1、“.....且无法识别图像中的阴影区域，造成统计误差。因此，本文融合基于的检测方法和基于高斯混合模型的运动信息检测方法，得出和基于运动背景检测算法得出的相对独立的检测结果。设置代表单人标定框的而积范围。在该范围内，通常每个标定框代表计数个行人。对于检测框标定出的连通区域包含两个以上行人的情况，其标定框的像素而积般远大于正常情况下单人标定框的面积范围。因此，我们在算法中设置当标定框的像素个数大于时，我们对框内的人数统计为前景检测中出现的阴影区域也会被作为前景运动目标提取出来，产生些较小的标定框。在算法中我们设置当标定框像素小于时，清除此标定框。基于卷积神经网络的稀疏目标场景下智能视频人数统计方法论文原稿。框架检测针对现有行人目标检测的方存在很大的局限性，并且对于运动联通区域无法进行行人识别，对相邻运动目标的计数存在误差。且无法识别图像中的阴影区域，造成统计误差......”。

2、“.....本文融合基于的检测方法和基于高斯混合模型的运动信息检测方法，得出更高效的视频目标检测算法。基于卷积神经网络的稀疏目标场景下智能视频人数统计方法论文原稿。框架检测针对现有行人目标检测的方法，我们采用框架，将直以来分离的和分类融合到了起，使用端到端的网络进行目标检测，并且对框架进行模型选择和微调，简单网络目标检测速度基于卷积神经网络的稀疏目标场景下智能视频人数统计方法论文原稿，框是深度卷积神经网络在每帧静态图像中检测出的行人目标，蓝色框是将运动前景图像检测与深度神经网络静态检测结果融合后标记出的神经网络漏检的行人目标。图是经标定框计数优化和最终计数评估优化后得到的行人目标计数结果。从图中可以看出，本文提出的算法弥补了卷积神经网络在视频图像行人计数方面的主要缺陷，提高了视频行人计数统计的鲁棒性和准确率。总结本文提出了种融合卷积神经网络与前景运动信息的视频行人计数方法......”。

3、“.....提高了视频帧行人检测的准确性。并提出了标定框计数优化和计数评基于卷积神经网络的目标分类算法如下所示将整张图片输入，进行特征提取。用区域建议网络生成候选区域，每张图片生成个候选区域。把候选区域映射到的最后层卷积特征图上。通过层使每个生成固定尺寸的。利用和对分类概率和边框回归联合训练。技术细节可参考。模型动练与微调在训练时，个是由幅图像中任意选取的个组成的，其中正负样本的比例为。如果正样本不足，则多用些负样本以满足有个人检测的准确率。提出稀疏目标运动场景下的行人计数评估方法，提高检测系统的准确率和鲁棒性。计数评估优化算法我们进步提出了稀疏目标运动场景下的行人计数评估优化方法。在稀疏目标监控场景下，通常短时间内的人数可以认为是个常数。在算法中，我们将这个时间段设置为秒，每秒的视频帧率认为是，故在帧内......”。

4、“.....然而由于漏检和错检，相近帧视频的计数结果往往存在定差异。设当前时刻下最近帧视频的人数统计结果为，我们将向量内出现频率最高的检测数作为当前帧的行人计数结果。设为当前视频图像第帧的真实行人数量，为未采用计数优化算法，。计数评估优化算法我们进步提出了稀疏目标运动场景下的行人计数评估优化方法。在稀疏目标监控场景下，通常短时间内的人数可以认为是个常数。在算法中，我们将这个时间段设置为秒，每秒的视频帧率认为是，故在帧内，我，有效利用动态信息的主要问题，提高了视频帧行人检测的准确性。并提出了标定框计数优化和计数评估优化两个新方法，利用鲁棒统计技术，有效降低了人数的误检率。实验结果表明，本文提出的算法在相当程度上解决了在稀疏目标场景中存在定形变遮挡时目标行人计数不准确的问题，具有准确率高，鲁棒性好，检测速率快等优点，具有较强的实际应用价值......”。

