基于卷积的密度统计（一）密度图的生成

最新推荐文章于 2024-08-13 11:20:40 发布

snwang_miss

最新推荐文章于 2024-08-13 11:20:40 发布

阅读量5.7k

点赞数 3

分类专栏：机器学习

本文链接：https://blog.csdn.net/snwang_miss/article/details/77851203

版权

本文介绍了基于卷积的单幅图像人数统计方法，特别是通过生成人群密度图来精确统计人数。这种方法通过将标注点与高斯函数卷积，考虑透视变换和最近邻距离，使用自适应高斯核来估计像素周围的人群密度。在实践中，通过提取标注点并进行高斯卷积，利用近邻平均距离作为卷积核的方差，从而训练卷积神经网络。

摘要由CSDN通过智能技术生成

在基于卷积的人数统计中，一种是最后回归整张图的人数，即输入图像，输出人群个数，另外一种是回归人群分布密度图，即输入图像，得到的是密度分布。显然得到密度分布的人数统计方法不仅能得到人数的精确统计而且等得到人群分布的空间位置，所以，越来越多的研究偏重于得到密度图和人数统计。

先来一篇综述了解单幅图像人数统计和密度生成的方法汇总Sindagi V A, Patel V M. A survey of recent advances in CNN-based single image crowd counting and density estimation[J]. Pattern Recognition Letters, 2017.

Single-Image Crowd Counting via Multi-Column Convolutional Neural Network中生成密度图时采用脉冲函数卷积高斯核的方式来定义密度图。假设标注点的位置为xi，那么具有N个头的标签可以被表示为
这里写图片描述
这里把它与高斯函数做卷积变成一个连续的函数。但是这种密度函数假设每个xi在图像空间中是独立的。然而事实上，每个xi是在3D场景中一个人群密度的样本，并且由于透视失真，不同样本xi相关的像素与场景中区域的不同尺度一致。于是为了精确估计群体密度，需要考虑透视变换。如果假设在一个人头区域的周围，人群的密度是均匀的，它的最近邻给出了一个对于几何形变的合理的估计。