左健豪，姜文刚

江苏科技大学 电子信息学院，江苏 镇江212003

人群计数的目的是对给定的视频帧或图片中的人群数量进行预测。随着人口的快速增长，人群计数因其在安防领域的潜在价值得到了广泛的关注和快速的发展[1-3]。但是在复杂的密集人群场景中，由于人群分布不均、遮挡和尺度变化等因素，使得人群计数成为一项具有挑战性的任务。

目前主流的人群计数方法分为两类：基于检测的方法和基于回归的方法。基于检测的方法[4-7]先对给定图像或视频中的每个个体（人）进行检测定位，然后再进行数量统计。但这类算法仅仅适用于人群较为稀疏的简单场景，无法适用于复杂背景且高密度的人群场景。

基于回归的方法的思想是学习图片中的人群的特征到人群数量之间的映射关系。Lempitsly等人[8]首先提出利用线性模型来学习图片中的局部特征和其对应密度图的关系。Pham等人[9]提出利用随机森林算法学习局部区域的特征与目标密度图之间的非线性映射关系，并且利用决策树置换算法进行降维，提高了算法的计算速度。基于回归的方法相比于基于检测的方法能够较为充分地利用人群的空间分布信息和语义信息，对后续进行基于深度学习的方法奠定了基础。

但是以上基于传统机器学习的方法对于高密度人群场景下的遮挡、模糊和尺度变化等干扰因素依然缺乏鲁棒性，在实际应用中具有较大的局限性。

近年来，随着深度学习[10]的发展，基于卷积神经网络[11]的密度图回归方法在人群计数领域获得了较好的结果。……