《A survey of recent advances in CNN-based single image crowd counting and density estimation》 解读

人群密度估计传统的三种方法

1. 基于检测的方法
2. 基于回归的方法
3. 基于密度估计的方法

基于检测的方法

1. 最初的研究主要集中在检测风格框架，一个滑动窗口用于检测场景的人，用于计算人的数量，检测使用单片或者基于部件的检测进行，典型的行人检测是使用特征来训练分类器；
2. 支持向量机，增量随机森林被获得使用，但是这些方法都只是在低密度人群上获得了成功；
3. 基于部分的检测方法来解决这个问题：（1）对身体的特定部分增加分类器，如肩膀，头部等；（2）使用形状学习的方法，使用椭圆形的三维图形建模人类，并使用随机过程来估计前文前景mask的数量和形状参数

基于回归的方法

1. 使用部件和形状的方法减轻了遮挡问题，但是密度极高的人群和高混乱背景下，这些方法并不很好使用；
2. 使用回归方法，可以避免对学习检测器的依赖，回归主要分成两个部分：（1）低特征提取；（2）回归建模
3. 特征提取：（1）前景特性、边缘特性、纹理和渐变特性都被用于编码低级信息；（2）使用背景的减法，从前景片段中提取前景特征；（3）全局特征：局部特征，如边缘和纹理/梯度特性，如局部二进制模式（LBP）、直方图定向梯度（占用）、灰度共生矩阵（GLCM）被用来进一步改进结果。
4. 全局特征和局部特征被提取后，使用不同的回归技术来，如线性回归，分段线性回归，岭回归，高斯过程回归和神经网络，来学习低级特征到人群记数的映射
5. 文章提到没有一种单独的方法可以计算低分辨率、严重遮挡、透视和透视导致的图片记数问题，发现了一种数学空间关系，可以约束邻近区的计数估计，因此通过将拥挤人群看成不规则非均匀的纹理，使用傅里叶分析和头部检测，并在邻近筛选信息点，通过傅里叶，信息点，和头部检测进行结合，在局部的补丁内进行计算，并在一个多尺度的MRF框架内进行全局约束
6. 当遇到稀疏和不平衡的数据时，提出了学习回归模