摘要：随着监控设备的普及和神经网络算法的高速发展，极大的促进了利用监控视频进行日常管理。本文研究的基于卷积神经网络的人流量计算研究是一项帮助管理者资源统计分配、日常信息收集以及进行智能化管理等任务的基础。现在的监控设备追求的高质量画面，使得视频监控的帧率越来越高，而人流量计算一般应用于实时场景，所以在检测目标时要在保持一定精确度下，检测速度尽可能的快。

本文利用YOLOv5s算法进行目标检测，再通过DeepSort算法进行行人的跟踪，最后采用双线计数法进行行人计数，从而计算出视频场景中的人流量。其中，YOLOv5s相较于传统使用的Faster-RNN和YOLOv3-SPP，其网络深度和网络宽度更小，结构更轻盈，在牺牲了一部分精确度下，成倍的提升了检测速度。最终人流量计算精准度为98%。

关键词：目标检测、卷积神经网络、YOLOv5s算法、DeepSort算法

目录

摘要

Abstract

1. 绪论-1

1.1 研究背景及研究意义-1

1.2 研究难点及国内外现状-1

1.2.1 研究难点-1

1.2.2 国内外现状-2

1.3 研究思路与框架-2

2. 本文相关研究工作-3

2.1 神经网络基础-3

2.1.1 神经元-3

2.1.2 基于梯度下降法的反向传播算法-4

2.1.3 激活函数-6

2.2 卷积神经网络-10

2.2.1 卷积神经网络与全连接神经网络的区别-10

2.2.2 边缘检测与卷积-10

2.2.3 卷积层-11

2.2.4 池化与池化层-13

2.2.5 激活函数层-14

2.2.6 全连接层-14

2.2.7 1*1卷积-15

2.2.8 权值共享与稀疏连接-15

3. 基于YOLOv5网络的行人检测-16

3.1 基于YOLOv5网络的行人检测算法-16

3.1.1 YOLO算法-16

3.1.2 YOLOv5算法-18

3.1.3 YOLOv5与之前版本比较-20

3.1.4 评价指标-22

3.2 实验数据集与结果-22

3.2.1 目标检测常用数据集-23

3.2.2 实验结果-23

4. DeepSort跟踪及人流量计算-25

4.1 DeepSort跟踪-25

4.2 评价指标-28

4.3 跟踪数据集与跟踪结果-29

4.3.1 目标跟踪常用数据集-29

4.3.2 跟踪结果-30

4.4 人流量计算-31

4.4.1 计数原理-31

4.4.2 实验结果-32

5. 总结-32

参考论文-33