Lokalisieren, Größenbestimmung und Zählen: Genaue Identifizierung von Personen in dichten Menschenmengen durch Detektion

Wir stellen ein Erkennungsframework für die Zählung dichter Menschenmengen vor und eliminieren die Notwendigkeit des weit verbreiteten Dichteregressionsparadigmas. Typische Zählmuster prognostizieren die Menschenmenge in einem Bild, anstatt jede einzelne Person zu erkennen. Diese Regressionsmethoden schlagen in der Regel nicht präzise genug Personen lokalisiert, um für die meisten Anwendungen außerhalb der reinen Zählung geeignet zu sein. Daher setzen wir eine Architektur ein, die jede Person in der Menge erkennt, den entdeckten Köpfen durch Begrenzungsrahmen (Bounding Box) eine Größe zuordnet und sie dann zählt. Im Vergleich zu herkömmlichen Objekterkennern oder Gesichtserkennern bestehen bei der Gestaltung eines solchen Erkennungssystems bestimmte einzigartige Herausforderungen. Einige dieser Herausforderungen sind direkte Folgen der großen Vielfalt in dichten Menschenmengen sowie der Notwendigkeit, Begrenzungsrahmen kontinuierlich vorherzusagen. Wir lösen diese Probleme und entwickeln unser LSC-CNN-Modell, das verlässlich Köpfe von Personen in dünnen bis dichten Menschenmengen erkennen kann. Das LSC-CNN setzt eine mehrspaltige Architektur mit top-down Feedback-Verarbeitung ein, um Personen besser aufzulösen und raffinierte Vorhersagen auf mehreren Auflösungen zu erzeugen. Interessanterweise benötigt das vorgeschlagene Trainingsregime nur Punktkopfannotierungen, kann aber approximative Größeninformationen von Köpfen schätzen. Wir zeigen, dass das LSC-CNN nicht nur eine überlegene Lokalisierung gegenüber existierenden Dichteregressoren aufweist, sondern auch in der Zählleistung überlegen ist. Der Code für unseren Ansatz ist unter https://github.com/val-iisc/lsc-cnn verfügbar.