李鹏博 王向文

(上海电力大学电子与信息工程学院 上海 200090)

0 引 言

在国内外的各项大型活动中，突发的人群踩踏事件，已经造成了许多伤亡事故。例如2015年上海外滩发生的踩踏事件，已经达到了我国重大伤亡事故级别。如果能基于视频图像来估计人群密度，并合理地安排相应的安保措施，就可以有效减少和避免类似事件的发生。这也使得估计人群密度成为了计算机视觉领域的一大热点问题。

最初人群计数采用的是基于检测的方法[1],通过滑动窗口检测器来检测场景中的人群，并统计出相应的人数。但是无论是采用检测人整体的方法[2-3]，还是基于人体局部信息的检测方法[4]，在人群密集场景中的应用效果均不太理想。

由于窗口检测方法很难解决人群密集情况下的遮挡等问题，很多学者提出利用回归的方式来解决人群计数问题。回归方法主要是利用回归算法学习出一种由低级特征到人群人数的抽象映射[5-6]。回归方法可以分为两个步骤，首先提取图片的边缘、纹理、梯度等特征，然后基于这些特征训练一个回归模型以估计最终的人数。但是由于这种回归方法需要事先人为地构建人群图像特征，因此对于特征的有效性有较高的要求，最终的结果也不是非常好。

近些年，由于深度学习的不断发展，其被广泛地应用到计算机视觉的各个领域，并且针对一些问题取得了突破性的进展。同时许多基于深度学习的人群密度估计算法被提出来，这些已经提出的模型可以分为两类。……