(huì)形成一個(gè)較大的投影，而距離相機(jī)感光元件較遠(yuǎn)的物體則會(huì)形成一個(gè)較小的投影，表現(xiàn)出“近大遠(yuǎn)小”現(xiàn)象。本研究是從防踩踏的角度出發(fā)，選取距離照相機(jī)鏡頭較近的“人頭”時(shí)，選擇“人頭”的矩形框會(huì)在圖片中占據(jù)較大的比例，最后計(jì)算出的實(shí)際圖片面積會(huì)偏小，導(dǎo)致最后計(jì)算出的人員密度偏大[7]，會(huì)更加容易逼近防踩踏的人員密度標(biāo)準(zhǔn)，但是從防踩踏安全角度出發(fā)，這樣做則能夠有效預(yù)防踩踏的發(fā)生，更能維護(hù)人民群眾的生命安全。

5 人群密度和防踩踏識(shí)別

5.1 人群密度

人群密度是進(jìn)行防踩踏狀態(tài)劃分的重要指標(biāo)，通過(guò)式（5）計(jì)算：

（5）

式中：ρ是人群密度，單位是人/m2；N是圖片中的人群個(gè)數(shù)；S是圖片中場(chǎng)景的實(shí)際面積。

如圖6所示，先用CAN網(wǎng)絡(luò)得到圖片的人數(shù)，再用矩形框框選圖片中距離照相機(jī)較近的正面“人頭”，得到框選區(qū)域占整個(gè)圖片的比例，用于后面人群密度的計(jì)算。

圖6中，CAN預(yù)測(cè)圖片中的人數(shù)為137.677 73，矩形框框選圖片中的“人頭”占全部圖片面積的0.24%。將占比代入式（3），此時(shí)矯正系數(shù)K取25，計(jì)算得到圖片中場(chǎng)景的實(shí)際面積是114.58 m2，將人數(shù)和圖片中場(chǎng)景的實(shí)際面積代入到式（5），最后得到人群密度約為1.2人/m2。

5.2 防踩踏識(shí)別

人群密度過(guò)大是導(dǎo)致踩踏事故的一個(gè)重要因素[8]。人群密度超過(guò)某一閾值時(shí)，人們的行動(dòng)就會(huì)變得非常局限，而這種局限可能導(dǎo)致踩踏事故的發(fā)生[9-11]。所以要對(duì)不同的人群密度進(jìn)行合理的劃分，然后采取相應(yīng)的預(yù)防踩踏的措施。

本系統(tǒng)給人群密度標(biāo)定2個(gè)閾值：3人/m2、5人/m2。在0～3人/m2范圍內(nèi)為綠色狀態(tài)，表示無(wú)需采取措施；3～5人/m2范圍內(nèi)為黃色狀態(tài)，表示進(jìn)入警戒狀態(tài)，區(qū)域內(nèi)要禁止人流進(jìn)入；大于5人/m2時(shí)為紅色狀態(tài)，表示人群密度已經(jīng)超過(guò)了限制，非常容易發(fā)生踩踏事故，要在限制人流進(jìn)入的情況下，同時(shí)疏散現(xiàn)有人群。

識(shí)別結(jié)果如圖7～圖9所示。圖7～圖9展示了圖片分別為綠色狀態(tài)、黃色狀態(tài)、紅色狀態(tài)的識(shí)別結(jié)果，表明了本系統(tǒng)對(duì)不同人群密度的識(shí)別效果，并能夠給出相應(yīng)的預(yù)警狀態(tài)，結(jié)合對(duì)應(yīng)的防踩踏措施，對(duì)于預(yù)防因人群密集程度過(guò)大導(dǎo)致的踩踏事故，可行性好、可靠性高。

6 結(jié) 語(yǔ)

本文設(shè)計(jì)了基于卷積神經(jīng)網(wǎng)絡(luò)的人群密度分析防踩踏系統(tǒng)。在實(shí)驗(yàn)中先進(jìn)行模型的選擇，選擇CAN模型對(duì)圖片進(jìn)行人群計(jì)數(shù)；然后計(jì)算圖片中場(chǎng)景的實(shí)際面積，通過(guò)圖片人數(shù)和圖片中場(chǎng)景的實(shí)際面積得到圖片的人群密度；最后根據(jù)人群密度來(lái)劃分預(yù)警狀態(tài)，采取相應(yīng)的措施，從而達(dá)到預(yù)防人群踩踏的目的。實(shí)驗(yàn)表明，基于卷積神經(jīng)網(wǎng)絡(luò)的人群密度分析防踩踏系統(tǒng)能夠防止因人群密集程度過(guò)大導(dǎo)致的踩踏事故，可行性好、可靠性高。

注：本文通訊作者為姚平。

參考文獻(xiàn)

[1]張海生，付嘉駿，陳函，等.梨泰院事故，韓公布兩大原因[N].環(huán)球時(shí)報(bào)，2022-11-02（004）.

[2]盧振坤，劉勝，鐘樂(lè)，等.人群計(jì)數(shù)研究綜述[J].計(jì)算機(jī)工程與應(yīng)用，2022，58（11）：33-46.

[3] SINDAGI V A，PATEL V M. A survey of recent advances in CNN-based single image crowd counting and density estimation [J]. Pattern recognition letters，2018，107：3-16.

[4]潘婷.高校教學(xué)樓人流量預(yù)測(cè)的方法及模型研究[D].天津：天津大學(xué)，2021.

[5] ZHANG Y Y，ZHOU D S，CHEN S Q，et al. Singleimage crowd counting via multi-column convolutional neural network [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Piscataway，NJ：IEEE，2016：589-597.

[6] LIU W，SALZMANN M，F(xiàn)UA P. Context-aware crowd counting [C]// 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Long Beach，CA，USA： IEEE，2019：5094-5103.

[7] YANG Y H，WANG B，DING Y，et al. Facial anthropometric proportion of Chinese han nationality [J]. Journal of craniofacial surgery，2019，30（5）：1601-1604.

[8] HELBING D. Understanding crowd dynamics [J]. Advances in complex systems，2007，10（4）：443-466.

[9]陳璐.基于卷積神經(jīng)網(wǎng)絡(luò)的視頻密集群體行為識(shí)別[D].南京：南京郵電大學(xué)，2020：10-11.

[10]郭濠奇，楊杰，康莊.基于改進(jìn)CSRNet的人群計(jì)數(shù)算法[J].傳感器與微系統(tǒng)，2022，41（6）：150-152.

[11]楊博涵.一種基于卷積神經(jīng)網(wǎng)絡(luò)的人群密度識(shí)別算法[J].電腦知識(shí)與技術(shù)，2022，18（2）：82-83.

作者簡(jiǎn)介：夏 軍（2001—），男，碩士研究生，主要研究方向?yàn)閳D像識(shí)別。

王鑫一（2001—），男，本科生，主要研究方向?yàn)楣怆姍z測(cè)。

鄢 嫣（1980—），女，博士，副教授，主要研究方向?yàn)榱孔庸鈱W(xué)。

姚 平（1978—），男，碩士，高級(jí)實(shí)驗(yàn)師，主要研究方向?yàn)楣怆姍z測(cè)。

收稿日期：2023-05-06 修回日期：2023-06-05

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（11704045）