适应多场景的客流量统计-人流量统计算法

在商场、展厅、景区等受人流量影响较大的场所，流量统计算法可以快速获取流量数据和动态趋势，辅助评估店铺和部分活动的效果，帮助商业决策。另外，在地铁站、火车站、机场等公共场所。实时检测人数可以及时预警高密度人群，实施分流限流等措施，减少安全事故的发生。更多图像识别的应用与算法汇总算法见文章：https://www.quickconn.net.cn/#/insight/showPaper.html?paperId=54

图1 人流量统计效果

下面汇总一些效果较好的人流量统计算法。

CrowdNet: A Deep Convolutional Networkfor Dense Crowd Counting

B. Lokesh和S. Srinivas等人提出了一个新的深度学习框架，用于从高度密集的静态图像中估计人群密度人群。他们使用结合了深度、浅度的完全卷积网络，来预测一个给定人群图像的密度图。这样的组合被用来有效地捕捉高层次的语义信息 (脸部/身体检测器）和低层次的特征（圆点检测器）。由于大规模人群数据集的训练样本有限，并且基于深度学习的方法需要大量的训练数据，因此，作者进行了多尺度的数据增强。训练样本的增加这种方式有助于引导CNN学习尺度不变的表征。研究方法在具有挑战性的UCF CC 50数据集上进行了测试，结果显示优于其他baselines方法。

图2 拟议的人群计数架构概述

基于计数的扩增：增强训练训练样本，以支持高度密集的斑块，被观察到的是有效地缓解了大型人群中缺乏足够训练样本的问题。以这种方式对最难的褶皱进行扩增，几乎可以将训练样本的数量增加一倍。最难的折叠几乎使补丁的数量增加了一倍，从26385个增加到50891个。图3中显示了这种增强的数量优势。

图3 五个最难褶皱中的增加数据效果

Boosting Crowd Counting via MultifacetedAttention

Hui LIN和Zhiheng MA等人提出了一个多面注意网络（MAN），以改善转化器模型在局部空间上的表现。MAN结合了来自香草的全局注意变换器的全局注意力、可学习的局部注意力和实例注意力纳入一个计数模型。

图4 多方面注意网络的框架

首先，研究者提出了局部可学习区域注意（LRA），为每个特征位置动态地分配专属注意。其次，他们设计了局部注意正则化，然后，通过最小化不同特征位置的注意力之间的偏差，来监督LRA的训练。

图5 局部注意正则化概述

最后，作者提供了一个实例attention来在训练过程中动态地关注最重要的实例。然后，在四个具有挑战性的人群计数数据集上进行了广泛的实验，即ShanghaiTech, UCFQNRF, JHU++和NWPU，验证了提出的方法。

图6 与其他具有挑战性的数据集比较

Multi-Scale Attention Network for CrowdCounting

Rahul Rama Varior和Bing Shuai等人提出了一种新型的多分支标度器注意力网络，利用CNN的层次结构，在一次前向传递中，从结构的不同层生成多标度密度预测。为了将这些地图汇总到研究的最终预测中，提出了一个新的soft attention mechanism，它可以学习一组门控掩码。此外，研究者引入了一个尺度感知的损失函数来规范不同分支的训练，并引导它们在特定的尺度上进行专业化训练。由于这种新的训练需要对每个头的大小进行注释，还提出了一种简单而有效的技术来自动估计它们。

图7 模型的多分支结构

图8展示了由模型过程中产生的注意力掩码，网络为每个分支学习了独特的注意力掩码。一般来说，M3对大尺寸的人和背景区域有较高的权重，而M1对小尺寸的人给予较高的权重。有趣的是，如果没有尺度意识-损失正则化，面具学会了主要关注由分支3预测的密度图（即M3中的红色区域）。另一方面，当使用尺度意识到的损失时，M1和M2分别对小型和中型的人得到更高的权重。这表明了使用正则化的重要性，以帮助各分支更好地适应其规模的重要性。

图8 分支1-3注意力掩码和密度图

最后，研究者提出了对这些组件中的每一个的消融实验，并将他们的方法与4人群计数数据集进行了比较：UCF-QNRF、ShanghaiTech A & B和UCF CC 50。作者提出的方法在所有数据集上都达到了最先进的水平，并且在UCF-QNRF上有显著的改进(误差减少25%)。