随着民航事业的发展,计算机视觉技术在民航领域的应用需求日益增长。机场航站楼作为民航业内人流最密集的场景,其旅客管控工作是航空安全的重要保障。但是目前对航站楼旅客的监控管理还处在依靠人工的阶段,不仅耗费大量的人力,而且工作人员容易疲劳而造成安全隐患。为了提高对航站楼旅客监控视频的智能化分析水平,本文针对旅客智能分析系统的关键技术展开研究和改进。旅客智能分析系统主要基于计算机视觉,涉及的关键技术包括人群密度估计算法、密集场景行人检测算法和人体姿态估计算法等。本文的主要工作包括:1.提出一种基于多任务学习的行人检测算法,利用人群密度估计任务的知识辅助提升密集场景行人检测的性能,减少对密集行人和微小尺寸行人漏检的同时,提升了行人检测的精度。此外,提出一种利用行人检测标注生成人群密度估计伪标签的方法,使该算法摆脱对人群密度估计标签的依赖,减少了大量的标注工作。相比于传统的使用两个神经网络分别进行密度估计和行人检测的方法,本文成功将两个任务融合到一个神经网络中,不仅提升了密集场景下行人检测的性能和人群密度估计的准确率,而且大大降低了旅客智能分析系统的计算消耗。2.提出一种基于改进高分辨率网络的人体姿态估计方法。针对目前单人姿态估计方法缺乏对人体结构显式约束的问题,提出一种基于热力图的肢体损失函数。肢体损失函数和传统的热力图损失函数共同监督训练网络模型,减少网络模型对畸形姿态的预测。进一步地,在不改动原始网络的前提下增加一个小型精炼网络,利用原始网络模型的浅层特征对初始预测姿态进行精细化调整。最后通过对比实验证明本文方法在几乎不增加计算量和参数量的情况下,大大提高了姿态估计的准确性。本文方法不仅可以用于高分辨率网络,也可以不加改动地移植到其他单人姿态估计网络模型中。3.根据航站楼旅客智能分析需求,设计智能分析系统的功能架构。基于本文提出的人体姿态估计算法、人群密度估计和行人检测算法,完成航站楼旅客智能分析系统的搭建。在人群密度图和人体骨架姿态的基础上,进一步实现混乱队伍检测和旅客行为识别等功能。