Dense and Sparse Crowd Counting Methods and Techniques: A Review

原文链接：Dense and Sparse Crowd Counting Methods and Techniques: A Review

人群计数在不同的行业中有几个用例。其中一些是:

实时统计社区活动中的人群，以获得关于什么表演、表演和演出有效的指标，以及在什么环境下等等。

统计生产单位禁区内的人群，以执行安全规则，将健康风险降至最低。

管理高交通道路和公共空间。

通过不断监控用户数量来自动化资源分配。

计算教育机构的出勤率。

城市规划

视频监控

Dense vs Sparse crowds - When the crowd has loads of people stacked up at one place, then it’s termed as the dense crowd, and when the people are sparsely placed, it’s a sparse crowd. The methods and techniques which we would be exploring a deal with both dense and sparse crowd. Sparse crowd counting is relatively easy in comparison to Dense crowd counting, hence the algorithms need to work harder for a dense crowd.

密集人群与稀疏人群-当人群中有很多人聚集在一个地方时，则称为密集人群，而当人群稀疏放置时，则是人群稀疏。 我们将探索的方法和技术既适合人群又适合稀疏人群。 与密集人群计数相比，稀疏人群计数相对容易，因此对于密集人群，算法需要更努力地工作。

Counting by Detection

单片检测

基于部分的检测:这种技术不是取整个人体，而是考虑一个部分

形状匹配:考虑椭圆在人周围绘制边界，然后利用随机过程估计椭圆的数量和形状形态。

Counting by Regression

使用回归计数，其中提取的特征从局部图像块映射到计数。这里，既不分割也不跟踪个人。最早的尝试之一是提取底层特征，如边缘细节、前景像素，然后通过映射特征和计数对其应用回归建模。

Counting by Estimating the Density

然而，该方法通过学习局部特征和物体密度图之间的映射来关注密度，从而在过程中融入空间信息。这避免了单独学习每一个个体，因此一次跟踪一组个体。所描述的映射可以是线性的或非线性的。

Deep Learning for Crowd Counting

• Basic CNNs: These comprise the initial deep learning approaches used. These have basic convolutional layers, kernels, and pooling layers.
• Scale-aware models: A more robust CNN wherein multi-column or multi-resolution architectures are used.
• Context-aware models: Both the local and global contextual information is incorporated into CNN.
• Multi-task frameworks: Besides crowd counting, other tasks such as crowd-velocity estimation, foreground-background subtraction are used.

基本的cnn:这些包括最初使用的深度学习方法。它们有基本的卷积层、内核和池层。

尺度感知模型:使用多列或多分辨率架构的更健壮的CNN。

上下文感知模型:局部和全局上下文信息都被整合到CNN中。

多任务框架:除了人群计数外，还使用了人群速度估计、前景-背景减法等任务。