人群密度估计

摘要： 为破解超大视觉场景下人群密度估计的局限性,提出1种适用于铁路客站的多视角特征图投影融合的人群密度估计模型,包括多视角特征图提取处理和多视角特征图投影融合处理2部分。首先,对站内多路旅客视频图像分别进行多尺度特征提取,并引入注意力机制模块分离背景和前景人像,得到注意力密度特征图;再将不同视角下经过提取处理后二维的特征图投影到三维地面坐标系;然后,对投影后的特征图进行融合计算,实现整体融合特征图的密度估计;最后,在传统密度估计损失基础上增加注意力密度特征损失,设计得到损失函数。依托公开数据集和基于清河站的自建数据集,对比验证模型性能。结果表明:该模型在均值绝对误差上优于当前同类先进模型;引入的注意力机制模块进一步优化了模型对人群密度估计的效果;200次迭代后模型平均损失梯度下降逐步稳定,梯度策略设置合理,收敛效果较好;在清河站实际应用场景下,该模型能基于3个不同视角视频图像准确估计人群密度。

摘要： 人群密度估计与计数是指对拥挤场景中人群分布及数量进行统计,对安全系统、交通控制等具有重要意义。针对高密度图像在人群密度估计中特征提取困难、空间语义信息获取较难、特征融合不充分等问题,本文提出一种多元信息聚合人群密度估计方法(Multivariate information aggregation,MIA)。首先,设计多元信息提取网络,采用VGG-19作为骨架网络提高特征提取深度,利用多层语义监督策略编码低层特征方式提高低层特征的语义表达,通过空间信息嵌入丰富高层特征空间信息表征;其次,设计多尺度上下文信息聚合网络,通过两个带有步长卷积的轻量级空洞空间金字塔池化(Simplify-atrous spatial pyramid pooling,S-ASPP)结构在进行全局多尺度上下文信息聚合的同时缓解模型参数冗余;最后,网络末端采用步长卷积,在不影响精度的前提下加快网络运行速度。采用ShanghaiTech、UCF-QNRF、NWPU数据集进行对比实验,实验结果表明:在典型数据集ShanghaiTech的Part_A部分上的MAE、MSE分别为59.4、96.2,Part_B部分分别为7.7、11.9;超高密度多视角场景数据集UCF-QNRF的MAE为89.3,MSE为164.5;NWPU数据集的MAE为87.9,MSE为417.2。本文方法较对比方法性能有一定提升,且实际场景应用结果验证了本文方法效果较好。

摘要： 针对人群图像中尺度变化大及现有密度估计网络泛化性能差的问题,提出一种基于视觉注意力机制的人群密度估计方法。该网络模型基于VGG-16网络,由空间注意力模块(Spatial Attention Module, SAM)、全局注意力模块(Global Attention Module, GAM)及融合模块(Fusion Module, FM)等几个模块组成,通过在网络不同层级中引入注意力机制来选择性地增强网络的功能,提高多尺度级联的有效性。设计一个弱监督学习来扩展提出的密度估计网络,使人群密度估计模型可以适应不同的场景和数据集。实验结果表明,该方法对不同尺度、不同场景下的人群密度图像都有很好的适用性和准确性,算法性能也优于现有的人群密度估计算法。

摘要： 基于卷积神经网络的人群计数方法促使人群计数精度取得了显著提高.然而,密集人群中的人头尺度变化与复杂环境干扰仍是影响网络计数精度的主要因素.本文提出了一种基于局部-全局双分支网络对密集人群计数.局部分支主要由尺度感知特征提取模块实现,以建模密集人群中人头的尺度变化.全局分支主要由位置感知注意力模块实现,以增强网络对人群与背景之间的判别力.提取到的局部特征与全局特征会送入特征融合分支处理,回归人群密度图.本文方法在3个常用的人群计数数据集与一个遥感目标计数数据集上进行了实验.定量与定性结果表明了本文方法的有效性.

