目标计数方法概述

目标计数方法概述

1、如何进行目标计数？

目标计数的方法主要有三类。

1. 基于检测的方法。使用传统的基于 HOG 的检测器或基于深度学习的检测器，如 YOLO 或 RCNN。但这类方法的效果在目标场景中容易受到遮挡的严重影响。
2. 基于回归的方法。这类方法只是从原始图像中捕获一些特征，并使用机器学习模型来映射特征和数字之间的关系。在深度学习之前，基于回归的方法是 SOTA，研究人员专注于寻找更有效的特征来估计更准确的结果。但是，当深度学习变得流行并取得更好的结果时，基于回归的方法就会受到较少的关注，因为很难捕捉到有效的手工制作的特征。
3. 基于密度图的方法。这类方法是目前目标计数的主流方法。与基于检测的方法和基于回归的方法相比，密度图不仅可以给出目标数量，而且可以反映行人的密度分布。

2、什么是密度图？

以行人计数为例，我们使用高斯核来模拟原始图像对应位置的头部，在对图像中的所有头部执行此操作后，在由所有这些高斯核组成的矩阵中执行归一化。如下图所示：

3、 如何生成密度图

1. 固定大小的密度图。使用相同的高斯核，这种方法适用于没有严重透视失真的场景。
2. 透视密度图。使用透视图（由行人高度的线性回归生成）生成对不同头部具有不同大小的高斯核。此方法适用于固定场景。
3. KNN 密度图。使用 k-nearest head 生成不同大小的高斯内核到不同的 head。这种方法适用于非常拥挤的场景。MCNN中详细说明了如何生成 k-nearest density-map。