摘要：人群計數(shù)有什么用讓我們用一個例子來理解人群計數(shù)的有用性?；诘姆椒ㄎ覀儾挥每磮D像的補丁，而是使用可靠的卷積神經(jīng)網(wǎng)絡構(gòu)建一個端到端的回歸方法。這將整個圖像作為輸入，并直接生成人群計數(shù)。

人臉識別或人臉簽到往往是1:1，或1:N的圖像識別技術(shù)，但如何數(shù)人數(shù)，少量只要能識別人臉當然就可以數(shù)人數(shù)了。

但當我們面臨大規(guī)模擁擠的人群，我們可能不需要識別人臉，只是人群計數(shù)，是否可以實現(xiàn)呢？

能幫我數(shù)數(shù)圖片中這個活動有多少人參加嗎？

太多了？那這個怎么樣？

還是不行？沒關(guān)系！

今天我們將教你創(chuàng)建一個基于深度學習的人群計數(shù)模型。

本文是基于卷積神經(jīng)網(wǎng)絡（CNN）的工作方式建立的，在進一步研究之前，您可以參考下面這篇文章來了解這個主題：

https://www.analyticsvidhya.com/blog/2018/12/guide-convolutional-neural-network-cnn/?utm_source=blog&utm_medium=crowd-counting

現(xiàn)在，我們正式開始介紹~

目錄

?1.什么是人群計數(shù)？

?2.為什么要數(shù)人群？

?3.了解不同計算機視覺技術(shù)在人群計數(shù)中的應用

?4.CSRNet的體系結(jié)構(gòu)與訓練方法

?5.用Python構(gòu)建自己的人群計數(shù)模型

什么是人群計數(shù)？

人群計數(shù)是一種計算或估計圖像中的人數(shù)的技術(shù)。

還是這張圖——

你能告訴我這個圖片里大概有多少人嗎？最直接的方法是手工算，但這有實際意義嗎？當人群這么多的時候，一個一個數(shù)幾乎是不可能的！

人群科學家們可以通過對圖片區(qū)域劃分，計算圖像某些部分的人數(shù)，然后外推得出估計值。這種方法是現(xiàn)在較為普遍的方式，但是也存在誤差。幾十年來，我們不得不依靠粗略的指標來估計這個數(shù)字。

“肯定有更好、更準確的方法吧？

沒錯，有！”

雖然我們還沒有算法可以給出確切的數(shù)字，但大多數(shù)計算機視覺技術(shù)可以產(chǎn)生幾乎完美的較精確估計。讓我們先了解為什么人群計數(shù)是重要的，然后再深入研究其背后的算法。

人群計數(shù)有什么用？

讓我們用一個例子來理解人群計數(shù)的有用性。想象一下，中國傳媒大學剛剛舉辦了一個大型的數(shù)據(jù)科學會議?；顒悠陂g舉行了許多不同的會議。

你被要求分析和估計每一次參加會議的人數(shù)。這將幫助我們了解什么樣的會議吸引了最多的人數(shù)（以及哪些會議在這方面失敗了）。并由此可以針對性塑造明年的會議，所以這是一項重要的任務！

參加會議的人數(shù)太多了，如果人工數(shù)可能將需要很久！這就是學習人群計數(shù)技能的作用所在。只要獲得每一次會議中人群的照片，就可以建立了一個計算機視覺模型來完成其余的工作！

還有很多其他情況下，人群計數(shù)算法正在改變行業(yè)的運作方式：

統(tǒng)計參加體育賽事的人數(shù)

估計有多少人參加了就職典禮或游行(可能是政治集會）

對交通繁忙地區(qū)的監(jiān)察

協(xié)助人員配置和資源分配

不同計算機視覺技術(shù)在人群計數(shù)中的應用

概括地說，目前我們可以用四種方法來計算人群中的人數(shù)：

1.基于檢測的方法

我們可以使用一個移動窗口式檢測器來識別圖像中的人，并計算出有多少人。用于檢測的方法需要訓練有素的分類器來提取低層次特征。雖然這些方法在人臉檢測方面效果很好，但在擁擠的圖像上效果不佳，因為大多數(shù)目標對象都不是清晰可見的。

