一. 应用背景
在安防大背景下，对敏感区域人流量的管控是一个重要的课题，防止人群骚乱、踩踏现象的发生，对非预期的人员汇聚进行预警等等，最常用的方法是检测到每个目标，然后借助 Perspective 矩阵完成到实际位置的映射，当然，在目标很难检测的情况下（密度极大、遮挡严重），基于回归的方法就派上了用场。
本节主要讲基于深度学习的回归方法来实现人群密度检测。
二. 人群密度之 Crowd Net
不想绕过这篇有代表性的论文：
论文：CrowdNet: A Deep Convolutional Network for Dense Crowd Counting 【点击下载】
Caffe代码：【Github】
先来看架构图：
论文采用了两个网络的融合，可以理解为不同的网络提取的特征不同，上面 Max Pool 对边缘特征（细节）提取较好，下面的 Shallow Net 采用 Avrg Pool 对于整体特征描述较好，两个网络通过一个 concat 进行连接，然后1*1的conv进行降维，非常简单。
这里面有两个细节要注意：
1）文中采用了膨胀卷积，提取整体特征，这个现在用的也比较多了，估计都很熟；
2）数据增广，采用了不同尺度的样本采样，Hard mining 策略，也都是老套路了；
实验效果自己看论文吧，只能说，这篇文章比较典型，作为普及性的输入材料是很不错的，这里有其巨大的贡献。
三. 基于视频的密度估计
论文：Spatiotemporal Modeling for crowd counting in videos 【点击下载】
Caffe代码：【Github】
在讲这篇文章之前，先来熟悉一下 RNN，LSTM，在图像领域应用不多，但在NLP、文本处理中发挥着巨大的价值。
在含有时间信息的视频中，RNN（LSTM）成为该问题的有效手段之一（当然还有 Two Stream，Conv3D等）。
1）RNN 循环神经网络
这个比较好理解，在计算当前帧的时候，加入了上一帧的信息。
2）LSTM
由于之前信息在多次迭代后的 vanish 问题，采用 gate 的方式实现信息的存储。
关于 LSTM 可以参考这篇Blog，讲的还是比较透彻的：【简书】
言归正传，如何通过时序信息来进行密度估计的呢？我们来看：
> ConvLSTM
ConvLSTM 是将 LSTM 中的全连接替换为卷积，将 LSTM的时序与 CNN的空间域特征结合起来，右边是公式。
> Bidirectional
双向 RNN，即用到前面序列，又用到后面序列，对实时性要求高的系统是不合适的，会有延迟。
> 实验效果
看一下实验效果还是很不错的：