图像识别 | 一个破纪录的人群计数算法！丨城市数据派
Posted 城市数据派
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了图像识别 | 一个破纪录的人群计数算法！丨城市数据派相关的知识，希望对你有一定的参考价值。
5月北京营限额招生，点击上图了解详情
一个破纪录的人群计数算法！
——使用深度学习构建一个人群计数模型
人工智能和机器学习将成为我们未来十年最大的帮手！
今天，我将分享一个例子——如何计算人群中的人数深度学习与计算机视觉？
但是，在我们开始之前，请先帮我一个忙……
人脸识别或人脸签到往往是1:1，或1:N的图像识别技术，但如何数人数，少量只要能识别人脸当然就可以数人数了。
但当我们面临大规模拥挤的人群，我们可能不需要识别人脸，只是人群计数，是否可以实现呢？
能帮我数数图片中这个活动有多少人参加吗？
太多了？那这个怎么样？
还是不行？没关系！
今天我们将教你创建一个基于深度学习的人群计数模型。
本文是基于卷积神经网络（CNN）的工作方式建立的，在进一步研究之前，您可以参考下面这篇文章来了解这个主题：
https://www.analyticsvidhya.com/blog/2018/12/guide-convolutional-neural-network-cnn/?utm_source=blog&utm_medium=crowd-counting
现在，我们正式开始介绍~
目录
1.什么是人群计数？
2.为什么要数人群？
3.了解不同计算机视觉技术在人群计数中的应用
4.CSRNet的体系结构与训练方法
5.用Python构建自己的人群计数模型
人群计数是一种计算或估计图像中的人数的技术。
还是这张图——
你能告诉我这个图片里大概有多少人吗？最直接的方法是手工算，但这有实际意义吗？当人群这么多的时候，一个一个数几乎是不可能的！
人群科学家们可以通过对图片区域划分，计算图像某些部分的人数，然后外推得出估计值。这种方法是现在较为普遍的方式，但是也存在误差。几十年来，我们不得不依靠粗略的指标来估计这个数字。
肯定有更好、更准确的方法吧？
没错，有！
让我们用一个例子来理解人群计数的有用性。想象一下，中国传媒大学刚刚举办了一个大型的数据科学会议。活动期间举行了许多不同的会议。
你被要求分析和估计每一次参加会议的人数。这将帮助我们了解什么样的会议吸引了最多的人数（以及哪些会议在这方面失败了）。并由此可以针对性塑造明年的会议，所以这是一项重要的任务！
参加会议的人数太多了，如果人工数可能将需要很久！这就是学习人群计数技能的作用所在。只要获得每一次会议中人群的照片，就可以建立了一个计算机视觉模型来完成其余的工作！
还有很多其他情况下，人群计数算法正在改变行业的运作方式：
统计参加体育赛事的人数
估计有多少人参加了就职典礼或游行(可能是政治集会）
对交通繁忙地区的监察
协助人员配置和资源分配
概括地说，目前我们可以用四种方法来计算人群中的人数：
1.基于检测的方法
我们可以使用一个移动窗口式检测器来识别图像中的人，并计算出有多少人。用于检测的方法需要训练有素的分类器来提取低层次特征。虽然这些方法在人脸检测方面效果很好，但在拥挤的图像上效果不佳，因为大多数目标对象都不是清晰可见的。
2.回归方法
对于低级别的特征，上述方法使用并不有效，可以使用基于回归的方法。我们首先从图像中裁剪补丁，然后，针对每个补丁，提取低级别的特征。
3.基于密度估计的方法
我们首先为要检测的图片创建一个密度图。然后，该算法学习了提取的特征与目标密度映射之间的线性映射。我们也可以利用随机森林回归来学习非线性映射。
4.基于CNN的方法
我们不用看图像的补丁，而是使用可靠的卷积神经网络(CNN)构建一个端到端的回归方法。这将整个图像作为输入，并直接生成人群计数。CNN在回归或分类任务中非常有效，并且在生成密度图方面也证明了它们的价值。
CSRNet是我们在本文中将实现的一种技术，它部署了一个更深层次的CNN，用于捕获高级别的特性和生成高质量的密度图，而不需要扩展网络复杂性。在讲到编码部分之前，让我们先了解一下CSRNet是什么。
CSRNet以VGG-16为前端，具有很强的迁移学习能力.VGG的输出大小是原始输入大小的⅛。CSRNet还在后端使用膨胀的卷积层。
那么，什么是膨胀的卷积？请参考以下图像：
使用膨胀卷积的基本概念是在不增加参数的情况下扩大核。所以，如果膨胀率是1，我们取核并将它转到整个图像上。然而，如果我们将扩展率提高到2，内核就会像上面的图像所示的那样扩展(按照每个图像下面的标签)。它可以替代汇集图层。
基础数学(推荐，选择性了解)
我要花点时间解释一下数学是如何工作的。（请注意，在Python中实现算法并不是必须的，但我强烈建议学习基本思想。）当我们需要调整或修改模型时，这将派上用场。
假设我们有一个输入x(m，n)，一个滤波器w(i，j)，以及膨胀率r。输出y(m，n)为：
我们可以用(k*k)核推广这个方程，其扩张率为r。内核扩展到：
([K+(k-1)*(r-1)]*[k+(k-1)*(r-1)])
因此，每一幅图像都产生了地面真相。在给定的图像中，每个人的头部都是用高斯核模糊的。所有图像都被裁剪成9个补丁，每个补丁的大小是图像原始大小的1/4。
前4个补丁分为4个四分之一，其他5个补丁随机裁剪。最后，每个补丁的镜像被取为训练集的两倍。
简而言之，这就是CSRNet背后的体系结构细节。接下来，我们将查看它的培训细节，包括所使用的评估指标。
随机梯度下降用于训练CSRNet作为端到端结构。在训练期间，固定学习率设置为1e-6。损失函数被认为是欧几里德距离，以便测量地面之间的差异 真相和估计的密度图。这表示为：
