AI科技评论按，对图片中的物体进行计数是一个非常常见的场景，尤其是对人群或者车辆计数，通过计数我们可以获得当前环境的流量与拥挤状况。现有的人群计数方法通常可以分为两类：基于检测的方法和基于回归的方法。基于目标检测的方法在密集的小目标上效果并不理想，因此很多研究采用了基于像素回归的方法进行计数。本文实现了一个基于Keras的MSCNN人群计数模型。
github：
https://github.com/xiaochus/MSCNN paper：
Multi-scale convolutional neural network for crowd counting
环境
- Python 3.6
- Keras 2.2.2
- Tensorflow-gpu 1.8.0
- OpenCV 3.4
数据
实验数据采用Mall Dataset crowd counting dataset，该数据库包括jpeg格式的视频帧，地面实况，透视标准化特征和透视标准化图，如下所示：
shopping_mall_annotated
shopping_mall_perspective
数据处理的代码如下所示： 1.首先根据标注文件读入图像和标注。 2.根据网络输入输出大小处理标注文件。 3.将人群位置映射为密度图，其中密度图使用了高斯滤波处理。
代码语言：javascript复制def read_annotations():
"""read annotation data. Returns: count: ndarray, head count.
position: ndarray, coordinate.
""" data = sio.loadmat('data\mall_dataset\mall_gt.mat')
count = data['count']
position = data['frame'][0]
return count, position
def map_pixels(img, image_key, annotations, size):
"""map annotations to density map. Arguments: img: ndarray, img.
image_key: int, image_key.
annotations: ndarray, annotations.
size: resize size.
Returns: pixels: ndarray, density map.
""" gaussian_kernel = 15 h, w = img.shape[:-1]
sh, sw = size / h, size / w pixels = np.zeros((size, size))
for a in annotations[image_key][0][0][0]:
x, y = int(a[0] * sw), int(a[1] * sh)
if y >= size or x >= size:
print("{},{} is out of range, skipping annotation for {}".format(x, y, image_key))
else:
pixels[y, x] = 1 pixels = cv2.GaussianBlur(pixels, (gaussian_kernel, gaussian_kernel), 0)
return pixels
def get_data(i, size, annotations):
"""get data accoding to the image_key. Arguments: i: int, image_key.
size: int, input shape of network.
annotations: ndarray, annotations.
Returns: img: ndarray, img.
density_map: ndarray, density map.
""" name = 'data\mall_dataset\frames\seq_{}.jpg'.
format(str(i 1).zfill(6))
img = cv2.imread(name)
density_map = map_pixels(img, i, annotations, size // 4)
img = cv2.resize(img, (size, size))
img = img / 255.
density_map = np.expand_dims(density_map, axis=-1)
return img, density_map密度图还要使用高斯滤波处理是因为在空间中计数时，每个人只占一个像素点导致最终得到的密度分布图特别稀疏，会导致模型收敛到全0状态。因此通过高斯处理后，密度图呈现出热力图的形式，一定程度上解决了稀疏问题。而且高斯处理后的密度图，总计数是不变的。
处理过的输入图像以及其对应的密度图如下所示：
density_map
模型
模型的整体如下图所示，是一个比较简单的端对端网络。
Multi-scale convolutional neural network for crowd counting
针对图像中的目标都是小目标的问题，作者借鉴了Inception模型提出了一个Multi-Scale Blob (MSB) 结构，用来增强特征的多样性。
Multi-scale blob with different kernel size
论文中给出的网络结构如下所示：
The multi scale CNN architecture
实现
基于Keras实现这个网络结构：
代码语言：javascript复制# -*- coding: utf-8 -*-from keras.layers import Input, Conv2D, MaxPooling2D, concatenate, Activationfrom keras.layers.normalization import BatchNormalizationfrom keras.models import Modelfrom keras.regularizers import l2from keras.utils.vis_utils import plot_modeldef MSB(filters): """Multi-Scale Blob.
Arguments:
filters: int, filters num.
Returns:
f: function, layer func.
""" params = {'activation': 'relu', 'padding': 'same',
'kernel_regularizer': l2(5e-4)}
def f(x): x1 = Conv2D(filters, 9, **params)(x)
x2 = Conv2D(filters, 7, **params)(x)
x3 = Conv2D(filters, 5, **params)(x)
x4 = Conv2D(filters, 3, **params)(x)
x = concatenate([x1, x2, x3, x4])
x = BatchNormalization()(x)
x = Activation('relu')(x)
return x
return f
def MSCNN(input_shape): """Multi-scale convolutional neural network for crowd counting.
Arguments:
input_shape: tuple, image shape with (w, h, c).
Returns:
model: Model, keras model.
""" inputs = Input(shape=input_shape)
x = Conv2D(64, 9, activation='relu', padding='same')(inputs)
x = MSB(4 * 16)(x)
x = MaxPooling2D()(x)
x = MSB(4 * 32)(x)
x = MSB(4 * 32)(x)
x = MaxPooling2D()(x)
x = MSB(3 * 64)(x)
x = MSB(3 * 64)(x)
x = Conv2D(1000, 1, activation='relu', kernel_regularizer=l2(5e-4))(x)
x = Conv2D(1, 1, activation='relu')(x)
model = Model(inputs=inputs, outputs=x)
return model
if __name__ == '__main__':
model = MSCNN((224, 224, 3))
print(model.summary())
plot_model(model, to_file='imagesmodel.png', show_shapes=True)实验
在项目里通过下列命令训练模型：
代码语言：javascript复制python train.py --size 224 --batch 16 --epochs 10由于目前没有足量的计算资源使用，我们对模型做了一个初步训练测试效果。
下面是测试集中相同场景的图片进行测试的结果，真实的count是30，预测的count是27，结果大致接近。而且其人群密度图也与图片中的真实人群分布对应。
res1
下面是随便找了一张背景和角度都不同的人群图，可以看出预测出现了较大的偏差。这是因为训练集较为单一的缘故，想要得到针对真实场景的模型，需要一个多样性的训练集。
count：24
res2
count：31
res3
