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Vamei实验室

统计02:怎样描绘数据

统计最开始的主要任务就是描述数据。正如我们在统计概述中提到的,群体的数据可能包含大量的数字,往往让人读起来头昏脑涨。电影《美丽心灵》中,数学家纳什不自觉地沉浸在...

29370
来自专栏机器之心

解读 | 替代图灵测试?让人工智能参加数学和科学考试

SyncedReview 作者:Shixin Gu 参与:Joshua Chou、Chain Zhang、熊猫 图灵测试在过去很长一段时间里都被认为是一种衡量人...

431120
来自专栏机器之心

学界 | 百度提出问答模型GNR:检索速度提高25倍

选自Baidu Research 作者:Jonathan Raiman & John Miller 机器之心编译 参与:刘晓坤、李泽南、蒋思源 近日,百度人工智...

324100
来自专栏深度学习入门与实践

机器学习基础与实践(一)----数据清洗

本博客所有内容以学习、研究和分享为主,如需转载,请联系本人,标明作者和出处,并且是非商业用途,谢谢!   想写这个系列很久了,最近刚好项目结束了闲下来有点时间,...

60960
来自专栏华章科技

大数据等最核心的关键技术:32个算法

奥地利符号计算研究所(Research Institute for Symbolic Computation,简称RISC)的Christoph Koutsch...

11520
来自专栏大数据挖掘DT机器学习

用TensorFlow实现文本分析模型,做个聊天机器人

不错的学习聊天机器人的资源,不知道小伙伴们有没有去学习呢。 自己动手做聊天机器人教程 http://www.shareditor.com/blogshow...

49850
来自专栏null的专栏

优化算法——牛顿法(Newton Method)

一、牛顿法概述     除了前面说的梯度下降法,牛顿法也是机器学习中用的比较多的一种优化算法。牛顿法的基本思想是利用迭代点 ? 处的一阶导数(梯度)和二阶导数(...

54350
来自专栏IT综合技术分享

大数据算法汇总

转载36大数据(36dsj.com):36大数据»大数据等最核心的关键技术:32个算法

73910
来自专栏机器之心

专栏 | 阿里IJCAI 2017 Workshop论文:使用深度强化学习方法求解一类新型三维装箱问题

机器之心专栏 阿里菜鸟物流人工智能部 据机器之心了解,阿里巴巴有 11 篇论文入选如今正在墨尔本进行的 IJCAI 2017 大会,其中 6 篇来自阿里巴巴-浙...

1.1K60
来自专栏jouypub

区块链之密码学随机数

其定义为随机样本不可重现。实际上只要给定边界条件,真随机数实际上并不存在,可是如果产生一个真随机数样本的边界条件十分复杂且难以捕捉,可以认为用这个方法演算出来了...

13010

扫码关注云+社区

领取腾讯云代金券