概述
人群行为分析算法分为四个主要方向:
1、行人检测(Pedestrian Detection)
2、人群计数(Crowd Counting)
3、人群密度分析(Crowd Density Estimation)
4、人群状态分析(Crowd Behaviour Analysis)
人群计数与人群密度分析为其中重要的组成内容。人群计数与人群密度分析算法通常的方法大致可以分为三种:
1 、行人检测 :这种方法比较直接,在人群较稀疏的场景中,通过检测视频中的每一个行人,进而得到人群计数的结果,一般是用基于外观和运动特征的boosting,贝叶斯模型为基础的分割,或集成的自顶向下和自底向上的处理,这种方法在人群拥挤情况下不大奏效,需要运用到基于部件模型(如DPM)的检测器来克服人群拥挤遮挡的问题。
2、视觉特征轨迹聚类:对于视频监控,一般用KLT跟踪器和聚类的方法,通过轨迹聚类得到的数目来估计人数。
3、基于特征的回归:建立图像特征和图像人数的回归模型, 通过测量图像特征从而估计场景中的人数。由于拥挤情况下采用直接法容易受到遮挡等难点问题的影响,而间接法从人群的整体特征出发,具有大规模人群计数的能力。
人群密度分析算法技术分析
传统方法
1、前景分割:前景(行人或人群)分割的目的是将人群从图像中分割出来便于后面的特征提取,分割性能的好坏直接关系的最终的计数精度,因此这是限制传统算法性能的一个重要因素。常用的分割算法有:光流法、混合动态纹理、小波分析 、背景差分等。
2、特征提取:从分割得到的前景提取各种不同的底层特征,常用的特征有:人群面积和周长、边缘信息、纹理特征、闵可夫斯基维度等。
3、人数回归:将提取到的特征回归到图像中的人数。常用的回归方法有:线性回归、分段线性回归、脊回归、高斯过程回归等。
深度学习方法
Step1、给定一张图像,用CNNs来估计人数,一般有两种方案:
Step2、一是输入图像,输出区域内估计的人头数目;
Step3、二是输出人群密度图(每平方米多少人),然后再通过积分求总人数。
主流算法分析
1、Cross-scene Crowd Counting via Deep Convolutional Neural Network(CVPR2015)
目的:
解决算法在不同场景下通用性问题
难点:
1、寻找一种可以更好表达人群特征的方式(用深度学习替代手工特征)。
2、不同场景有不同的透视率,人群分布与光照条件。
3、传统方法使用的前景分割方法很难得到精确的分割结果。
4、数据集(现有数据集样本数目少,场景单一)。
贡献