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

来自专栏梦里茶室

CNCC2017梳理

早上的论坛可以在爱奇艺下载视频 下午的分论坛是多个同时进行的,我也只去了一部分,这里先按时间顺序写自己的一些收获,之后会从另外的角度做一个总结。 ...

1956
来自专栏数据科学与人工智能

【陆勤推荐】想入门机器学习、数据挖掘,我该怎么做?

想入门机器学习、数据挖掘,我该怎么做?我自己是本科数学出身,本科毕业的时候,我并不知道什么是机器学习,也没有写过大型程序,更不要说去搞一个机器学习的算法和实践了...

1935
来自专栏新智元

【深度学习路线图】关键概念、模型及其发展关系

【新智元导读】新智元以前也译介过 Carlos E. Perez 关于深度学习的文章。这次我们要介绍的是他最新制作的“深度学习路线图”。 Perez 发现,他...

5404
来自专栏专知

计算机视觉简介:历史、现状和发展趋势

来源:中国科学院自动化所机器视觉课题组 【导读】本文由中国科学院自动化研究所模式识别国家重点实验室胡占义研究员撰写,对计算机视觉40多年的发展历程进行了简要总结...

57710
来自专栏腾讯高校合作

犀牛鸟·学问 | ECCV 2018论文宣讲研讨会回顾(二)

1212
来自专栏CVer

CVPR 2018 获奖名单:最佳论文和最佳学生论文共计5大奖项

CVPR 2018大会刚刚发布了最佳论文奖、学生最佳论文奖、最佳论文鼓励奖、十年检验奖和青年学者奖等共计5项大奖。

1316
来自专栏AI科技评论

机器学习顶会 ICML 2018 斯德哥尔摩开幕,公平性研究戴上光环

AI 科技评论按:经过 7 月 10 日的三个 Tutorial Session 和 Opening Reception 晚宴之后,在瑞典斯德哥尔摩举办的机器学...

1174
来自专栏AI科技大本营的专栏

当这位70岁的Hinton老人还在努力推翻自己积累了30年的学术成果时,我才知道什么叫做生命力(附Capsule最全解析)

Hinton,这个以“深度学习之父”和“神经网络先驱”响彻AI领域的名字,他的一举一动,都是热点导向。 当我们远望一位顶级人物时,除了他的学术,也许,我们更...

3476
来自专栏新智元

国科大本科生连续在CVPR,AAAI发文,系统提出三维模型库变形分析方法

1473
来自专栏大数据文摘

从自然语言处理到人工智能的两条路径(附64页PPT)

2124

扫码关注云+社区