基于CNN的单图像人群计数与密度估计近期进展综述

从人群图像中估计计数与密度图具有广泛的应用，如视频监控、交通监控、公共安全和城市规划。此外，为人群计数开发的技术可应用于其他研究领域的相关任务，如细胞显微镜、车辆计数和环境调查。人群计数与密度图估计任务充满诸多挑战，例如遮挡、非均匀密度、尺度和视角的场景内与场景间变化。然而，过去几年中，人群计数分析已从通常局限于人群密度和尺度小变化的早期方法，发展到当前最先进的方法，其已具备在广泛场景中成功运行的能力。近年来人群计数方法的成功很大程度上归功于深度学习和具有挑战性数据集的发布。本文提供了对近期基于卷积神经网络 (CNN) 的方法的全面综述，这些方法相比主要依赖手工设计表示的早期方法展现出显著改进。首先，我们简要回顾使用手工设计表示的先驱方法，然后详细探讨基于深度学习的方法以及近期发布的数据集。此外，我们讨论现有基于 CNN 的方法的优点与缺点，并指出这一快速发展领域中有前景的研究方向。