Подсчет толпы
Подсчет толпы , как известно, представляет собой подсчет общего количества людей, присутствующих на определенной территории. Люди, находящиеся в определенной области, называются толпой . Самый прямой метод — посчитать каждого человека в толпе. Например, турникеты часто используются для точного подсчета количества людей, входящих на мероприятие. [1]
Современное понимание
[ редактировать ]С начала 2000-х годов произошел сдвиг в понимании словосочетания «подсчет толпы». После перехода от более простого метода подсчета толпы к методу кластеров и карт плотности в методы подсчета толпы были внесены некоторые улучшения. Подсчет толпы также можно определить как оценку количества людей, присутствующих на одном изображении. [2]
Методы подсчета толпы
[ редактировать ]Благодаря быстрому прогрессу в технологиях и росту CNN (сверточной нейронной сети) за последнее десятилетие использование CNN для подсчета толпы резко возросло. Методы, основанные на CNN, в основном можно сгруппировать по следующим различным моделям: [3]
метод Джейкобса
[ редактировать ]Наиболее распространенным методом подсчета толпы на протестах и митингах является метод Джейкобса, названный по имени его изобретателя Герберта Джейкобса . Метод Джейкобса предполагает деление площади, занимаемой толпой, на секции, определение среднего количества людей в каждой секции и умножение на количество занятых секций. Согласно отчету Life's Little Mysteries , технологии, которые иногда используются для таких оценок, включают «лазеры, спутники, аэрофотосъемку, трехмерные сеточные системы, записанные видеозаписи и воздушные шары наблюдения, обычно привязанные к нескольким кварталам вокруг места проведения мероприятия и летающие на расстояние 400 м над уровнем моря. На высоте 800 футов (от 120 до 240 метров) над головой». [2]
Подсчет на основе прямой регрессии
[ редактировать ]Этот метод подсчета толпы предполагает использование регрессии глобальных характеристик изображения ко всему изображению. Глобальные характеристики изображения относятся к различным свойствам определенных областей фотографии. Например, глобальные функции изображения включают «контурные представления, описания форм, особенности текстуры». [4]
Поскольку информация о распределении объектов не учитывается, локализацию объектов невозможно обработать с помощью регрессий. [5] Кроме того, поскольку эта модель оценивает плотность толпы на основе описаний структуры толпы, она игнорирует отдельные средства отслеживания. [2] Это позволяет моделям, основанным на регрессии, быть очень эффективными на перегруженных изображениях; если плотность на пиксель очень высока, лучше всего подходят регрессионные модели.
Более ранние методы подсчета толпы использовали классические модели регрессии. [6]
Подсчет на основе плотности
[ редактировать ]Карты плотности объектов основаны на определении общего количества объектов, расположенных в определенной области. Это определяется интегральным суммированием количества объектов на данной территории. [5] Поскольку значения плотности оцениваются с помощью низких значений, подсчет на основе плотности позволяет пользователю ощутить преимущества моделей на основе регрессии наряду с локализацией информации. [5] Локализация информации относится к сохранению информации о местоположении.
Усиление подсчета толпы
[ редактировать ]Для эффективного использования вышеупомянутых моделей важно иметь большой объем данных. Однако, как пользователи, мы ограничены ограниченными данными, то есть исходным изображением. Чтобы компенсировать эти проблемы, мы используем такие приемы, как случайное кадрирование. Случайная обрезка — это случайный выбор определенных фрагментов изображения из существующего исходного изображения.
После выполнения нескольких итераций случайной обрезки дополнительные изображения затем передаются в алгоритм машинного обучения , чтобы помочь алгоритму лучше обобщать.
Для решения проблем, связанных с подсчетом толпы в районах с высокой плотностью населения, можно использовать методы подсчета, основанные на плотности. Эти пирамиды изображений обычно используются для подсчета толпы в местах, где люди собираются, чтобы совершать ритуалы или исповедовать свои религиозные убеждения. Это связано с тем, что в разных местах изображения люди представлены в разных масштабах.
Однако, поскольку использование необходимых алгоритмов для пирамид изображений очень дорого, зависеть от этих методов финансово неустойчиво. В результате могут быть задействованы модели глубокого синтеза. [7]
В этих моделях глубокого слияния будут использоваться «нейронные сети для повышения точности регрессии карты плотности». [8] Эти модели сначала будут отмечать местоположение каждого гражданского лица на изображении. Затем модели должны определить карты плотности территории, используя «местоположение, форму и искажение перспективы пешехода». [8] Поскольку происходит множество итераций алгоритма и процессов сканирования, количество людей подсчитывается по голове человека. Это также связано с тем, что во многих случаях тела гражданских лиц будут накладываться друг на друга.
