目录
饭堂人群密度检测 4
一、选题背景 4
二、方案论证(设计理念) 4
1、硬件摄像 4
1.1 方案 1 5
1.2 方案 2 5
1.3 方案优劣选择 5
2、网页终端 5
2.1设计原理 5
2.2方案选择 5
2.3实现的功能 6
2.4系统的安全性 6
2.5数据的完整性 6
2.6应用的运行环境 7
2.7性能 7
3、核心算法 7
3.1设计要求 7
3.2手动提取特征回归人数 7
3.3深度卷积神经网络 8
三、过程论述 10
1、硬件摄像 11
1.1 方案 1 11
1.2 方案 2 12
2、应用终端 12
2.1项目架构 12
2.2组件结构 14
2.3页面切换与路由跳转 16
3、核心算法 18
3.1手动提取特征 18
3.2MSCNN 19
四、结果分析 24
1、硬件摄像 24
1.1 方案 1 24
1.2 方案 2 25
2、应用终端 26
3、核心算法 29
手动提取特征 29
MSCNN 30
五、课程设计总结 32
1、硬件摄像 33
2、应用终端 33
3、核心算法 34
手动提取特征 34
MSCNN 34
参考文献 36
六、附录 37
1、硬件摄像 37
1.1 方案 1 37
1.2 方案 2 37
2、应用终端 38
3、核心算法 38
手动提取特征应用代码 38
MSCNN 应用代码 39
饭堂人群密度检测
一、选题背景
在这个人工智能快速发展的时代，智能交通、智能机器人等人工智能化产品不断出现。作为人工智能的重要分支，计算机视觉起到了重要作用。它通过一系列的图像处理与模式识别手段，模拟现实世界中的生物视觉系统，并对捕捉到的图像进一步处理以满足不同领域的需求。
本项目从生活细节出发，将计算机视觉应用在饭堂人数检测上，结合软硬件设施：算法基于深度卷积神经网络模型，硬件基于树莓派 RaspberryPi3 Model B， 终端为Web APP 或者公众号平台，学生可以通过终端获取饭堂人数密度热力图。一方面有助于师生根据饭堂人数避开就餐高峰期，另一方面将人群密度分布数据提供给饭堂设计人员，方便做出更好的设计。此外，本项目运用计算机视觉、模式识别领域的相关理论同样对火车站、地铁站、广场等人群容易集中的场所进行人群密度估计和人数统计。
