高密度人群聚集容易发生各种意外事件、所以监控与分析高密度人群，防止意外事件发生，具有重要的现实意义，分析高密度人群其中一个最重要的参考就是人群数量、评估聚集人群的数目、分布方式，有利于实时分离与管控，防止意外发生。

传统特征提取方法

早期的密集人群技术主要是基于人头计数与行人计数、人脸、身体等部位、这些方法都基于SIFT、HAAR、HOG等特征传统的图像特征提取技术、这些方法在面对遮挡、密集人群的时候常常失灵、无法较准确的统计评估出密集人群，特别是对大规模的密集人群，如超过2000+以上的拥挤人群，很难正确计数。

深度学习的方法

另外一种现在比较流行的方法是生成人群heat map（热力图）、然后人群计数就变成对热力图的积分计算。还可以计算每平方米的行人密度与聚集程度，这种方法是伴随着深度学习到来逐渐流行起来，使用卷积神经网络的方法基本上都是在这个思路上面进行各种拓展。

为什么不基于深度学习的对象检测、原因是对象检测对于密集对象与超小目标对象很难正确识别与准确计数。无法正确给出密集人群的模型与聚集程度。

相关论文

Crowd Counting Using Scale-Aware Attention Networks

https://arxiv.org/pdf/1903.02025.pdf

主要是基于尺度感知的注意力网络，通过全局与局部注意力网络实现密集人群计数评估，网络的结构如下：

Multi-Level Bottom-Top and Top-Bottom Feature Fusion for Crowd Counting

https://arxiv.org/pdf/1908.10937.pdf

通过不同层级尺度的自顶向下与至底向上的特征融合、其中也融入注意机制，实现更好的人头计数。

MULTI-SCALE CONVOLUTIONAL NEURAL NETWORKS FOR CROWD COUNTING

https://arxiv.org/pdf/1702.02359.pdf

本文是多尺度卷积实现密集人群计数的经典之作，前面的最新研究成果都有参考过这篇论文，提出的MSCNN实现密集人群检测。其中的多尺度BLOB结构如下：

Single-Image Crowd Counting via Multi-Column Convolutional Neural Network

http://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Zhang_Single-Image_Crowd_Counting_CVPR_2016_paper.pdf

作者论文主要想解决任意相机与任意角度图像的密集人群计数面临的难题，作者面对密集人群分布、前景与人群分割困难等现实问题除了一个全新的网络MCNN来解决这些问题。

CrowdNet: A Deep Convolutional Network for Dense Crowd Counting

https://arxiv.org/abs/1608.06197.pdf

作者同样对相机的角度不同，充分考虑到算法的兼容性问题，作者提出了一个全新的网络模型来解决此类问题。结构如下：

Cross-Scene Crowd Counting via Deep Convolutional Neural Networks

http://www.cv-foundation.org/openaccess/content_cvpr_2015/papers/Zhang_Cross-Scene_Crowd_Counting_2015_CVPR_paper.pdf

基于深度学习的交叉场景的人群计数

常用的数据集：

• UCF CC 50 人头标注数据集

• UCSD 行人标注数据集

• GCC Dataset

• Fudan-ShanghaiTech Dataset

• Venice Dataset

• UCF-QNRF Dataset

• ShanghaiTech Dataset

• WorldExpo'10 Dataset

• Mall Dataset

• SmartCity Dataset

• AHU-Crowd Dataset

代码

- CrowdNet
https://github.com/davideverona/deep-crowd-counting_crowdnet
https://github.com/mrlzla/crowd_density_estimator

- MCNN
https://github.com/svishwa/crowdcount-mcnn

- MTL
https://github.com/svishwa/crowdcount-cascaded-mtl

- MSCNN
https://github.com/Ling-Bao/mscnn

- MCNN
https://github.com/aditya-vora/crowd_counting_tensorflow