一种基于视频的车站人群密度估计算法

提出了一种基于视频的车站人群密度检测算法。该算法能标记出无人活动区域和有人活动区域,在检测人群密度方面只计算有人活动区域,可降低计算复杂度,为人群密度检测的实时性奠定了基础;在计算人流密度时,考虑到了摄像头画面出现黑屏、雪花和移位的现象,从整体上提高了人群密度检测的准确率;通过对有人运动区域的连通域内像素数与有人区域的像素点数的比值计算人群整体密度值,计算复杂度低且衡量人群整体密度的精确度较高。此方法尤其适用于机场、地铁、车站等场景模型下人群密度的实时场景监测。     

Fast SqueezeNet算法及在地铁人群密度估计上的应用

针对地铁视频监控一直缺乏一种有效的人群密度分类器的问题,提出了基于人群密度估计算法—Fast SqueezeNet的人群密度分类器,用于在地铁嵌入式计算平台有限的硬件资源限制下,实现对地铁车厢内人群的密度估计.该算法基于轻型卷积神经网络SqueezeNet,结合权值稀疏化和结构稀疏化方法,具有如下3点优势:1)以原始图像作为输入,并在处理的过程中自动提取纹理特征用于拥挤人群密度的估计;2)SqueezeNet经过权值稀疏化后,具有更少的模型参数,可以灵活的布置在安谋(ARM)等具有有限硬件资源的嵌入式平台上;3)结构稀疏化方法使得SqueezeNet具有更快的前向预测速度,提高其在地铁嵌入式平台上的图像处理效率.在3个人群密度数据集PETS_2009,Mall和ShangHai metro上,采用Fast SqueezeNet算法的三分类人群密度分类器,与基于卷积神经网络和单纯的权值稀疏化SqueezeNet网络的分类器进行对比实验研究,结果表明:在预测准确率、参数规模和运行时间3个维度上,基于Fast SqueezeNet的分类器均表现出了较好的性能,有效地克服了地铁车厢拥挤人群中存在的高密度、高耦合、透视变形等图像识别难题对估计结果的影响.最后,在ARM嵌入式平台上的实验表明基于Fast SqueezeNet的分类器可以在有限的硬件资源下,快速准确的得到预测结果,满足高速运行的地铁列车日常使用需求.     

基于改进混合高斯模型的人群密度估计方法

人群密度估计对于公共安全管理至关重要。针对视频监控系统下的人群密度估计问题,提出了一种基于改进混合高斯模型和像素统计的人群密度估计方法。通过计算图像的均值和偏差均值,提取高斯模型特征,在恒定的模型更新速率指导下,重建混合高斯背景图,从而获取人群二值图,最后,利用像素统计的方法实现人群密度快速估计。实验结果表明,较传统方法,该方法可以更准确有效地估计人群密度。     

基于完全局部二值模式的人群密度估计

为了实时监控重要场所的人群密度、采取有效措施疏散高密度人群,避免人群密度过大而引发事故,造成生命和财产的损失,提出了一种基于完全局部二值模式的人群密度估计方法.该方法提取人群图像的3种局部纹理特征,建立了3-D联合直方图统计模型,用卡方距离最近邻方法对人群密度级别进行分类,实现了特定场景下人群密度的监测.对比实验结果表明了该方法能兼顾任意密度级别人群图像的分类,不仅准确率高,而且实时性好,同时对场景背景具有较强的鲁棒性.     

一种基于图像处理的人群密度估计方法

公共场景监控下的人群密度估计是公共安全管理中的一个重要内容,因此,对基于图像处理的智能化人群密度估计方法进行了研究。结合使用像素统计和纹理分析的方法,从定性和定量两个方面确定了人群人数和人群密度等级。针对大场景的人群密度监控情况,提出了根据实际场景在图像中的比例将大场景分成所需的小区域,然后对每个子区域进行人群密度估计,从而完成全场景的人群密度估计。实验结果表明这种方法简单、有效、实用,便于在实际中的应用,为机场、地铁、车站等公共场所的预警系统提供有力的帮助。     

应用双目摄像机进行人群密度估计

论文中提出了将计算机双目视觉技术应用于人群密度估计方法：首先根据目标在两个摄像平面上的视差的平均值,计算出该位置的矫正参数,然后根据目标在不同位置的矫正参数,拟合出矫正函数。以前景像素、前景边缘像素等图像特征作为人群密度估计的特征,应用矫正参数进行矫正。实验证明,相对于现有方法,该方法可以消除射影畸形的影响,大大提高特征的有效性,从而提高人群密度估计的准确性。     

基于卷积神经网络的实时人群密度估计

针对传统实时人群密度估计方法存在误差大、分类效果不佳等缺陷,提出了基于 卷积神经网络的实时人群密度估计方法。通过对比4 种常见网络结构：AlexNet、VGGNet、 GoogLeNet 和ResNet 的准确度与实时性,选择综合性较好的GoogLeNet 作为人群密度估计的 模型,利用关键帧截取技术实现人群密度的实时估计并简要分析人群密度特征图。最后用实例 验证了该方法的实时性与准确度,证明了其可行性。     

