人群数量检测又称人群统计是一种利用图像或视频本身的一些特征对图像或视频中人群数量属性进行统计或估计的过程。它是人群检测的一个分支,而且同时与统计学、模式识别、机器学习、信号处理、计算机视觉等学科密切相关。近些年,随着机器学习,深度学习算法的崛起,人群统计逐渐成为当前热门研究方向。本文主要阐述三种改进的人群统计算法,分别是:1.基于回归网络的人群统计算法;2.基于人体检测网络的的人群统计算法;3.基于全卷积网络的人群密度估计算法。改进旨在以保证算法实时性为前提,提高算法应对场景及检测人群因为视角和透视发生形变的能力。具体工作如下:1.对基于回归方法的人群统计算法的改进对混合高斯背景建模的改进:在传统利用像素时序灰度信息的基础上增加了空间灰度信息,使得背景建模算法提取的前景图像更准确。对特征提取算法HOG和LBP算法的改进:引入代表场景透视关系的透视密度图,让每一个像素位置带有透视权重,最后计算得出的特征也具备一定的视角不变性。构建基于一维卷积的回归网络,用类似google wavenet中的因果卷积方法处理特征向量,使得模型准确率高。2.对基于人体检测器的人群统计算法的改进改进RCNN检测模型的候选区域生成算法:候选区的产生基于对KNN背景分割的到的前景标记进行滑动遍历,并且在计算候选区域大小时使用一个离线训练的线性模型拟合场景透视关系,使获取的候选区域能够包含更准确的人体区域。对AlexNet进行简化微调:简化网络的目的是使原本多分类的网络适应仅做人体检测应用,提高检测效率和准确率。3.基于人群密度估计算法的改进基于混合高斯模型的人体密度标记算法:用人体密度的方式标记样本,使样本具备更丰富的信息,如包含人体的区域信息,人群数量信息。构造fcn-8网络:图像输入网络后会经历3次pooling操作,后又经过3次deconvolution操作,还原原图尺寸,以计算密图。