一. 應用背景

      在安防大背景下，對敏感區域人流量的管控是一個重要的課題，防止人群騷亂、踩踏現象的發生，對非預期的人員匯聚進行預警等等，最常用的方法是檢測到每個目標，然後藉助 Perspective 矩陣完成到實際位置的對映，當然，在目標很難檢測的情況下（密度極大、遮擋嚴重），基於迴歸的方法就派上了用場。

      本節主要講基於深度學習的迴歸方法來實現人群密度檢測。

二. 人群密度之 Crowd Net

      不想繞過這篇有代表性的論文：

      論文：CrowdNet: A Deep Convolutional Network for Dense Crowd Counting 【

      Caffe程式碼：【Github】

      先來看架構圖：

       論文采用了兩個網路的融合，可以理解為不同的網路提取的特徵不同，上面 Max Pool 對邊緣特徵（細節）提取較好，下面的 Shallow Net 採用 Avrg Pool 對於整體特徵描述較好，兩個網路通過一個 concat 進行連線，然後1*1的conv進行降維，非常簡單。

       這裡面有兩個細節要注意：

1）文中採用了膨脹卷積，提取整體特徵，這個現在用的也比較多了，估計都很熟；

2）資料增廣，採用了不同尺度的樣本取樣，Hard mining 策略，也都是老套路了；

       實驗效果自己看論文吧，只能說，這篇文章比較典型，作為普及性的輸入材料是很不錯的，這裡有其巨大的貢獻。

三. 基於視訊的密度估計

       論文：Spatiotemporal Modeling for crowd counting in videos 【點選下載】

       Caffe程式碼：【Github】

       在講這篇文章之前，先來熟悉一下 RNN，LSTM，在影象領域應用不多，但在NLP、文字處理中發揮著巨大的價值。

       在含有時間資訊的視訊中，RNN（LSTM）成為該問題的有效手段之一（當然還有 Two Stream，Conv3D等）。

1）RNN 迴圈神經網路

      這個比較好理解，在計算當前幀的時候，加入了上一幀的資訊。

2）LSTM

      由於之前資訊在多次迭代後的 vanish 問題，採用 gate 的方式實現資訊的儲存。

      關於 LSTM 可以參考這篇Blog，講的還是比較透徹的：【簡書】

       言歸正傳，如何通過時序資訊來進行密度估計的呢？我們來看：

    > ConvLSTM

       ConvLSTM 是將 LSTM 中的全連線替換為卷積，將 LSTM的時序與 CNN的空間域特徵結合起來，右邊是公式。

   > Bidirectional

       雙向 RNN，即用到前面序列，又用到後面序列，對實時性要求高的系統是不合適的，會有延遲。

   > 實驗效果

       看一下實驗效果還是很不錯的：