7月5日至7月15日,基于多尺度空间卷积神经网络的人群密度自动检测暑期实践小分队开始了进行了线下与线上相结合的实践活动形式,进行了实地考察搜集并分析数据,阅读文献,编写代码等工作。
人群密度的监测早已广泛地被应用,合理地对人群密度进行实时监测,具有很大的实践意义。而由于2020年新冠疫情的爆发,社会的各项发展都受到了极大的制约和影响。而疫情的快速传播与人流的走向以及人群的密度是密切相关的。小组成员基于此社会背景,针对人群密度进行了实地考察。
受疫情影响,实践采用了线上问卷以及线下考察的方式。小组成员返回各自家乡,于不同时段对公共交通、商业圈、繁华地段的人群密度进行取样并分析。成员位于多个城市,取样结果具有一定的普遍性和客观性,避免了在同一个地点取样造成结果的偶然性和片面性。
小组成员于多个公交车站、地铁站取样,最后综合各成员的分析结果后得出结论:工作日早晨7:00~9:30,中午11:00~13:30,晚间17:00~19:00为人流量高峰期,约为其他时期人流量的1.25-2倍,双休日几近全天处于高峰期,考虑到天气、气候等因素,雨季和寒冷时期的高峰期约比上述数据推迟30-90min。与上一年同时期比较,人流量略有减少,考虑到非常时期下的疫情影响,该流量存在一定的安全隐患,给出建议:地铁可通过增加高峰时期的班次以来实现减少站内、车厢拥挤度,进一步达到降低出行风险的目的。
另外,小组成员定期在线上进行腾讯会议交流沟通项目进展,并分享相关的应用文献材料供参考。
图为小组成员阅读参考文献
之后,负责代码编程的小组成员调取了实地拍摄的相关人流密度照片,应用编写的代码对图片进行人流密度的预测分析,并优化预测结果。小组成员主要运用空间卷积神经网络模型,对图片进行每个像素特征的剔除,将图片通过池化层卷积层全连接层等进行处理,最终检测到人群,运用积分计算出人群密度。
编写代码过程中,小组成员遇到了如下困难:
1.对于空间卷积这一类神经网络不够熟悉,编写与调试过程较为困难;
2. 在进行图像检测处理时,常常误将不必要的因素(街灯,路牌等)考虑进去,但实际上这些并不属于人流,导致正确率下降。
图为小组成员编写代码
7月15日,小组成员结束了为期10日的创新科研类社会实践项目。此次暑期实践基本实现了自动化的人群密度自动检测,但是预测的正确率与时间效率还有待大大的提高。
敬文书院基于空间卷积神经网络的人群密度自动检测实践团队投稿