2.回歸方法

對于低級別的特征，上述方法使用并不有效，可以使用基于回歸的方法。我們首先從圖像中裁剪補丁，然后，針對每個補丁，提取低級別的特征。

3.基于密度估計的方法

我們首先為要檢測的圖片創(chuàng)建一個密度圖。然后，該算法學習了提取的特征與目標密度映射之間的線性映射。我們也可以利用隨機森林回歸來學習非線性映射。

4.基于CNN的方法

我們不用看圖像的補丁，而是使用可靠的卷積神經(jīng)網(wǎng)絡(CNN)構(gòu)建一個端到端的回歸方法。這將整個圖像作為輸入，并直接生成人群計數(shù)。CNN在回歸或分類任務中非常有效，并且在生成密度圖方面也證明了它們的價值。

CSRNet是我們在本文中將實現(xiàn)的一種技術(shù)，它部署了一個更深層次的CNN，用于捕獲高級別的特性和生成高質(zhì)量的密度圖，而不需要擴展網(wǎng)絡復雜性。在講到編碼部分之前，讓我們先了解一下CSRNet是什么。

了解CSRNet的體系結(jié)構(gòu)和培訓方法

CSRNet以VGG-16為前端，具有很強的遷移學習能力.VGG的輸出大小是原始輸入大小的?。CSRNet還在后端使用膨脹的卷積層。

那么，什么是膨脹的卷積？請參考以下圖像：

使用膨脹卷積的基本概念是在不增加參數(shù)的情況下擴大核。所以，如果膨脹率是1，我們?nèi)『瞬⑺D(zhuǎn)到整個圖像上。然而，如果我們將擴展率提高到2，內(nèi)核就會像上面的圖像所示的那樣擴展(按照每個圖像下面的標簽)。它可以替代匯集圖層。

基礎數(shù)學(推薦，選擇性了解)

我要花點時間解釋一下數(shù)學是如何工作的。（請注意，在Python中實現(xiàn)算法并不是必須的，但我強烈建議學習基本思想。）當我們需要調(diào)整或修改模型時，這將派上用場。

假設我們有一個輸入x(m，n)，一個濾波器w(i，j)，以及膨脹率r。輸出y(m，n)為：?

我們可以用(k*k)核推廣這個方程，其擴張率為r。內(nèi)核擴展到：

([K+(k-1)*(r-1)]*[k+(k-1)*(r-1)])

因此，每一幅圖像都產(chǎn)生了地面真相。在給定的圖像中，每個人的頭部都是用高斯核模糊的。所有圖像都被裁剪成9個補丁，每個補丁的大小是圖像原始大小的1/4。

前4個補丁分為4個四分之一，其他5個補丁隨機裁剪。最后，每個補丁的鏡像被取為訓練集的兩倍。?

簡而言之，這就是CSRNet背后的體系結(jié)構(gòu)細節(jié)。接下來，我們將查看它的培訓細節(jié)，包括所使用的評估指標。

隨機梯度下降用于訓練CSRNet作為端到端結(jié)構(gòu)。在訓練期間，固定學習率設置為1e-6。損失函數(shù)被認為是歐幾里德距離，以便測量地面之間的差異 真相和估計的密度圖。這表示為：

其中N是訓練批次的大小。CSRNet中使用的評估標準是mae和mse。，即平均誤差和均方誤差。這些建議是由以下方面提供的：

在這里，Ci是估計數(shù)：

L和W是預測密度圖的寬度。

我們的模型將首先預測給定圖像的密度圖。如果沒有人在場，像素值將為0。如果某個像素對應于某個人，則將指定某個預定義的值。因此，計算一個人的總像素值會給出圖像中人的數(shù)量。

那么現(xiàn)在，是時候建立我們自己的人群計數(shù)模型了！

建立自己的人群計數(shù)模型

我們將在上?？萍紨?shù)據(jù)集上實現(xiàn)CSRNet。這包括1198個加注釋的圖片，總共有330，165人。您可以從這里下載。

https://www.dropbox.com//s/fipgjqxl7uj8hd5/ShanghaiTech.zip?dl=0

使用下面的代碼塊克隆CSRNet-py火炬存儲庫。這保存了用于創(chuàng)建數(shù)據(jù)集、培訓模型和驗證結(jié)果的全部代碼：

git clone https://github.com/leeyeehoo/CSRNet-pytorch.git

請先安裝CUDA和PyTorch。這些是我們將在下面使用的代碼背后的主干。

現(xiàn)在，將數(shù)據(jù)集移動到您在上面克隆的存儲庫并解壓它。然后我們需要創(chuàng)建基本事實值.make_dataset.ipynbfile是我們的救星。我們只需要在該筆記本中做一些小改動：

#setting the root to the Shanghai dataset you have downloaded

# change the root path as per your location of datasetroot = "/home/pulkit/CSRNet-pytorch/"

現(xiàn)在，讓我們?yōu)閜art_A和part_B中的圖像生成基本真值：?