Важность
[ редактировать ]Подсчет толпы играет важную роль в «общественной безопасности, языке ассемблера и видеонаблюдении». [9] среди многих вещей. Без контроля толпы и плохого планирования может произойти несколько ужасных аварий. Одними из наиболее заметных из них являются катастрофа в Хиллборо , произошедшая 15 апреля в Англии. Еще один запоминающийся инцидент произошел, когда Луис Фаррахан пригрозил подать в суд на полицию парка Вашингтона, округ Колумбия, за то, что она объявила, что только 400 000 человек приняли участие в организованном им в 1995 году Марше миллионов человек .
На мероприятиях, проводимых на улице или в парке, а не в закрытом помещении, подсчет толпы сложнее и менее точен. Для многих мероприятий, особенно политических митингов или протестов , количество людей в толпе имеет политическое значение, и результаты подсчета являются спорными . Например, глобальные протесты против войны в Ираке сопровождались множеством протестов с совершенно разными оценками, предложенными организаторами с одной стороны и полицией с другой.
Ссылки
[ редактировать ]- ^ «Что такое турникеты? (с картинками)» . EasyTechJunkie . Проверено 11 октября 2022 г.
- ^ Jump up to: а б с Лой, Чен Чендж; Чен, Кэ; Гун, Шаоган; Сян, Тао (2021). «Тетальный подсчет толпы». Транзакции IEEE при обработке изображений . 30 : 2114–2126. arXiv : 2007.06146 . Бибкод : 2021ITIP...30.2114W . дои : 10.1109/TIP.2021.3049938 . ПМИД 33439838 . S2CID 220496399 .
- ^ Чу, Хуанпэн; Тан, Цзилинь; Ху, Хаоджи (01 октября 2021 г.). «Сеть пирамидальных функций, управляемых вниманием, для подсчета толпы» . Журнал визуальных коммуникаций и представления изображений . 80 : 103319. doi : 10.1016/j.jvcir.2021.103319 . ISSN 1047-3203 . S2CID 241591128 .
- ^ Лисин Дмитрий А.; Маттар, Марван А.; Блашко, Мэтью Б.; Бенфилд, Марк К.; Лернед-Милль, Эрик Г. «Объединение локальных и глобальных функций изображения для распознавания классов объектов» (PDF) .
- ^ Jump up to: а б с Канг, Д.; Ма, З.; Чан, AB (май 2019 г.). «Не только подсчет: сравнение карт плотности для задач анализа толпы — подсчет, обнаружение и отслеживание». Транзакции IEEE по схемам и системам видеотехнологий . 29 (5): 1408–1422. arXiv : 1705.10118 . дои : 10.1109/TCSVT.2018.2837153 . S2CID 19706288 .
- ^ Делуссу, Рита; Путцу, Лоренцо; Фумера, Джорджио (2022). «Подсчет толпы для конкретной сцены с использованием синтетических обучающих изображений». Распознавание образов . 124 : 108484. Бибкод : 2022PatRe.12408484D . дои : 10.1016/j.patcog.2021.108484 . hdl : 11584/341493 . S2CID 245109866 .
- ^ Хан, Султан Дауд; Салих, Ясир; Зафар, Басим; Нурвали, Абдулфаттах (28 сентября 2021 г.). «Сеть глубокого слияния для подсчета толпы в сценах с высокой плотностью скопления людей» . Международный журнал систем вычислительного интеллекта . 14 (1): 168. doi : 10.1007/s44196-021-00016-x . ISSN 1875-6883 .
- ^ Jump up to: а б Тан, Сики; Пан, Чжисонг; Чжоу, Синъюй (01 января 2017 г.). «Низкоранговая и разреженная сверточная нейронная сеть глубокого слияния для подсчета толпы» . Математические проблемы в технике . 2017 : 1–11. дои : 10.1155/2017/5046727 .
- ^ Чу, Хуанпэн; Тан, Цзилинь; Ху, Хаоджи (01 октября 2021 г.). «Сеть пирамидальных функций, управляемых вниманием, для подсчета толпы» . Журнал визуальных коммуникаций и представления изображений . 80 : 103319. doi : 10.1016/j.jvcir.2021.103319 . ISSN 1047-3203 . S2CID 241591128 .
Внешние ссылки
[ редактировать ]- Салон: «Игра в числа протестной толпы»
- Обрезка: подсчет толпы
- Подсчет толпы: «Современное решение для определения размера толпы»
- Исследовательский центр объединения данных: «Какую пользу тематические парки получают от Интернета вещей и крауд-аналитики»
- «MapChecking: оценка размера толпы с использованием ограниченной области на карте»