Cross-scene Crowd Counting via Deep Convolutional Neural Networks2015论文笔记

Absrtact

1. 挑战：跨场景人群计数（目标场景无标注）；
2. 提出DCNN，由人群密度和人数交替训练；
3. 提出data-driven方法微调CNN模型以适应目标场景；
4. 提出包含108个场景（标注200000人头）的数据集；

1. Introduction

难点：严重遮挡、场景透视形变、不同的人群分布。
利用低水平特征和回归的方法：针对特定场景
我们需要克服以下困难：1）提出高级特征；2）不同场景有不同的透视形变、人群分布、光照情况；3）前景分割的准确性；4）没有合适的数据集。
解决方案：跨场景CNN——固定数据训练DCNN后，利用数据自驱动方法微调，就是在训练集中找出相似场景进行微调。

我们跨场景人群密度估计和计数框架有以下优点：
1.DCNN模型是通过两个学习目标——人群密度图和人数交替训练的。
2.目标场景不需要标注。
3.不依赖前景分割的效果，因为我们只考虑外观特征。不管人群有没有移动，CNN能够得到人群纹理特征。
4.新数据集。

2. Related work

1、全局回归的人群计数：基于检测器或者轨迹集聚。忽略空间信息
2、密度估计的人群计数：像素级的密度图回归，Fiaschi et al. [7]利用随机森林回归密度，优点是能够知道图片中任一个区域的物体数量。不能适用于跨场景。
3、深度学习：person reidentification [13], pedestrian detection [30, 31, 20], tracking [28], crowd behavior analysis [9] and crowd segmentation [10]。
4、场景标记的数据自驱动方法：将训练标签迁移到测试标签中（通过检索相似的训练图片，match them with the test image）。Liu et al. [15]提出密集形变场。我们不是直接将标签迁移到目标场景中，而是用训练场景微调已经训练好的CNN模型。

Method

3.1. Normalized crowd density map for training

CNN模型的主要任务目标就是学习映射关系：F : X→D，X是低级特征，D是人群密度图。假设行人的位置是标注好的，密度图就根据行人的空间位置、身体形状、透视形变产生。随机选取的patch作为训练样本，patch对应的密度图就是CNN模型的真值。选定的训练样本的总人数就通过密度图的积分求出。

Many works followed [12]，定义了密度图的回归真值为物体中心卷积核的和。这种密度图适用于圆形的物体，例如细胞和细菌。然而，当不是鸟瞰图时，这种假设不再适合行人。行人图片有三个直观特征：1）由于透视形变行人有不同大小；2）行人形状是椭圆；3）由于遮挡严重，头肩部是判别行人与背景的主要依据。考虑这些因素，人群密度图是视角归一化的几种分布的结合。

视角归一化是很有必要的。受【4】启发，随机选取几个行人，从头到脚做好标注。假设行人是175cm，透视图M（图2a）就能通过线性回归计算出来。透视图M（p）中的像素的数目表示实际的一米。当我们获得透视图和ROI区域中行人头部中心Ph后，密度图如下：

人群密度分布核包括两部