摘要： 随着计算机视觉和人工智能相关技术的快速发展,基于智能视频分析的人群计数算法取得长足进步,但在计数准确性和算法鲁棒性上还有很大的提升空间。针对复杂场景人群计数任务中存在的目标多尺度及背景干扰等问题,文中提出基于多尺度特征融合的抗背景干扰人群计数网络(Anti-Background Interference Crowd Counting Network Based on Multi-scale Feature Fusion,AntiNet-MFF)。在U-Net网络架构基础上融入多层次特征分割提取模块,借助深度学习强大的表征能力提取人群多尺度特征。同时,为了提升计数模型对人群区域的关注度,减少背景噪声干扰,在解码阶段生成背景分割注意力图,作为注意力引导计数模型聚焦人头区域,提升人群分布密度图的质量。在多个典型人群计数数据集上的实验表明,AntiNet-MFF在准确性和鲁棒性上都取得良好效果。

摘要： 考虑目前对具有透视畸变的高密度人群图像进行特征提取的局限性,提出了一种融合全局特征感知网络(GFPNet)和局部关联性特征感知网络(LAFPNet)的人群计数模型LMCNN.GFPNet是LMCNN的主干网络,将其输出的特征图进一步序列化并作为LAFPNet的输入,再利用循环神经网络(RNN)在时序维度上对局部关联性特征感知的特点将单一的空间静态特征映射到具有局部序列关联性特征的特征空间,从而有效地削减了透视畸变对人群密度估计造成的影响.为了验证所提模型的有效性,在Shanghaitech Part A子集和UCF_CC_50数据集上与原子卷积空间金字塔网络(ACSPNet)进行对比,结果表明所提模型的平均绝对误差(MAE)分别至少减小了18.7％和20.30％,均方误差(MSE)分别至少减小了22.3％和22.6％.LMCNN注重空间维度上前后特征的相关性,通过对空间维度特征与单图像内序列特征的充分融合,减小了由透视畸变引起的人群计数误差,能更加准确地预测密集区域人数,提高人群密度回归精度.

摘要： 为了进一步提高密集人群计数任务的计数精度,提出一种利用深度语义特征逐步降维重建的密集人群计数网络.前端采用深度卷积网络得到基本的深度语义特征;后端采用基于空洞卷积的多尺度特征融合块来丰富深度语义特征.通过语义重建块与上采样相结合,在进行多次降维重建以后生成与原始图像相同分辨率的人群密度图,并由此得到人群数量.将该模型在公开的数据集ShanghaiTech、UCF_CC_50、UCF-QNRF上与历年的主要方法进行对比,该方法无论是在人群计数精度还是密度图质量上都体现出了明显的优势,同时在多个数据上的验证实验表明模型具有较好的鲁棒性.

摘要： 提出了一种以Unet++为基础的卷积神经网络,适用于人群密度估计.该网络的优点是用并行连接的方式进行多尺度融合,结合浅层网络的细节信息和深层网络的高阶语义信息来消除两者之间过大的语义鸿沟.此外,还引入了膨胀卷积来提高网络性能.在Shanghai Tech和UCF_CC_50两个通用人群密度估计数据集上进行实验,选取平均绝对误差(MAE)和均方误差(MSE)作为评价指标.实验结果表明,在这两个数据集上该网络均有效降低了MAE和MSE,说明其在人群密度估计方面有较好的准确度和鲁棒性.

摘要： 提出了一种以Unet++为基础的卷积神经网络,适用于人群密度估计。该网络的优点是用并行连接的方式进行多尺度融合,结合浅层网络的细节信息和深层网络的高阶语义信息来消除两者之间过大的语义鸿沟。此外,还引入了膨胀卷积来提高网络性能。在Shanghai Tech和UCF_CC_50两个通用人群密度估计数据集上进行实验,选取平均绝对误差(MAE)和均方误差(MSE)作为评价指标。实验结果表明,在这两个数据集上该网络均有效降低了MAE和MSE,说明其在人群密度估计方面有较好的准确度和鲁棒性。

摘要： 作为一项富有挑战性的任务,人群密度估计的重要性日益凸显,在智能监控、智慧城市建设及社会安全等领域都得到了广泛应用.特别是当下由新冠肺炎全球流行带来的急剧增长的公共场所的流量监管需求,更是为其发展提供了广阔空间.但与此同时,也要注意到人群统计仍面临着包括遮挡、尺度变化及透视失真等在内的诸多挑战,这也意味着该领域还有较大的进步空间.这篇文章中对当前人群密度与计数领域的主流方法进行了分析与总结.我们主要从传统方法和基于CNN的方法两个方面对这些方法的特点进行了分析.

