基于上下文特征重聚合网络的人群计数*

郝晓亮，杨倩倩，夏殷锋，彭思凡，殷保群

(中国科学技术大学 信息科学技术学院，安徽 合肥230027)

0 引言

在人群计数所面临的诸多难题中，人群尺度变化导致的计数性能下降问题备受关注。图1所示在人群密度较大的场景中，图片中不同区域的人群在分布上存在人头尺度上的不均衡，对计数准确性造成严重的影响。为了解决此类问题，本文提出了基于上下文的特征增强方法，提取不同尺度的人头特征，融合经过强化的特征，生成反映不同人头尺度的密度图。

图1 人群分布示例图

1 研究现状

基于CNN的方法应用于人群计数的早期，研究者们采用多列网络[1-3]来感知复杂场景下不同人头的尺度来解决因尺度变化而造成的计数误差。MCNN[2]首次以多列网络提取单图的人群尺度，使用不同尺寸的卷积核建立网络，利用不同的感受野提取多尺度人群信息，并生成最终的人群密度图。ONORO-RUBIO D等人[4]从多分辨率输入图入手，利用三种不同分辨率的同一张人群图像中提取的多尺度特征并融合生成密度图，实现利用不同尺寸图像输入来解决人群尺度变化的问题。文献[5]中提出一种端到端的编码解码网络，旨在提取图片中的不同语义信息与空间信息，通过融合低层特征弥补密度图像素上的不足，提高了生成密度图的质量。

尽管上述方法可以在一定程度上提升性能，但是因人群图片尺度变化过于剧烈，多列网络或者多分辨率处理在处理多尺度问题上仍存在参数量过大的问题[6]；……