crowd 进展 | 密集人群分布检测与计数

最新人口密集分布预测、人口评估统计、论文、代码、数据集汇总

总结

对高密度人群进行监测和分析，对预防事故发生具有重要的现实意义。分析高密度人群最重要的参考之一是人数，评价聚集人数和分布，有利于实时分离控制和预防事故。

传统特征提取方法

早期的密集人群技术主要是基于人头数和行人数，人脸，身体等部分。这些方法基于SIFT、HAAR、HOG等特征。这些方法在面对遮挡和密集人群时往往会失败，无法准确评估密集人群，尤其是对于大规模密集人群，如超过2000+的人群，很难正确计数。

深度学习的方法

现在流行的另一种方法是生成一个人的热图，然后对人的计数成为热图的积分计算。它还可以计算每平方米的行人密度和聚集度。随着深度学习的到来，这种方法逐渐流行起来，使用卷积神经网络的方法基本上是在这种思想上扩展的。

为什么不基于深度学习的物体检测？原因是目标检测难以正确识别和准确计数密集目标和超小目标物体。无法正确给出密集人群的模型和集中程度。

论文、数据和代码摘要

相关论文

使用规模感知注意网络的人群计数

https://arxiv.org/pdf/1903.02025.pdf

主要基于规模感知注意力网络，通过全局和局部注意力网络实现密集人群计数评估。网络结构如下:

面向人群计数的多层次自底向上和自顶向下特征融合

https://arxiv.org/pdf/1908.10937.pdf

通过不同层次和尺度的自上而下和自下而上的特征融合，注意力机制也被整合，以实现更好的人数。

人群计数的多尺度卷积神经网络

https://arxiv.org/pdf/1702.02359.pdf

本文是实现密集人群计数的多尺度卷积的经典之作。以往最新的研究成果都参考了本文，提出了利用MSCNN实现密集人群检测。

多尺度BLOB结构如下:

基于多列卷积神经网络的单幅图像人群计数

http://www . cv-foundation . org/open access/content _ cvpr _ 2016/papers/Zhang _ Single-Image _ Crowd _ Counting _ CVPR _ 2016 _ paper . pdf

作者的论文主要是想解决任意相机任意角度图像密集人群计数的难题。除了MCNN全新的网络解决这些问题外，作者还面临着人群分布密集、前景和人群分割困难等现实问题。

拥挤网络:用于密集人群计数的深度卷积网络

https://arxiv.org/abs/1608.06197.pdf

作者对摄像机也有不同的看法，充分考虑了算法的兼容性，提出了一种全新的网络模型来解决这类问题。结构如下:

基于深度卷积神经网络的跨场景人群计数

http://www . cv-foundation . org/open access/content _ cvpr _ 2015/papers/张_ Cross-Scene _ Cross _ Counting _ 2015 _ CVPR _ paper . pdf

基于深度学习的交叉场景人群计数

常用数据集:

UCF CC 50 人头标注数据集 UCSD 行人标注数据集 GCC Dataset Fudan-ShanghaiTech Dataset Venice Dataset UCF-QNRF Dataset ShanghaiTech Dataset WorldExpo'10 Dataset Mall Dataset SmartCity Dataset AHU-Crowd Dataset

代码

- CrowdNet

https://github . com/davideverona/deep-crowd-counting _ crowd net

https://github.com/mrlzla/crowd_density_estimator

- MCNN

https://github.com/svishwa/crowdcount-mcnn

- MTL

https://github.com/svishwa/crowdcount-cascaded-mtl

- MSCNN

https://github.com/Ling-Bao/mscnn

- MCNN

https://github.com/aditya-vora/crowd_counting_tensorflow