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：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：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：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。

摘要：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。

摘要：人群密度估计对于大型公共设施的设计和人群的安全十分重要。本文提出了一种基于二维快速傅立叶变换和灰度共生矩阵的人群密度特征提取方法.主要思想是依据不同密度的人群图像在其频谱图上的不同,将频谱图视为纹理图像,利用纹理分析的方法提取能够表现这些不同的纹理特征。进而利用Adaboost实现人群密度级别的分类。实验结果表明本文提出的方法在具有不逊于其他算法的准确率的情况下,计算速度明显提高。

摘要：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。

摘要：针对现有方法在高密度场景人群密度估计不够准确的问题,提出了Gabor滤波结合最小二乘支持向量机(LS-SVM)的人群密度估计算法。首先,设计一组单独的二维Gabor滤波器应用在人群图像中以产生相应的滤波通道。然后,通过计算这些通道上灰度值的均值和方差得到特征向量。最后,采用最小二乘支持向量机分析特征向量和人数之间的关系,完成最终的密度估计。在UCSD数据集和Mall数据集上的实验显示,提出的方法实现了更快的执行时间和更好的精度,证明了基于Gabor滤波器和LS-SVM的人群密度估计算法的有效性。

摘要：人群密度估计对于人流监控与人群安全具有重要意义。针对现有算法主要通过不同尺度感受野来学习特征,而无法高效利用多尺度特征的问题,文中设计了一个基于通道域注意力机制的特征融合模块。该模块可以在训练模型时学习特征融合的分布情况,以高效利用多尺度特征。此外,为解决人群数据集的样本有限问题,文中采用了多规模数据增广来训练模型。将新模型在Shanghaitech数据集上进行测试,并在陕西省某旅游景区人群计数数据集上进行验证。实验结果显示,基于通道域注意力机制的人群密度估计算法在MAE与MSE上均优于MCNN,证明了该方法在人群密度估计领域具有良好的应用价值。

摘要：人群密度自动估计作为人群控制和管理的方法,是当前视频监控中的一个重要研究领域。现有的方法通过提取复杂的特征来进行人群密度估计,由于人群遮挡、透视效果和环境复杂等条件限制,难以满足实际应用中的需求,而深度卷积神经网络在特征学习上具有较强的能力。提出了一种基于深度卷积神经网络DCNN(Deep Convolution Neural Network)的方法来进行自然场景下人群密度估计。首先,为了消除摄像机透视效果,以图像中行人身高作为尺度基准,将图像分成多个子图像块。其次,设计一种新的深度卷积神经网络结构,利用多种不同的卷积核提取人群图像的深层次特征进行人群密度估计。实验结果证明该方法在自然场景下人群密度估计具有良好的稳定性和鲁棒性。