吴青科，吴 晓，袁雨阳，官锌强

西南交通大学 机械工程学院，成都610031

1 引言

随着中国城市化的推进，人口逐渐向城市聚集，出现了大批人口超500万的大型城市，而且伴随着经济的增长，人民的精神需求日益增长，越来越多的人选择外出旅行，参加演唱会等活动，随之而来的就是人群集会数量和频率的暴增，对城市安防带来新的挑战。人群计数就是通过监控系统拍摄的视频或视频帧获得行人数量和分布情况，监控获取人群图像如图1所示。目前人群计数主要分为直接检测法和回归计数法[1]。Felzenszwalb等人[2]使用行人检测、行人轨迹聚类等方法，通过直接对图像中的每个行人个体进行检测来计数。Lin等人[3]为头部轮廓提取了Haar特征，并使用支持向量机（Support Vector Machine，SVM）分类器来判断提取特征是否为头部轮廓特征。这些直接测量的方法虽然完成计数简单，但极易受到背景噪声和遮挡的干扰，只适用于低密度人群计数，无法适用于高密度人群计数。为了解决密集人群计数的遮挡和环境复杂等问题，一些学者[4-6]选择使用回归的方法，通过构建回归函数并用其学习图片中的信息来直接估计图片中的总人数。Lempitsky等人[7]通过学习人群图像与人群真实密度图之间的线性映射关系来预测人群密度图。

图1 ShanghaiTech数据集部分图片

近几年，随着机器学习研究的突破性进展，基于卷积神经网络（Convolutional Neural Network，CNN）的方法在人群计数领域获得了较好的效果。Zhang等人[4]提出了一种多列卷积神经网络结构（Multi-column CNN，MCNN）。每列卷……