張凱兵，張 婷，王華珂，景軍鋒

(西安工程大學(xué) 電子信息學(xué)院，陜西 西安 710048)

0 引 言

隨著城市人口數(shù)量的快速增長和車輛的迅猛增加，城市的公共安全和交通管理面臨巨大的挑戰(zhàn)，尤其是公共場(chǎng)所的大型集會(huì)和節(jié)假日市民的出行面臨嚴(yán)重的安全隱患。2015年元旦前夕，上海發(fā)生了嚴(yán)重的人群踩踏事件，造成多人傷亡。因此，公共場(chǎng)所的人群計(jì)數(shù)問題受到了人們廣泛的關(guān)注。另外，人群計(jì)數(shù)在城市發(fā)展規(guī)劃、商場(chǎng)人流監(jiān)測(cè)、車流實(shí)時(shí)統(tǒng)計(jì)等方面應(yīng)用前景廣闊。尤其受新冠疫情的影響，人群擁擠度已成為疫情防控的一個(gè)重要指標(biāo)。

人群計(jì)數(shù)問題面臨非常多的挑戰(zhàn)，主要包括人群尺度變化、復(fù)雜背景干擾、人群分布不均和缺乏標(biāo)注樣本等方面[1]。文獻(xiàn)[2-3]針對(duì)人群尺度變化、復(fù)雜背景干擾和人群分布不均等問題提出了可行的解決方案。為了獲取準(zhǔn)確的預(yù)測(cè)結(jié)果，這些方法必須依賴充足的標(biāo)記樣本訓(xùn)練計(jì)數(shù)模型。但標(biāo)記樣本獲取困難，且長時(shí)間乏味的標(biāo)注數(shù)據(jù)容易人為地產(chǎn)生標(biāo)記誤差。因此利用有限的標(biāo)記樣本訓(xùn)練可靠的計(jì)數(shù)模型成為廣大學(xué)者普遍關(guān)注的問題。

TAN等為了有效利用大量容易獲取的無標(biāo)記樣本，提出了一種基于半監(jiān)督彈性網(wǎng)的人群計(jì)數(shù)方法[4]。該方法利用連續(xù)視頻幀之間的時(shí)序信息構(gòu)造判別項(xiàng)，并利用k-means聚類方法選擇具有多樣性的標(biāo)注樣本,緩解缺乏標(biāo)注樣本情況下的人群計(jì)數(shù)問題。LOY等利用無標(biāo)記樣本之間潛在的流形結(jié)構(gòu)構(gòu)造半監(jiān)督回歸計(jì)數(shù)模型，同時(shí)通過主動(dòng)學(xué)習(xí)選擇少量代表性樣本作為標(biāo)記樣本降低標(biāo)記成本[5]。ZHOU等將樣本選擇任務(wù)作為子模塊最大化問題，有效裁減冗余標(biāo)記樣本，并整合圖拉普拉斯正則化和空間約束項(xiàng)到半監(jiān)督彈性網(wǎng)回歸模型中，提高預(yù)測(cè)的準(zhǔn)確性[6]。ZHANG等將人群?jiǎn)栴}轉(zhuǎn)換為半監(jiān)督分類問題，同時(shí)聯(lián)合利用標(biāo)簽適應(yīng)性和流形平滑性學(xué)習(xí)高維特征空間到低維標(biāo)簽空間的線性映射，在減少標(biāo)記樣本的同時(shí)提升了模型的預(yù)測(cè)性能[7]。LIU等為了降低標(biāo)注成本，使用更容易獲取的二值分割標(biāo)簽作為代理任務(wù)訓(xùn)練特征提取器，再利用少量的人群標(biāo)注樣本訓(xùn)練密度圖回歸器[8]。為了利用大量的無標(biāo)記樣本監(jiān)督網(wǎng)絡(luò)的訓(xùn)練，SINDAGI等通過基于高斯過程的迭代學(xué)習(xí)框架生成無標(biāo)記樣本的偽標(biāo)簽監(jiān)督網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)[9]。由于標(biāo)注樣本費(fèi)時(shí)費(fèi)力，ZHAO等提出一種基于主動(dòng)學(xué)習(xí)的半監(jiān)督人群計(jì)數(shù)框架，選取多樣性的標(biāo)記樣本訓(xùn)練網(wǎng)絡(luò)并利用分布分類器對(duì)齊標(biāo)記樣本和無標(biāo)記樣本[10]。此外，跨場(chǎng)景的人群計(jì)數(shù)[11]也可以有效地降低標(biāo)注開銷。WANG等提出通過合成數(shù)據(jù)集自動(dòng)生成樣本標(biāo)簽，采用風(fēng)格遷移網(wǎng)絡(luò)生成真實(shí)場(chǎng)景的樣本，用于訓(xùn)練人群計(jì)數(shù)網(wǎng)絡(luò)[12]。由于不同數(shù)據(jù)集存在明顯的域差，導(dǎo)致模型的預(yù)測(cè)效果顯著下降。盡管人群計(jì)數(shù)領(lǐng)域已經(jīng)開源了多個(gè)大規(guī)模的數(shù)據(jù)集[13-15]，但是利用這些數(shù)據(jù)集訓(xùn)練的模型泛化能力仍然有限，還不能有效地應(yīng)用于真實(shí)場(chǎng)景中。此外，文獻(xiàn)[16]通過數(shù)據(jù)增廣的方法緩解了缺乏訓(xùn)練數(shù)據(jù)導(dǎo)致的模型過擬合問題。