5、“.....为使用上述计数优化算法得到的第帧的人数计数结果。对大量視频帧数的人数估计结果与真实情况进行对比，可计算出两个统计量。其中，为未采用计数优化的检测率，为采用计数优化的检测率，为视频帧数，实验结果显示关键实现技术检测框架以及它的改进框架都是从区域检测窗口中提取深度卷积特征，然后再将检测区域分为不同类别。通过大量的数据训练，能够提升这些基于深度学习的卷积神经网络检测方法对复杂环境下目标检测识别的准确性和鲁棒性。以及它的改进框架都是从区域检测窗口中提取深度卷积特征，然后再将检测区域分为不同类别。通过大量的数据训练，能够提升这些基于深度学习的卷积神经网络检测方法对复杂环境下目标检测识别的准确性和鲁棒性。本文主要研究针对稀疏人群监控场景下的行人计数算法......”。

6、“.....提升了稀疏目标场景下的行人检测准确率。在技术细节上，我们采用非极大值抑制方法融合静态图像检测结果和运动前景标定的行人检测框结果，并通过实验设置检测框的大小边界，减除冗余标定检测框，提高了稀疏目标场景下行组成的，其中正负样本的比例为。如果正样本不足，则多用些负样本以满足有个可以用于训练，反之亦然。训练时，与网络共有的层参数可直接拷贝经训练得到的模型中的参数其余层参数用标准差的高斯分布初始化。实验验证实验环境实验采用数据集进行训练，在行人检测数据集的子集上进行测试，程序的运行环境为内存实验结果图是基于卷积神经网络和运动前景检测算法在上个视频帧的检测效果。为原始的视频输入图像，为基于混合高斯背景建模算法经形态学处理后检测出的前景认为视频中的实际人数是保持不变的。然而由于漏检和错检，相近帧视频的计数结果往往存在定差异......”。

7、“.....我们将向量内出现频率最高的检测数作为当前帧的行人计数结果。设为当前视频图像第帧的真实行人数量，为未采用计数优化算法时第帧视频图像的检测人数，为使用上述计数优化算法得到的第帧的人数计数结果。对大量視频帧数的人数估计结果与真实情况进行对比，可计算出两个统计量。其中，为未采用计数优化的检测率，为采用计数优化的检测率，为视频帧数，实验结果显示关键实现技术检测框架，运动目标，图融合了卷积神经网络的静态检测结果和混合高斯模型的运动前景检测结果。其中，绿色框是深度卷积神经网络在每帧静态图像中检测出的行人目标，蓝色框是将运动前景图像检测与深度神经网络静态检测结果融合后标记出的神经网络漏检的行人目标。图是经标定框计数优化和最终计数评估优化后得到的行人目标计数结果。从图中可以看出，本文提出的算法弥补了卷积神经网络在视频图像行人计数方面的主要缺陷，提高了视频行人计数统计的鲁棒性和准确率......”。

8、“.....我们解决了等基于深度神经网络的检测模型不能基于卷积神经网络的稀疏目标场景下智能视频人数统计方法论文原稿高效的视频目标检测算法。基于卷积神经网络的稀疏目标场景下智能视频人数统计方法论文原稿。基于卷积神经网络的目标分类算法如下所示将整张图片输入，进行特征提取。用区域建议网络生成候选区域，每张图片生成个候选区域。把候选区域映射到的最后层卷积特征图上。通过层使每个生成固定尺寸的。利用和对分类概率和边框回归联合训练。技术细节可参考。模型动练与微调在训练时，个是由幅图像中任意选取的个法，我们采用框架，将直以来分离的和分类融合到了起，使用端到端的网络进行目标检测，并且对框架进行模型选择和微调，简单网络目标检测速度达到，复杂网络达到。通过实验比较，我们采用中型网络进行目标检测，其检测速度接近于简单网络的检测速度......”。

9、“.....图展示了采用中型复杂网络对静态行人图片的检测结果。然而，采用基于的中型复杂网络无法关联视频图像的时序和运动信息，前帧中标定的行人目标检测框，在下帧中同目标的检测结果有可能会丢失。从而，整体视频到，复杂网络达到。通过实验比较，我们采用中型网络进行目标检测，其检测速度接近于简单网络的检测速度，检测准确率却能基本达到复杂网络的效果。图展示了采用中型复杂网络对静态行人图片的检测结果。然而，采用基于的中型复杂网络无法关联视频图像的时序和运动信息，前帧中标定的行人目标检测框，在下帧中同目标的检测结果有可能会丢失。从而，整体视频的检测结果存在定的突变性和不稳定性。针对上而发生的情况，我们提出标定框计数优化算法以深度神经网络检测到的行人标定框为基本，将与基本框重合面积超过的前景动态检测框清除，保留，。混合高斯背景建模检测通过混合高斯模型......”。