如何使用多尺度和多任务卷积神经网络实现人群计数

在智能监控领域，实现人群计数具有重要价值，针对人群尺度不一、人群密度分布不均及遮挡等问题，提出一种多尺度多任务卷积神经网络（MMCNN）进行人群计数的方法。首先提出一种新颖的自适应人形核生成密度图描述人群信息，消除人群遮挡影响;其次通过构建多尺度卷积神经网络解决人群尺度不一问题，以多任务学习机制同时估计密度图及人群密度等级，解决人群分布不均问题;最后设计一种加权损失函数，提高人群计数准确率。在UCF_CC_50和WorldExpo‘10数据库上进行了评估，验证了自适应人形核的有效性。实验结果表明：所提算法比Sindagi等的方法（SINDAGIVA，PATELVM.CNN-basedcascadedmulTI-tasklearningofhigh-levelprioranddensityesTImaTIonforcrowdcounTIng.Proceedingsofthe201714thIEEEInternationalConferenceonAdvancedVideoandSignalBasedSurveillance.Piscataway，NJ:IEEE，2017:1-6）在UCF_CC_50数据库上平均绝对误差（MAE）数值和均方误差（MSE）数值分别降低约1.7和45;与Zhang等的方法（ZHANGY，ZHOUD，CHENS，etal.Single-imagecrowdcountingviamulti-columnconvolutionalneuralnetwork.Proceedingsofthe2016IEEEConferenceonComputerVisionandPatternRecognition.Washington，DC:IEEEComputerSociety，2016:589-597）相比，在WorldExpo’10数据库上所提算法的MAE值降低约1.5，且在真实公共汽车数据库上仅0～3人的计数误差，表明其实用性较强。