人群密度分析算法调研

概述

人群行为分析算法分为四个主要方向：

1、行人检测(Pedestrian Detection)

2、人群计数(Crowd Counting)

3、人群密度分析(Crowd Density Estimation)

4、人群状态分析(Crowd Behaviour Analysis)

人群计数与人群密度分析为其中重要的组成内容。人群计数与人群密度分析算法通常的方法大致可以分为三种:

1 、行人检测 :这种方法比较直接，在人群较稀疏的场景中，通过检测视频中的每一个行人，进而得到人群计数的结果，一般是用基于外观和运动特征的boosting，贝叶斯模型为基础的分割，或集成的自顶向下和自底向上的处理，这种方法在人群拥挤情况下不大奏效，需要运用到基于部件模型（如DPM）的检测器来克服人群拥挤遮挡的问题。

2、视觉特征轨迹聚类：对于视频监控，一般用KLT跟踪器和聚类的方法，通过轨迹聚类得到的数目来估计人数。

3、基于特征的回归:建立图像特征和图像人数的回归模型， 通过测量图像特征从而估计场景中的人数。由于拥挤情况下采用直接法容易受到遮挡等难点问题的影响，而间接法从人群的整体特征出发，具有大规模人群计数的能力。

 

人群密度分析算法技术分析

传统方法

1、前景分割：前景（行人或人群）分割的目的是将人群从图像中分割出来便于后面的特征提取，分割性能的好坏直接关系的最终的计数精度，因此这是限制传统算法性能的一个重要因素。常用的分割算法有：光流法、混合动态纹理、小波分析 、背景差分等。

2、特征提取：从分割得到的前景提取各种不同的底层特征，常用的特征有：人群面积和周长、边缘信息、纹理特征、闵可夫斯基维度等。

3、人数回归：将提取到的特征回归到图像中的人数。常用的回归方法有：线性回归、分段线性回归、脊回归、高斯过程回归等。

深度学习方法

Step1、给定一张图像，用CNNs来估计人数，一般有两种方案：

Step2、一是输入图像，输出区域内估计的人头数目；

Step3、二是输出人群密度图（每平方米多少人），然后再通过积分求总人数。

 

主流算法分析

1、Cross-scene Crowd Counting via Deep Convolutional Neural Network(CVPR2015)

目的：

解决算法在不同场景下通用性问题

难点：

1、寻找一种可以更好表达人群特征的方式（用深度学习替代手工特征）。

2、不同场景有不同的透视率，人群分布与光照条件。

3、传统方法使用的前景分割方法很难得到精确的分割结果。

4、数据集（现有数据集样本数目少，场景单一）。

贡献：

1、提出了一种同时进行两个任务的CNN