本文介绍了在安防领域，利用深度学习进行人群密度估计的重要性。Crowd Net是一种深度卷积网络，结合Max Pool和Shallow Net的特性进行特征提取。而针对视频中的密度估计，文章探讨了RNN和LSTM在时空信息处理中的作用，并引入了ConvLSTM，将时序信息与空间特征结合，实现更准确的估计。实验显示，这些方法在人群计数和密度检测中表现出色。
一. 应用背景
在安防大背景下，对敏感区域人流量的管控是一个重要的课题，防止人群骚乱、踩踏现象的发生，对非预期的人员汇聚进行预警等等，最常用的方法是检测到每个目标，然后借助 Perspective 矩阵完成到实际位置的映射，当然，在目标很难检测的情况下（密度极大、遮挡严重），基于回归的方法就派上了用场。
本节主要讲基于深度学习的回归方法来实现人群密度检测。
二. 人群密度之 Crowd Net
不想绕过这篇有代表性的论文：
论文：CrowdNet: A Deep Convolutional Network for Dense Crowd Counting 【点击下载】
Caffe代码：【Github】
先来看架构图：
论文采用了两个网络的融合，可以理解为不同的网络提取的特征不同，上面 Max Pool 对边缘特征（细节）提取
最低0.47元/天 解锁文章
扫一扫
567
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