一种基于区域划分的人群密度估计快速方法

公共场景监控下的人群密度估计是公共安全管理中的一个重要内容。针对大场景监控情况,研究了一种基于区域划分的智能化人群密度估计快速方法。在帧差提取出的彩色视频背景的基础上,按视觉比例将大场景分成子区域,然后对某个子区域采用像素统计的方法实现人群密度估计,其余子区域采用自适应比例的方法实现人群密度快速估计。实验结果表明该方法在实际应用中简单、有效、快速,能为公共场所的预警系统提供有力的帮助。     

基于多尺度分析和分形的人群密度估计方法

人群的密度估计对于建筑物的设计和人群安全至关重要。论文提出了一种新的人群密度自动估计方法。对于低密度人群图像采用基于像素统计的方法,对于较高密度人群图像采用基于多尺度分析和分形的纹理分析方法,并应用支撑向量机进行人群密度等级分类。对人群图像集的实验表明,该方法较以前的方法更为准确有效。     

基于像素级注意力机制的人群计数方法

针对人群分布不均和网络学习参数众多问题,提出了一种由像素级注意力机制（PAM）和改进的单列人群密度估计网络两部分组成的高密度人群计数方法。首先,使用PAM通过对人群图像进行像素级别的分类来生成高质量的局部人群密度图,利用全卷积网络（FCN）生成每个图像的密度掩码,将图像中的像素分为不同的密度级别;然后,以生成的密度掩码为标签,使用单列人群密度估计网络以更少的参数学习到更多的代表性特征。在此之前,在Shanghaitech数据集part_B部分、UCF_CC_50数据集以及WorldExpo'10数据集上,拥塞场景识别网络（CSRNet）方法的计数误差最小。将所提方法与CSRNet方法的误差结果对比,发现所提方法在Shanghaitech数据集part_B部分的平均绝对误差（MAE）和均方误差（MSE）分别降低了8.49%和4.37%;在UCF_CC_50数据集上的MAE和MSE分别降低了58.38%和51.98%,优化效果显著;在WorldExpo'10数据集上的整体平均值部分的MAE降低了1.16%。实验结果表明,在针对人群分布不均的高密度人群计数时,结合PAM和单列人群密度估计网络的方法能够有效提高高密度人群计数的精确度和训练效率。     

基于密度分类及组合特征的人数估计算法*

为了克服不同人群密度及所采用特征对人数估计的影响,提出了一种基于人群密度分类及组合特征的人数统计算法。该算法包括离线特征组合选取和在线实时估计两个阶段。在离线阶段,选取密度阈值将图像样本分为高、低密度两类,然后通过实验方法选取最优的特征组合。在线估计阶段首先通过分类器将样本分为高、低密度两类,然后利用离线阶段选取的特征组合训练得到高斯模型,并分别对两类样本进行人数估计。实验结果表明,与不分高低密度相比,平均估计误差由10.6%降至8.1%;与目前主流的人数估计算法相比,本文算法的平均估计误差也更小。     

基于纹理分析和区域增长的人群图像分割

以局部区域为分析对象,结合人群密度估计和区域分割技术,实现了一种捕捉人群聚集点的方法.该方法首先通过纹理分析提取局部区域的人群密度特征,然后利用神经网络分类其为不同密度级别,最后用区域增长法分割高人群密度区,即人群聚集点.     

多任务多层级CNN在人群计数中的应用

为了提升人群图像的计数精度,设计一种多层级多任务深度卷积网络。多层级神经网络由卷积和上采样的组合方式构成,该网络的优点在于结合浅层网络提取的细节信息和深层网络提取的高阶语义信息。在此基础上,使用多任务学习的方法提升网络性能,多任务学习分为两个部分：人群密度估计任务和人群密度等级分类任务。网络的高分辨率层与人群密度估计任务相连,网络的深层与人群密度等级分类任务相连。将两个任务的损失融合并构成新的损失函数。实验在人群计数公共数据集ShanghaiTech、WorldExpo’10和UCF_CC_50上进行,实验结果表明,该网络在人群计数上具有较好的准确率和鲁棒性。     

多层次特征融合的人群密度估计

目的 人群数量和密度估计在视频监控、智能交通和公共安全等领域有着极其重要的应用价值。现有技术对人群数量大,复杂环境下人群密度的估计仍存在较大的改进空间。因此,针对密度大、分布不均匀、遮挡严重的人群密度视觉检测,提出一种基于多层次特征融合网络的人群密度估计方法,用来解决人群密度估计难的问题。方法 首先,利用多层次特征融合网络进行人群特征的提取、融合、生成人群密度图;然后,对人群密度图进行积分计算求出对应人群的数量;最后,通过还原密度图上人群空间位置信息并结合估算出的人群数量,对人群拥挤程度做出量化判断。结果 在Mall数据集上本文方法平均绝对误差（MAE）降至2.35,在ShanghaiTech数据集上MAE分别降至20.73和104.86,与现有的方法进行对比估计精度得到较大提升,尤其是在环境复杂、人数较多的场景下提升效果明显。结论 本文提出的多层次特征融合的人群密度估计方法能有效地对不同尺度的特征进行提取,具有受场景约束小,人群数量估计精度高,人群拥挤程度评估简单可靠等优点,实验的对比结果验证了本文方法的有效性。     

