算法簡介

人頭檢測在視頻監(jiān)控中非常重要，而公交車、商場或者大型場館的擁擠人群計數(shù)則是其重要應(yīng)用場景。

算法思想

作者稱擁擠人群計數(shù)目前主要有兩種實現(xiàn)路徑：

1.使用回歸的算法思路，直接根據(jù)圖像回歸出擁擠人群密度熱圖，它的缺點是只能得到場景整體的一個擁擠指數(shù)，不能獲知人群個體的具體位置，而且這種方法對圖像分辨率很敏感。

2.使用目標檢測的方法，比如直接使用Faster RCNN檢測人，檢測后數(shù)目標為“人”的個數(shù)。這種方法的缺點是在人物相互遮擋的情況下往往性能較差，而人群越擁擠相互遮擋的可能性越大，導(dǎo)致算法使用受限。

該文作者希望設(shè)計更有針對性的精準的人頭檢測，實現(xiàn)更加精準的人群計數(shù)。

論文地址：https://arxiv.org/abs/1809.08766v1
代碼地址：https://github.com/aditya-vora/FCHD-Fully-Convolutional-Head-Detector

錯誤展示

使用論文《FCHD: A fast and accurate head detector 》提供的代碼進行人頭識別，代碼的部署過程很簡單，但是就是最后預(yù)測出來的效果有錯誤。

在運行head_detector_demo.py的時候，出來的結(jié)果如下圖所示，每一個人頭都能夠預(yù)測出來，檢測窗口基本上能夠?qū)?yīng)人物頭部，但是窗口位置偏移距離比較遠。

解決方法

打開head_detector_demo.py文件
大約在28行的位置上做出如下修改：

f.convert('RGB') img_raw = f.copy() # img_raw = np.asarray(f, dtype=np.uint8) img = np.asarray(f, dtype=np.float32) _, H, W = img.shape img = img.transpose((2,0,1)) img = preprocess(img) _, o_H, o_W = img.shape scale = o_H / H img_raw = img_raw.resize((o_W, o_H), Image.ANTIALIAS) return img, img_raw, scale

在大約54行的位置上，做出如下修改：

for i in range(pred_bboxes_.shape[0]): ymin, xmin, ymax, xmax = pred_bboxes_[i,:] # utils.draw_bounding_box_on_image_array(img_raw, ymin, xmin, ymax, xmax) utils.draw_bounding_box_on_image(img_raw, ymin, xmin, ymax, xmax)

將代碼修改之后，再次運行head_detector_demo.py文件，可以看到出來的圖已經(jīng)正確了，如下圖：

參考鏈接：https://github.com/aditya-vora/FCHD-Fully-Convolutional-Head-Detector/issues/8

總結(jié)

以上是生活随笔為你收集整理的FCHD: A fast and accurate head detector快速准确的人头检测代码预测出来的边界框位置不准确的解决方法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。