針對(duì)上述問題，并受視覺任務(wù)中圖像自動(dòng)標(biāo)注方法[17-18]的啟示，本文提出了一種新的人群計(jì)數(shù)樣本標(biāo)注方法?？紤]到含有相同或相近人數(shù)的視頻圖像在特征空間中距離相近的特性[19]，提出了一種基于最近鄰聚類的人群計(jì)數(shù)樣本標(biāo)注方法，以實(shí)現(xiàn)視頻圖像中人群數(shù)量的自動(dòng)標(biāo)注。該方法在特征空間中對(duì)全部無標(biāo)記樣本進(jìn)行聚類，通過主動(dòng)采樣學(xué)習(xí)，從每一類樣本中選取具有多樣性和代表性的少量樣本進(jìn)行人群數(shù)量的標(biāo)注，最后將標(biāo)注樣本的人數(shù)標(biāo)簽傳播給該類別中剩余的無標(biāo)記樣本，該方法可高效地進(jìn)行樣本標(biāo)注，并獲得較高的準(zhǔn)確性，顯著降低了數(shù)據(jù)集的標(biāo)注成本。通過該標(biāo)注方法標(biāo)記的樣本也可以用于訓(xùn)練其他計(jì)數(shù)模型，降低訓(xùn)練樣本的標(biāo)注成本。

1 最近鄰聚類與主動(dòng)采樣學(xué)習(xí)

對(duì)于包含人群的視頻數(shù)據(jù)集，標(biāo)注其中部分樣本的人數(shù)進(jìn)而訓(xùn)練計(jì)數(shù)模型，然后利用計(jì)數(shù)模型預(yù)測(cè)剩余樣本的人數(shù)。通常，上述方法需要大量的標(biāo)記樣本訓(xùn)練模型，不利于實(shí)際應(yīng)用。本文關(guān)注的重點(diǎn)是在如何降低標(biāo)注成本的同時(shí)并保證模型的預(yù)測(cè)精度。

鑒于包含相同或者相近人數(shù)的視頻圖像在特征空間中距離相近的特性，表明在同一個(gè)視頻場(chǎng)景中，一個(gè)視頻幀與它的相鄰幀可能包含相同或相近的人數(shù)。因此，利用相鄰幀之間的結(jié)構(gòu)關(guān)系可幫助視頻數(shù)據(jù)集的標(biāo)注。最近鄰聚類的樣本標(biāo)注方法的總體框架如圖1所示。

