高密度人群聚集容易發(fā)生各種意外事件、所以監(jiān)控與分析高密度人群，防止意外事件發(fā)生，具有重要的現(xiàn)實(shí)意義，分析高密度人群其中一個(gè)最重要的參考就是人群數(shù)量、評(píng)估聚集人群的數(shù)目、分布方式，有利于實(shí)時(shí)分離與管控，防止意外發(fā)生。

傳統(tǒng)特征提取方法

早期的密集人群技術(shù)主要是基于人頭計(jì)數(shù)與行人計(jì)數(shù)、人臉、身體等部位、這些方法都基于SIFT、HAAR、HOG等特征傳統(tǒng)的圖像特征提取技術(shù)、這些方法在面對(duì)遮擋、密集人群的時(shí)候常常失靈、無(wú)法較準(zhǔn)確的統(tǒng)計(jì)評(píng)估出密集人群，特別是對(duì)大規(guī)模的密集人群，如超過(guò)2000+以上的擁擠人群，很難正確計(jì)數(shù)。

深度學(xué)習(xí)的方法

另外一種現(xiàn)在比較流行的方法是生成人群heat map（熱力圖）、然后人群計(jì)數(shù)就變成對(duì)熱力圖的積分計(jì)算。還可以計(jì)算每平方米的行人密度與聚集程度，這種方法是伴隨著深度學(xué)習(xí)到來(lái)逐漸流行起來(lái)，使用卷積神經(jīng)網(wǎng)絡(luò)的方法基本上都是在這個(gè)思路上面進(jìn)行各種拓展。

為什么不基于深度學(xué)習(xí)的對(duì)象檢測(cè)、原因是對(duì)象檢測(cè)對(duì)于密集對(duì)象與超小目標(biāo)對(duì)象很難正確識(shí)別與準(zhǔn)確計(jì)數(shù)。無(wú)法正確給出密集人群的模型與聚集程度。

相關(guān)論文

Crowd Counting Using Scale-Aware Attention Networks

https://arxiv.org/pdf/1903.02025.pdf

主要是基于尺度感知的注意力網(wǎng)絡(luò)，通過(guò)全局與局部注意力網(wǎng)絡(luò)實(shí)現(xiàn)密集人群計(jì)數(shù)評(píng)估，網(wǎng)絡(luò)的結(jié)構(gòu)如下：

Multi-Level Bottom-Top and Top-Bottom Feature Fusion for Crowd Counting

https://arxiv.org/pdf/1908.10937.pdf

通過(guò)不同層級(jí)尺度的自頂向下與至底向上的特征融合、其中也融入注意機(jī)制，實(shí)現(xiàn)更好的人頭計(jì)數(shù)。

MULTI-SCALE CONVOLUTIONAL NEURAL NETWORKS FOR CROWD COUNTING

https://arxiv.org/pdf/1702.02359.pdf

本文是多尺度卷積實(shí)現(xiàn)密集人群計(jì)數(shù)的經(jīng)典之作，前面的最新研究成果都有參考過(guò)這篇論文，提出的MSCNN實(shí)現(xiàn)密集人群檢測(cè)。其中的多尺度BLOB結(jié)構(gòu)如下：

Single-Image Crowd Counting via Multi-Column Convolutional Neural Network

http://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Zhang_Single-Image_Crowd_Counting_CVPR_2016_paper.pdf

作者論文主要想解決任意相機(jī)與任意角度圖像的密集人群計(jì)數(shù)面臨的難題，作者面對(duì)密集人群分布、前景與人群分割困難等現(xiàn)實(shí)問(wèn)題除了一個(gè)全新的網(wǎng)絡(luò)MCNN來(lái)解決這些問(wèn)題。

CrowdNet: A Deep Convolutional Network for Dense Crowd Counting

https://arxiv.org/abs/1608.06197.pdf

作者同樣對(duì)相機(jī)的角度不同，充分考慮到算法的兼容性問(wèn)題，作者提出了一個(gè)全新的網(wǎng)絡(luò)模型來(lái)解決此類問(wèn)題。結(jié)構(gòu)如下：

Cross-Scene Crowd Counting via Deep Convolutional Neural Networks

http://www.cv-foundation.org/openaccess/content_cvpr_2015/papers/Zhang_Cross-Scene_Crowd_Counting_2015_CVPR_paper.pdf

基于深度學(xué)習(xí)的交叉場(chǎng)景的人群計(jì)數(shù)

常用的數(shù)據(jù)集：

• UCF CC 50 人頭標(biāo)注數(shù)據(jù)集

• UCSD 行人標(biāo)注數(shù)據(jù)集

• GCC Dataset

• Fudan-ShanghaiTech Dataset

• Venice Dataset

• UCF-QNRF Dataset

• ShanghaiTech Dataset

• WorldExpo'10 Dataset

• Mall Dataset

• SmartCity Dataset

• AHU-Crowd Dataset

代碼

- CrowdNet
https://github.com/davideverona/deep-crowd-counting_crowdnet
https://github.com/mrlzla/crowd_density_estimator

- MCNN
https://github.com/svishwa/crowdcount-mcnn

- MTL
https://github.com/svishwa/crowdcount-cascaded-mtl

- MSCNN
https://github.com/Ling-Bao/mscnn

- MCNN
https://github.com/aditya-vora/crowd_counting_tensorflow