生成每幅圖像的密度圖是一個時間步驟。所以，在代碼運行時，去泡一杯咖啡吧。

到目前為止，我們已經(jīng)在第A部分中為圖像生成了地面真值，我們將對Part_B圖像進行同樣的處理。但在此之前，讓我們看看一個示例圖像，并繪制它的地面真實熱圖：?

生成每張圖像的密度圖是一個很長的時間。所以在代碼運行時去沖泡一杯咖啡吧，耐心等待一下。?

到目前為止，我們已經(jīng)為part_A中的圖像生成了基本真值。 我們將對part_B圖像執(zhí)行相同的操作。但在此之前，讓我們看一個示例圖像并繪制其地面真實熱圖：

plt.imshow(Image.open(img_paths[0]))

gt_file = h5py.File(img_paths[0].replace(".jpg",".h5").replace("images","ground-truth"),"r")

groundtruth = np.asarray(gt_file["density"])

plt.imshow(groundtruth,cmap=CM.jet)

讓我們數(shù)一下這張圖片中有多少人在場：

np.sum(groundtruth)

270.32568?

同樣，我們將為part_B生成值：?

我們將使用克隆目錄中可用的.json文件。我們只需要更改JSON文件中圖像的位置。為此，打開.json文件并將當前位置替換為圖像所在的位置。

請注意，所有這些代碼都是用Python 2編寫的。如果您使用的是其他任何Python版本，請進行以下更改：?

1.在model.py中，將第18行中的xrange更改為range

2.在model.py中更改第19行：list（self.frontend.state_dict（）。items（））[i] [1] .data [：] = list（mod.state_dict（）。items（））[i][1]。數(shù)據(jù)[：]

3.在image.py中，將ground_truth替換為ground-true?

現(xiàn)在，打開一個新的終端窗口并鍵入以下命令：

cd CSRNet-pytorch

python train.py part_A_train.json part_A_val.json 0 0

這個步驟需要一些時間，耐心等一下。你也可以減少train.py文件中的紀元數(shù)量，以加快這個過程。你也可以從這里下載預先訓練的重量，如果你不想等待的話。

最后，讓我們檢查一下我們的模型在看不見的數(shù)據(jù)上的性能。我們將使用val.ipynb文件來驗證結(jié)果。記住要更改到預先訓練過的權(quán)重和圖像的路徑。

#defining the image path

img_paths = []

for path in path_sets:

? ? for img_path in glob.glob(os.path.join(path, "*.jpg")):

? ? ? ?img_paths.append(img_path)

model = CSRNet()

#defining the model

model = model.cuda()

#loading the trained weights

checkpoint = torch.load("part_A/0model_best.pth.tar")

model.load_state_dict(checkpoint["state_dict"])

檢查測試圖像上的MAE(平均誤差)，以評估我們的模型：

我們得到的MAE值為75.69，相當不錯?，F(xiàn)在讓我們檢查一下單個圖像上的預測：

哇，最初的數(shù)字是382，我們的模型估計圖像中有384人。這幾乎是一個完美的演繹！

恭喜你建立了自己的人群計數(shù)模型！

原始論文的評測圖和結(jié)果

最后

您可以在https://colab.research.google.com上測試跑人群計數(shù)。

需要安裝：Pytorch和Cuda

附論文下載地址：CSRNet: Dilated Convolutional Neural Networks for Understanding the HighlyCongested?

聲明：本文版權(quán)歸原作者所有，文章收集于網(wǎng)絡，為傳播信息而發(fā)，如有侵權(quán)，請聯(lián)系小編及時處理，謝謝！

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價值的辦法，實際應用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報表系統(tǒng)等全方位知識

QQ群：81035754