摘要： 本文研究了视频序列图像在DCT变换下的纹理特性,提出了一种估计人群密度的方法,实现了在频域中的人群密度估计。首先,对视频的每一帧进行DCT变换,将视频图像的空域性质转化到频域中。其次,统计分析视频图像DCT变换矩阵的纹理特性,提取能描述不同密度等级的纹理描述子作为特征向量；最后,用提取出的特征向量训练概率神经网络,并进行人群密度等级划分。实验表明,该方法可以很好地进行密度估计,获得了较高识别率。

摘要： 本发明公开了一种谷物密度估计方法、存储介质及谷物密度估计设备，方法包括：获取待估计谷物图像，并对其中的一种或多种谷物籽粒进行标注，得到M组N个不同尺度的标注框；利用预先训练好的特征提取模块对待估计谷物图像进行特征提取，得到多个特征图；利用预先训练好的多尺度特征相关性计算模块通过ROI Align操作将N个标注框分别映射到各特征图上，得到各特征图的M组估计样本特征，并对各特征图与相应的估计样本特征进行特征相关性计算，得到多组密度图；利用预先训练好的特征融合模块对多组密度图进行融合处理，得到待估计谷物图像中与所标注谷物籽粒同类别的谷物籽粒数。由此，可以实现任意谷物的密度估计，提高准确性，提升效率。

摘要： 本发明公开了一种谷物密度估计方法、存储介质及谷物密度估计设备，方法包括：获取待估计谷物图像，并对其中的一种或多种谷物籽粒进行标注，得到M组N个不同尺度的标注框；利用预先训练好的特征提取模块对待估计谷物图像进行特征提取，得到多个特征图；利用预先训练好的多尺度特征相关性计算模块通过ROI Align操作将N个标注框分别映射到各特征图上，得到各特征图的M组估计样本特征，并对各特征图与相应的估计样本特征进行特征相关性计算，得到多组密度图；利用预先训练好的特征融合模块对多组密度图进行融合处理，得到待估计谷物图像中与所标注谷物籽粒同类别的谷物籽粒数。由此，可以实现任意谷物的密度估计，提高准确性，提升效率。

摘要： 本发明涉及一种基于编解码结构的人群计数和密度估计方法，包括以下步骤：A、根据人群拥挤场景的监控视频获取人群图像；B、根据人群图像构建训练数据集；C、构建人群计数和密度估计模型；D、采用训练数据集对人群计数和密度估计模型进行训练；E、若模型训练的轮次达到设定的迭代值，则保存模型并执行步骤F，否则，返回步骤D；F、将待预测的人群图像输入训练好的人群计数和密度估计模型中，预测对应的人群数量和密度。与现有技术相比，本发明利用分类网络的多尺度特征提取人群不同尺度的特征信息，有效提升模型的性能；同时能够获得与原图像同等分辨率的预测密度图，有效的估计出区域的人群密度和人群总数量。

摘要： 本发明属于人群分析技术领域，为基于CNN低层语义特征密度图的人群密度估计方法，包括步骤：数据的预处理，根据原图像的行人位置生成密度图；对原图像和密度图进行切片；对原图像进行MCNN多分支特征提取，对各分支特征进行卷积、池化操作后，通过MCNN特征图融合器对各分支特征进行连接得到MCNN连接特征图，并对其进行卷积操作得到初始的MCNN密度图；对原图像进行卷积得到具有低层语义特征图；将低层语义特征图与MCNN多分支特征提取后各分支生成的特征图在通道数这一维度进行连接，得到连接特征图；用若干层卷积层对连接特征图进行解码，生成最终的密度图；对最终密度图的每个像素相加求和，得到图片中的人数。MAE、MSE较低，准确率和稳定性都较高。