其中N是训练批次的大小。CSRNet中使用的评估标准是mae和mse。，即平均绝对误差和均方误差。这些建议是由以下方面提供的：
在这里，Ci是估计数：
L和W是预测密度图的宽度。
我们的模型将首先预测给定图像的密度图。如果没有人在场，像素值将为0。如果某个像素对应于某个人，则将指定某个预定义的值。因此，计算一个人的总像素值会给出图像中人的数量。
那么现在，是时候建立我们自己的人群计数模型了！
我们将在上海科技数据集上实现CSRNet。这包括1198个加注释的图片，总共有330，165人。您可以从这里下载。
https://www.dropbox.com//s/fipgjqxl7uj8hd5/ShanghaiTech.zip?dl=0
使用下面的代码块克隆CSRNet-py火炬存储库。这保存了用于创建数据集、培训模型和验证结果的全部代码：
git clone https://github.com/leeyeehoo/CSRNet-pytorch.git
请先安装CUDA和PyTorch。这些是我们将在下面使用的代码背后的主干。
现在，将数据集移动到您在上面克隆的存储库并解压它。然后我们需要创建基本事实值.make_dataset.ipynbfile是我们的救星。我们只需要在该笔记本中做一些小改动：
#setting the root to the Shanghai dataset you have downloaded
# change the root path as per your location of datasetroot = '/home/pulkit/CSRNet-pytorch/'
现在，让我们为part_A和part_B中的图像生成基本真值：
生成每幅图像的密度图是一个时间步骤。所以，在代码运行时，去泡一杯咖啡吧。
到目前为止，我们已经在第A部分中为图像生成了地面真值，我们将对Part_B图像进行同样的处理。但在此之前，让我们看看一个示例图像，并绘制它的地面真实热图：
生成每张图像的密度图是一个很长的时间。所以在代码运行时去冲泡一杯咖啡吧，耐心等待一下。
到目前为止，我们已经为part_A中的图像生成了基本真值。 我们将对part_B图像执行相同的操作。但在此之前，让我们看一个示例图像并绘制其地面真实热图：
plt.imshow(Image.open(img_paths[0]))
gt_file = h5py.File(img_paths[0].replace('.jpg','.h5').replace('images','ground-truth'),'r')
groundtruth = np.asarray(gt_file['density'])
plt.imshow(groundtruth,cmap=CM.jet)
让我们数一下这张图片中有多少人在场：
np.sum(groundtruth)
270.32568
同样，我们将为part_B生成值：
我们将使用克隆目录中可用的.json文件。我们只需要更改JSON文件中图像的位置。为此，打开.json文件并将当前位置替换为图像所在的位置。
请注意，所有这些代码都是用Python 2编写的。如果您使用的是其他任何Python版本，请进行以下更改：
1.在model.py中，将第18行中的xrange更改为range
2.在model.py中更改第19行：list（self.frontend.state_dict（）。items（））[i] [1] .data [：] = list（mod.state_dict（）。items（））[i][1]。数据[：]
3.在image.py中，将ground_truth替换为ground-true
现在，打开一个新的终端窗口并键入以下命令：
cd CSRNet-pytorch
python train.py part_A_train.json part_A_val.json 0 0
这个步骤需要一些时间，耐心等一下。你也可以减少train.py文件中的纪元数量，以加快这个过程。你也可以从这里下载预先训练的重量，如果你不想等待的话。
最后，让我们检查一下我们的模型在看不见的数据上的性能。我们将使用
#defining the image path
img_paths = []
for path in path_sets:
for img_path in glob.glob(os.path.join(path, '*.jpg')):
img_paths.append(img_path)
model = CSRNet()
#defining the model
model = model.cuda()
#loading the trained weights
checkpoint = torch.load('part_A/0model_best.pth.tar')
model.load_state_dict(checkpoint['state_dict'])
检查测试图像上的MAE(平均绝对误差)，以评估我们的模型：
我们得到的MAE值为75.69，相当不错。现在让我们检查一下单个图像上的预测：
哇，最初的数字是382，我们的模型估计图像中有384人。这几乎是一个完美的演绎！
恭喜你建立了自己的人群计数模型！
原始论文的评测图和结果
您可以在https://colab.research.google.com上测试跑人群计数。
需要安装：Pytorch和Cuda
来源：
END.
| 往期精选 |
点击上图，了解详情
点击上图，了解详情
| 其他合作 |
以上是关于图像识别 | 一个破纪录的人群计数算法！丨城市数据派的主要内容，如果未能解决你的问题，请参考以下文章