人群密度估计之CrowdNet

该方法是目前为止最新的一篇进行人群密度估计的论文，CrowdNet: A Deep Convolutional Network for DenseCrowd Counting。简单的说，就是通过提取待检测图片的特征图（能量图，密度图）来进行积分，从而做出人数的估计。如果是传统的机器学习方法，无非就是堆一些不同核的高斯滤波器，然后得出最后的特征图，但是这样的手工滤波器，可能会将图片中所有的ROI都检测出来。而采用深度学习的方法，可以让网络自己学出一些参数，只检测人群的。

         论文的思想还是进行了网络的融合，融合的前提是2个网络的性能都不差，通过2个3*3和5*5的卷积核的融合，使得最终的结果比单个网络更好。

因为网络的设计为全卷积层，因此，在测试阶段支持各种尺度的图片的检测。

 

这种网络的训练一般有3种方法

1，自己撸一个data数据层。在caffe源码中实现原始图片和密度图向blob的传递。可以参考，http://blog.csdn.net/seven_first/article/details/52598810

2，自己使用matlab生成密度图，做成LMDB，输入的时候，分别读取data和label，这里需要注意，绝对不要使用shuffle，因为data和label需要一一对应

3，还是自己生成密度图，然后做成hdf5，这个好处就是支持double类型的密度图，感觉精度会更好点。

 

复现效果图：

 

 

model：http://download.csdn.net/detail/qq_14845119/9806170

 

链接：https://github.com/davideverona/deep-crowd-counting_crowdnet