摘要： 本发明涉及计算机视觉技术领域，公开了一种人群密度估计的识别及人群行为分析算法，具备系统会自动提醒各个点位异常情况，会预测客流高峰期提前做好部署方案，出现危险状况之后，系统自动做出连锁反应，将人民的生命财产安全损失降至最低的优点。本发明人群密度估计识别系统，利用当前先进的机器视觉、图形图像视频分析技术、人体模式识别技术、人工智能机器学习技术，以秒级的速度侦测预设区域的移动人流密度、节点客流数量、排队长度统计，可以有效地排除光、影、热的影响，每两分钟自我校准，排除检测区域内的干扰物体，当所监控的客流数量达到设定的阈值时，进行客流报警，并启动相应的预警方案，防止产生安全事故。

摘要： 本发明属于人群分析技术领域，为基于CNN低层语义特征密度图的人群密度估计方法，包括步骤：数据的预处理，根据原图像的行人位置生成密度图；对原图像和密度图进行切片；对原图像进行MCNN多分支特征提取，对各分支特征进行卷积、池化操作后，通过MCNN特征图融合器对各分支特征进行连接得到MCNN连接特征图，并对其进行卷积操作得到初始的MCNN密度图；对原图像进行卷积得到具有低层语义特征图；将低层语义特征图与MCNN多分支特征提取后各分支生成的特征图在通道数这一维度进行连接，得到连接特征图；用若干层卷积层对连接特征图进行解码，生成最终的密度图；对最终密度图的每个像素相加求和，得到图片中的人数。MAE、MSE较低，准确率和稳定性都较高。

摘要： 本发明公开了一种高密度场景下的人群密度估计方法，首先采集视频帧，并进行梯度方向计算，获取梯度方向图；然后对梯度方向图进行LBP纹理特征计算；最后利用ADABOOST进行人头检测，获取高密度场景下的人头数目，并进行人群密度估计。根据所述的梯度方向图，利用梯度方向进行计算；利用LBP纹理特征对梯度方向图进行计算，得到纹理特征图；利用ADABOOST进行人头检测，获取高密度场景下人头数目，进行人群密度估计。该方法能够在高密度人群场景下，实时检测出人头数目，并进行人群密度估计，同时具有很好的鲁棒性。

摘要： 本发明属于机器视觉及深度学习技术领域，涉及一种基于高层语义引导的多阶段高效人群密度估计方法，先通过主干网络提取底层卷积特征，再在不同的池化层后添加不同阶段的空洞卷积分支，其中不同阶段的分支使用来自主干网络的底层特征，减少了特征重复提取的计算消耗；并在不同阶段使用不同空洞因子的空洞卷积替换普通卷积，在增加计算量的基础上提高了网络对于不同尺度人群的感知能力；而且采用了逐点通道注意调制模块，每个空间位置的通道特征上下文分别聚合，提升了对于小目标的感知能力，解决了多尺度特征提取效率低的问题。

摘要： 本发明涉及一种基于无线信号的区域人群密度估计方法，包括步骤：收集区域内无线信号的信道状态信息，选择无线信号信道状态信息子载波，计算任意两个子载波信道状态信息的相位差；根据区域人群处于安静状态或小幅运动状态的持续时间，利用排队理论建立区域内人数与状态持续时间概率密度函数的相关性模型；采用基于通用无线网络信号的区域人数及密度系统及构建的区域内人数与状态持续时间概率密度函数的相关性模型来估计区域内待计数的人群密度。本发明的有益效果是：利用现有的无线网络设施，无需被统计人群携带任何设备或部署额外设施。对城市各类场景下区域人群实时精准统计，在预防过度拥挤和检测潜在安全问题上有着极其重要的价值。

摘要： 本发明公开了一种人群密度估计方法、装置、设备及存储介质，所述方法，包括：通过对原始图像中的人头目标进行标注，将人头目标分为N类；其中，N为正整数；基于N类人头目标，获取N类人头目标的真实数据集；真实数据集包括真实密度图、真实前景区域以及真实背景区域；基于深度神经网络对原始图像中的人头目标进行处理，输出估计数据集，估计数据集包括：估计密度图、估计前景区域以及估计背景区域；基于真实数据集以及估计数据集，获取总损失数据集；基于总损失数据集对深度神经网络进行训练，获取目标深度神经网络。本发明的技术方案，将前景估计、背景估计以及人群密度估计结合，可以减少误报。