DNeStCount:数据相关的拆分注意力机制的编码器-解码器结构的人群计数方法

人群数量估计是人群管理系统的关键,对于预防踩踏事故和引导人群至关重要,已成为一个日益重要的任务和具有挑战性的研究方向。本文提出一种数据相关的拆分注意力机制的编码器-解码器结构的人群计数方法,称为DNe StCount。为应对视频监控的尺度变化和透视失真的挑战,将更密集的空洞采样比率应用到密集空洞空间金字塔池化模块DASPP设计中。为提升密度图估计的准确性,将可学习的、数据相关的上采样方法 DUpsampling应用到特征聚合模块DFA设计中。为弥补欧几里德损失可能存在对离群值敏感、训练不稳定等缺点,采用Smooth L1损失设计损失函数。在具有挑战性的数据集上进行的实验和分析表明,本文提出的人群计数方法 DNe St Count与其他主流方法相比更具有竞争力。     

A Fast Neural Learning Vision System for Crowd Estimation at Underground Stations Platform

A neural learning-based crowd estimation system for surveillance in complex scenes at the platform of underground stations is presented. Estimation is carried out by extracting a set of significant features from the sequences of images. Feature indices are modeled by the neural networks to estimate the crowd density. The learning phase is based on our proposed hybrid algorithms which are capable of providing the global search characteristic and fast convergence speed. Promising experimental results were obtained in terms of estimation accuracy and real-time response capability to alert the operators automatically.     

基于尺度融合的密集人群计数

现实场景中人群尺度的巨大差异给密集人群计数算法带来了巨大的挑战,因此提出一种基于尺度融合的密集人群计数算法.首先对密度图构建算法进行优化,利用多个头部检测器获取稀疏人群的部分头部尺度,并用径向基差值进行补全,在人群密集区域辅之以距离自适应的人群密度图生成算法,生成更为精确的人群密度图.其次利用移动翻转瓶颈卷积模块设计尺度融合的人群密度图回归神经网络,并加入膨胀卷积模块进一步提升人体头部边缘特征提取能力.最后,通过将人群区域和非人群区域进行区分对人群密度图回归神经网络损失函数进行优化.在实验部分,将该算法在多个数据集上与多个同类算法进行了充分的对比实验与消融实验,实验结果表明提出的方法能够显著提升密集人群计数算法的准确性.     

基于模糊神经网络的大场景人群密度估计方法 *

提出了一种估计大场景下密集人群密度的方法。该方法根据人类视觉的模糊性原理,认为用模糊集来划分人群密度范围比用确定的方法更符合人眼视知觉的认知方式,利用统计的方法确定灰度共生矩阵各指标对于各个密度类别的隶属函数;设计基于误差反向传播训练算法（BP）的模糊神经网络,计算样本模式对于各个密度类别的隶属度,并根据人群密度变化的时域连续性原理对人群密度范围进行合理估计。实验表明该方法提高了估计精度。     

基于对抗式扩张卷积的多尺度人群密度估计

目的 人群密度估计任务是通过对人群特征的提取和分析,估算出密度分布情况和人群计数结果。现有技术运用的CNN网络中的下采样操作会丢失部分人群信息,且平均融合方式会使多尺度效应平均化,该策略并不一定能得到准确的估计结果。为了解决上述问题,提出一种新的基于对抗式扩张卷积的多尺度人群密度估计模型。方法 利用扩张卷积在不损失分辨率的情况下对输入图像进行特征提取,且不同的扩张系数可以聚集多尺度上下文信息。最后通过对抗式损失函数将网络中提取的不同尺度的特征信息以合作式的方式融合,得到准确的密度估计结果。结果 在4个主要的人群计数数据集上进行对比实验。在测试阶段,将测试图像输入训练好的生成器网络,输出预测密度图;将密度图积分求和得到总人数,并以平均绝对误差（MAE）和均方误差（MSE）作为评价指标进行结果对比。其中,在ShanghaiTech数据集上Part_A的MAE和MSE分别降至60.5和109.7,Part_B的MAE和MSE分别降至10.2和15.3,提升效果明显。结论 本文提出了一种新的基于对抗式扩张卷积的多尺度人群密度估计模型。实验结果表明,在人群分布差异较大的场景中构建的算法模型有较好的自适应性,能根据不同的场景提取特征估算密度分布,并对人群进行准确计数。