人群计数/人群密度估计的研究背景

人群计数是什么

人群计数是公共安防行业中非常需要的一种技术。对于给定的一幅图像或一段视频，通过计算机自动处理，分析出其中的人数。

为什么要做人群计数

1、公共安全管理：人群计数重中之重的用途就是用于公共视频监控，实时输出每个场景中的人数，对密度过高的场景进行及时报告，让管理者及时反应，及时疏导，以避免诸如14年底外滩踩踏事件的再次发生。

2、公共空间设计：对机场候机楼、火车站、商场等公共建筑等现有公共场所进行人群分析，可以从人群安全和方便的角度揭示出场景设计中的重要缺陷。这些研究可以用于改进公共空间的设计，来更好地保证安全和方便人们的出行活动。

3、数据收集分析：可用于收集信息并进行进一步分析与推论。例如，在零售业，人群计数可以用于衡量人们对商店中产品的感兴趣程度，并根据该信息选择适当的产品进行放置。同样，人群计数也可以用来测量在不同时间段排队的人员数量，来进行流量调控，以优化等待时间。

4、虚拟仿真设计：可用于了解潜在现象，从而使我们能够建立能提供精确模拟的数学模型。这些数学模型可进一步用于各种应用的人群现象模拟，如电脑游戏，在电影场景中插入视觉效果、设计疏散计划。

5、辅助其他视觉任务：在一些群体事件中搜查嫌疑人和受害者，比如爆炸，枪击等事故场景。人群计数技术可以辅助人脸检测/识别任务，来使这些任务更加准确，更好地定位罪犯。

6、作为其他视觉任务的基础：在体育场馆、旅游景点、购物中心和机场等场所、为安保和安全目的广泛部署了大量监控摄像机来监控人群。然而，由于设计上的限制，传统的视频监控方法无法处理高密度人群情况。在这种情况下，我们可以利用专门为人群分析相关任务设计的算法，如行为分析，拥塞分析，异常检测，事件检测。

人群计数技术是怎么做的

1、基于行人检测的方法：比较早的研究可以追溯到04年基于HOG算子的行人检测方法提出之后，有学者就基于该算法构建了行人技术算法，但仅对人数较少的场景有效，因为人数较多的场景存在大量拥挤造成该算法的漏检测严重。

2、基于人数回归的方法：在08到14年间，基于人数回归的方法解决了行人检测方法的缺陷，能够对人数较多的场景有效。其主要思路在于对输入图像或视频采用各种特征描述子提取特征，然后利用各种机器学习模型对人数进行回归。

3、基于人群密度估计的方法：然而，无论是行人检测还是人数回归，其能够输出的信息相对有限。行人检测虽然能输出行人边界框，但是存在大量漏检；人数回归虽然不会漏检，但根本不知道每个行人在哪里。因此，研究者们提出了人群密度估计的方式，给每个像素赋予密度值，总和记为场景中的人数。这样不仅能提高模型的学习能力，也能给管理者带来更多的场景行人分布信息，一举两得。也正是这样的好处，目前人群计数领域中的方法都是以此作为基础进行研究的。

深度学习方法：我觉得深度学习不应该归于上面3类中的任何一类，因为深度学习是模型上的事情，而上述3类是人群计数任务建模上的分类。自从2012年AlexNet的横空出世，深度学习展现了其强大的能力，2016年的AlphaGo更是将其往世人面前又推了一大步。深度学习带来了什么？我觉得是模型泛化能力的提升，原先机器学习模型只能学100个样本，然后给相似的样本进行预测；而深度学习模型则可以学100000个样本，然后给更多的样本进行预测。深度学习网络的复杂程度决定了它的学习能力/记忆能力更强。因此，无论是行人检测、人数回归、人群密度估计，都可以将原来的机器学习模型改为深度学习模型，就得到了基于深度学习的行人检测/人数回归/人群密度估计方法，学习能力就能大大提高。就人群计数而言，深度学习之前的模型，其训练集和测试集基本都是将一个场景中的一段视频分为两部分，一部分训练，另一部分测试，如果跨场景测试，结果不堪入目。而引入深度学习后，现在的人群密度估计方法都是跨场景的，测试集中的场景都是千变万化的，更为符合日常应用中的模式。

 

专栏地址链接：《人群计数（Crowd Counting）/人群密度估计》

未经允许，不得转载。

如果我的文章能给您带来帮助，可以打赏小弟一杯咖啡鼓励一下哦，您的鼓励是我最大的写作动力！