基于CNN的人群密度图估计方法简述

人群计数的方法分为传统的视频和图像人群计数算法以及基于深度学习的人群计数算法，深度学习方法由于能够方便高效地提取高层特征而获得优越的性能是传统方法无法比拟的。本文简单了秒速了近几年，基于单张图像利用CNN估计人群密度图和计数的方法。

1. 传统的人群计数方法
   传统的人群计数方法可以分为两类，基于检测的方法和基于回归的方法。
   • 基于检测的方法
     早期的计数方法主要是基于检测的方法，使用一个滑动窗口来检测场景中的人群，并统计人数。 基于检测的方法可以分为两类：
     • 基于整体的检测，训练一个分类器，利用从行人全身提取到的小波，HOG，边缘等特征检测行人。 学习的方法有SVM，boosting和随机森林等。 基于整体的方法主要适用于稀疏人群，随着人群密度的提升，人与人之间的遮挡越来越严重，这种方法就不再适用。
     • 基于部分的身体的检测。 为了处理人与人的遮挡问题，主要通过检测身体的部分结构，例如头，肩膀等去统计人群的数量。这种方法比之基于整体的检测，在效果上有略微的提升。

   • 基于回归的方法
     论何种基于检测的方法，都很难处理人群之间严重的遮挡问题。所以，基于回归的方法逐渐被用来解决人群计数的问题。 基于回归的方法，主要思想是学习一种特征到人群数量的映射。该类方法主要分为两步：1. 提取场景的低级特征，例如例如前景特征，边缘特征，纹理和梯度特征；2. 学习一个回归模型，例如线性回归，岭回归或者高斯过程回归，学习一个低级特征到人群数的映射关系。

   • 基于密度图的方法
     基于回归的方法虽然能在一定程度上解决遮挡的问题，但是由于是使用整幅图像的特征进行回归技术，从而忽略了图像的空间信息。在2010年的Visual Geometry Group University of Oxford提出了：学习图像的局部特征和其相应的密度图之间的映射，从而在计数的过程中加入图像的空间信息。 论文地址：Learning To Count Objects in Images . 该论文最早提出使用密度图来进行计数的方法，后来很多的图像计数多数基于此方法。

2. 基于深度学习的方法

深度学习在计算机的视觉的识别，分割，检测相比传统的方法都取得了很大的进步，人群计数也不例外，近年来的方法多数是使用深度学习的方法，利用深度学习的学历能力得到图像到其相应的人群密度图或者数量。
传统的方法通常都是输入图像的一个patch，并且通常分为两个步骤：特征的提取，回归或者分类，而基于CNN的方法则输入是一种完整的图片，并且进行end-to-end