越线人群计数--Crossing-line Crowd Counting with Two-phase Deep Neural Networks

Crossing-line Crowd Counting with Two-phase Deep Neural Networks ECCV2016

人群计数有两种做法:1) region-of-interest (ROI) 感兴趣区域计数,2) line-of-interest (LOI) 感兴趣线计数,就是通过图像中某一条线的人流量。

大多数算法关注 ROI 计数问题,但是我们认为 LOI 计数问题更有实际应用价值,对于人群密集的大型公共区域,我们想通过监控相机对所有区域进行人群计数是不现实的。但是我们可以对出口和入口进行 LOI 计数从而推理出公共区域里的人数总量。

传统的 LOI 方法是通过提取视频中 对应 LOI 那条线上的信息生成 2D temporal slices generating 2D temporal slices by temporally concatenating video frame lines at the LOI

基于 temporal slices 我们来估计通过画线的人流总量,这种方法在某些情况下效果不太好 When the scene is not crowded and pedestrians walks in normal speed (Fig. 1(b, row 1)), people can be well recognized in the temporal slices. However, we observe that temporal slices are not robust to scenes with high crowd density, slow walking speed, and low camera viewing angles. In Fig. 1(b, row2), the temporal slice shows excess jitters and people in it are no longer recognizable

本文使用 CNN 网络从视频序列中学习特征,分两个步骤来解决计数问题

3 Method 3.1 Pixel-level supervision maps

根据视频序列帧,我们得到中间结果 Density map 和 Velocity map,有了这两个信息,再去得到 Supervision crowd counting map The crowd counting map can then be obtained as the elementwise multiplication of the density and velocity maps 相应位置数值相乘得到 crowd counting map

3.2 Deep Convolutional Neural Network for LOI crowd counting

我们的网络结构如下:

We propose to train the CNN in two phases. In the first training phase, the network is trained to predict the crowd density map D t and the crowd velocity map V t simultaneously 我们是分步训练上面的网络的,首先训练 predict the crowd density map 和 crowd velocity map, 再微调 fine-tune the trained network in the second phase with supervision of the crossing-line crowd counting map

3.3 From crowd counting map to LOI counts 这一步主要是根据 crowd counting map 我们计算得到画线的随时间变化的人流量

4 Experiments 我们针对越线人群计数,建立了一个新的数据库

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏AI启蒙研究院

别人都在晒18岁照片,而我却在学习~

663
来自专栏AI科技评论

360 副总裁颜水成教授: 深度学习的研发目标及 1×1 卷积的功能 | CCF-GAIR 2017

7 月 7 日,雷锋网承办的第二届 CCF-GAIR 全球人工智能与机器人峰会在深圳如期开幕。奇虎 360 副总裁、首席科学家、IEEE Fellow、IAPR...

2697
来自专栏携程技术中心

干货 | 深度学习在携程攻略社区的应用

? 携程攻略社区是携程旗下的旅游攻略类社区,致力于为旅行者提供出行指南和资讯服务。依托携程2.5亿用户总量,社区日活跃用户超过500万,并汇集3000万条真实...

2028
来自专栏机器学习、深度学习

视频动作识别--Convolutional Two-Stream Network Fusion for Video Action Recognition

Convolutional Two-Stream Network Fusion for Video Action Recognition CVPR2016 h...

3497
来自专栏新智元

【春节学AI炒股】深度学习引入信号处理技术,轻松分析股票等各种序列数据

新智元推荐 作者:齐国君 编辑:克雷格 【新智元导读】把深度学习的最新方法用来做股价预测可不可行?一个探讨路径之一是如何深入把经典的信号处理技术引入到深...

43113
来自专栏大数据文摘

数学与美容:美国专利观光,用黄金分割为眉毛造型

1233
来自专栏小文博客

性感与色情有多远——你不知道的图片鉴黄那些事儿

1455
来自专栏AI研习社

IJCAI 2018 广告算法大赛落下帷幕,Top 3 方案出炉

雷锋网 AI 研习社消息,IJCAI-18 阿里妈妈搜索广告转化预测比赛近日落下帷幕,本次比赛为阿里妈妈与 IJCAI2018、天池平台联合举办,总奖池 370...

813
来自专栏机器学习算法与Python学习

蒙特卡洛方法入门

蒙特卡洛方法入门 引言 蒙特卡罗方法于20世纪40年代美国在第二次世界大战中研制原子弹的“曼哈顿计划”计划的成员S.M.乌拉姆和J.冯·诺伊曼首先提出。数学家冯...

39611
来自专栏ATYUN订阅号

“假脸”也能解锁手机怎么办?基于DNN的反欺骗机制

AiTechYun 编辑:xiaoshan.xiang ? 想象一下,只需要用你的脸对准摄像头,不需要指纹扫描或触摸,就能解锁手机。它只会在没有任何用户干预的情...

2604

扫码关注云+社区