人群密度图的生成(MATLAB+malldataset)

Posted 2020-10-06

首先malldataset数据集下载

参见人群密度估计之MCNN写的关于密度图的生成，在MATLAB跑了程序，代码如下：

clear;  
load(‘perspective_roi.mat‘);  
load(‘mall_gt.mat‘);  

m=480;n=640;  
m=m/4;  
n=n/4;  
mask = imresize(roi.mask,0.25);  %图像缩小4倍
for i=1:2000  %2000幅图像
   gt = frame{i}.loc; %第一个frame结构体的loc字段 
   gt = gt/4;  
   d_map = zeros(m,n);  
   for j=1:size(gt,1)  
       ksize = ceil(25/sqrt(pMapN(floor(gt(j,2)),1))); 
       ksize = max(ksize,7);  
       ksize = min(ksize,25);  
       radius = ceil(ksize/2);  
       sigma = ksize/2.5;  
       h = fspecial(‘gaussian‘,ksize,sigma);  
       x_ = max(1,floor(gt(j,1)));  
       y_ = max(1,floor(gt(j,2)));  

       if (x_-radius+1<1)  
              for ra = 0:radius-x_-1  
                   h(:,end-ra) = h(:,end-ra)+h(:,1);  
                   h(:,1)=[];  
              end  
       end  
       if (y_-radius+1<1)  
           for ra = 0:radius-y_-1  
               h(end-ra,:) = h(end-ra,:)+h(1,:);  
               h(1,:)=[];  
           end  
       end  
      if (y_-radius+1<1)  
           for ra = 0:radius-y_-1  
               h(end-ra,:) = h(end-ra,:)+h(1,:);  
               h(1,:)=[];  
           end  
       end  
       if (x_+ksize-radius>n)  
           for ra = 0:x_+ksize-radius-n-1  
               h (:,1+ra) = h(:,1+ra)+h(:,end);  
               h(:,end) = [];  
           end  
       end  
       if(y_+ksize-radius>m)  
            for ra = 0:y_+ksize-radius-m-1  
                h (1+ra,:) = h(1+ra,:)+h(end,:);  
                h(end,:) = [];  
            end  
       end  
          d_map(max(y_-radius+1,1):min(y_+ksize-radius,m),max(x_-radius+1,1):min(x_+ksize-radius,n))...  
             = d_map(max(y_-radius+1,1):min(y_+ksize-radius,m),max(x_-radius+1,1):min(x_+ksize-radius,n))...  
              + h;  
   end  
 map0_255 = Normalize(d_map) 
% %方法1，保存为图片，再转为LMDB  
% %把数组A中的数转换成字符串表示形式
str=num2str(i,‘./density/seq_%06d.jpg‘);  
%imwrite(d_map,str);  
 imshow( map0_255);  
%方法2，直接转为HDF5  
%  trainLabels=permute(d_map,[2 1]);  
%  str=num2str(i,‘./density_map/seq_%06d.h5‘);  
%   h5create(str,‘/label‘,size(trainLabels),‘Datatype‘,‘double‘);  
%   h5write(str,‘/label‘,trainLabels);  

end  

最后得到的图像规到0-255后输出为： 

 
而d_map中的数据大致是，d_map是0-1之间的数值 

对d_map中的数值分析可以得知，就算归到0-255，数值依然很小，所以，成黑白状态。

说明：在pMapN中存的是透视变化的加权值，Roi表示在图像中定义的ROI区域，mask掩码可以实现只对ROI区域操作。

 

这里为了加速模型的收敛，我进行了减均值和归一化操作。由于数据集只有2000，并不像imagenet那样的大数据，为了提高泛化能力，适应不同的数据集，我这里的均值没有取2000个图片的均值，而是直接设置为127.5，归一化则除以128。

测试程序如下：

 

[plain] view plain copy

 

1. clear;clc;  
2. addpath(‘/home/caffe/matlab‘);  
3. caffe.reset_all();  
4.   
5. caffe.set_device(0);  
6. caffe.set_mode_gpu();  
7.   
8. model = ‘deploy.prototxt‘;  
9. weights = ‘network.caffemodel‘;  
10. net = caffe.Net(model, weights, ‘test‘);  
11.   
12. cropImg=imread(‘IMG_12.jpg‘);  //cropImg是图像裁剪
13.   
14. cropImg = cropImg(:, :, [3, 2, 1]);  
15. cropImg = permute(cropImg, [2, 1, 3]);  //permute(多维数组，[维数的组合])  
16. cropImg = single(cropImg);  
17.   
18. cropImg=imresize(cropImg,[480 640]);  
19. cropImg=cropImg-127.5/128;  
20.   
21. res = net.forward({cropImg});  
22. figure,imshow(cropImg,[]);  
23. figure,imagesc(res{1,1});  
24. count = sum(sum(res{1,1}))  
25. caffe.reset_all();  

 

贴几个效果图：