人群计数方法

最新推荐文章于 2023-12-18 09:53:42 发布

不会写代码的ppl

最新推荐文章于 2023-12-18 09:53:42 发布

阅读量962

点赞数

分类专栏：计算机视觉文章标签：深度学习神经网络机器学习

本文链接：https://blog.csdn.net/qq_37973756/article/details/116493088

版权

本文探讨了两种人群计数方法：基于检测的传统方法受限于遮挡影响，而基于特征的回归方法通过前景分割和特征提取，利用回归函数估算人数。近年来，Zhang等人提出的基于CNN的方法在不同场景下表现优秀，但需要透视图，限制了其应用。

摘要由CSDN通过智能技术生成

                    
                    基于检测的人群计数方法
 早期的方法[Detecting Pedestrians Using Patterns of Motion and Appearance]采用一种检测风格的框架，该框架在视频序列的两个连续帧上扫描检测器，基于增强外观和运动特征来估计行人的数量。
 [Shape-based human detection and segmentation via hierarchical part-template matching.,Automatic adaptation of a generic pedestrian detector to a specific traffic scene,Detection of multiple, partially occluded humans in a single image by bayesian combination of edgelet part detectors]使用了类似的基于检测的行人计数框架。
 在基于检测的人群计数方法中，人们通常假设一个人群是由一些给定的检测器可以检测到的个体组成的[13,34,18,10]。这种基于检测的方法的局限性是，在聚集环境或非常密集的人群中，人之间的遮挡会显著影响检测器的性能，从而影响最终的估计精度。
基于特征的回归方法
 人群计数最广泛使用的方法可以说是基于特征的回归，见 [Privacy preserving crowd monitoring: Counting people without people models or tracking,Feature mining for localised crowd counting,Bayesian poisson regression for crowd counting,Crowd counting using multiple local features. ,Counting pedestrians in crowds using viewpoint invariant training.,Bayesi