《表1 Googlenet(5级）人流密度估算结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于卷积神经网络的密集场景人流估计方案》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

此外，还进行了其他的对比工作。如将GLCM作为纹理描述，将SVM用于图像分类。GLCM在0°、45°、90°和135°方向上生成了能量、相关性、对比度和同质性特征，这些特征构成了16维特征向量，输入到由10个二元SVM分类器组成的多类支持向量机中。多类SVM模型是由景区样本子集中得到的。图6显示了GLCM-SVM方法和本文对景区附体数据集的深入学习方法的分类结果对比。导致性能差别的原因是：前者的方法将归一化后GLCM中的一些特征参数作为特征，但在有密集的栏杆和大量的广告牌的场所，测试场景中就会有大量的纹理特征（见图4和图5）。因此在这种有其他物件干扰的情况下，其倾向于将场景估计为高密度。然而，自动获取的CNN特征图与纹理背景无关，相比手工特征具有较好的通用性。