1 西安建筑科技大学 信息与控制工程学院，陕西西安70055
2 中科星图空间技术有限公司，陕西西安710199
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。
人群密度估计 语义监督 空间信息嵌入 信息聚合 步长卷积 crowd density estimation semantic supervision spatial embedding information aggregation step-size convolution 光学 精密工程
2022, 30(10): 1228
针对现有人群密度估计方法在实际应用中容易受到环境干扰、适应性不强等限制, 提出一种基于多信息卷积神经网络的人群密度估计方法。首先, 根据样本数据的特点生成数据密度图标注与数据增强; 然后, 为适应不同真实场景的巨大差异, 提取图像的色调、色饱和度、灰度(HSG)信息作为训练数据的输入, 并利用共享卷积层、结合两个子网络不同卷积深度的特征构建网络模型; 最后, 对网络输出的密度图进行积分, 得到相应的人数。与主流方法对比, 在Shanghaitech数据集上进行的相关实验证明了所提方法的良好性能。
计算机视觉 人群密度估计 卷积神经网络 密度图 computer vision crowd density estimation convolutional neural network density map