圖 1 最近鄰聚類的樣本標(biāo)注方法總體框架

從圖1可以看出，該方法利用最近鄰聚類構(gòu)建結(jié)構(gòu)關(guān)系，通過主動(dòng)采樣學(xué)習(xí)，從每類中選取少量具有代表性和多樣性的樣本進(jìn)行標(biāo)注，最后將標(biāo)注的人數(shù)標(biāo)簽傳播給其他未標(biāo)記樣本。

1.1 最近鄰聚類

假設(shè)數(shù)據(jù)集X含有n個(gè)無標(biāo)記視頻樣本，首先構(gòu)造一個(gè)無向連通圖G={V,E}，其中V為特征空間中全部樣本節(jié)點(diǎn)，E為歐式距離的鄰接矩陣,E為矩陣E的對(duì)應(yīng)集合，即

(1)

式中：Ei,j表示特征空間中第i個(gè)樣本xi和第j個(gè)樣本xj之間的距離。如果Ei,j在樣本i的全部距離矩陣Ei中最小，則樣本j為樣本i的最近鄰,即

(2)

根據(jù)最近鄰樣本定義確定全部樣本最近鄰關(guān)系，得到全部樣本對(duì)應(yīng)的鄰接矩陣。根據(jù)樣本間的最近鄰關(guān)系，將全部樣本劃分為C組。最近鄰聚類規(guī)則定義：如果樣本i為樣本j的最近鄰，或樣本j為樣本i的最近鄰，再或者樣本i和樣本j的最近鄰為同一個(gè)樣本，則它們屬于同一類，即

(3)

式中：1表示2個(gè)樣本屬于同一類，0表示2個(gè)樣本歸屬于不同類別。

全部樣本根據(jù)最近鄰關(guān)系可以劃分到相應(yīng)的類別中，近似地認(rèn)為每一類中的樣本含有相同或相近的人數(shù)。因此，僅標(biāo)注每個(gè)類中少量代表性的樣本，將人數(shù)標(biāo)簽傳播給該類別中剩余的未標(biāo)注的樣本，樣本的標(biāo)注成本則顯著降低。

1.2 主動(dòng)采樣學(xué)習(xí)

將全部樣本劃分為不同類后， 從每一類樣本中選取代表性樣本是樣本標(biāo)注方法的關(guān)鍵。本文通過主動(dòng)采樣學(xué)習(xí)[20]從每一類樣本中選取代表性樣本進(jìn)行人數(shù)標(biāo)注。主動(dòng)采樣學(xué)習(xí)不僅可以消除大量無標(biāo)記樣本中的冗余信息，還能克服異常值帶來的負(fù)面影響。選取的樣本應(yīng)該盡可能表征每一類樣本，使其具有代表性和多樣性。根據(jù)文獻(xiàn)[20]，樣本的代表性定義為

(4)

(5)

式中：M為中值濾波算子。此外，樣本的多樣性定義為

(6)

為了充分考慮樣本的多樣性和代表性，它們被給予相同的權(quán)重：

(7)

選取代表性樣本進(jìn)行人數(shù)標(biāo)注并將它們的標(biāo)簽傳播給該類樣本中剩余的未標(biāo)記樣本，該方法根據(jù)多個(gè)代表性樣本標(biāo)注人數(shù)的均值作為該類樣本的標(biāo)簽。因此選取少量代表性樣本進(jìn)行標(biāo)注,可以減少標(biāo)注代價(jià)。

本文提出的標(biāo)注方法的算法步驟：根據(jù)式(3)對(duì)輸入的大量無標(biāo)記樣本集X進(jìn)行聚類，共聚為C類；再根據(jù)式(7)從每一類樣本中選取代表性樣本進(jìn)行標(biāo)注；最后將標(biāo)記樣本的人數(shù)標(biāo)簽傳播給剩余未標(biāo)記樣本，則可以輸出數(shù)據(jù)集X的標(biāo)簽集F。

2 結(jié)果與分析

文獻(xiàn)[7]對(duì)比了其他紋理特征，證明Gist特征[19]對(duì)場(chǎng)景中的人群分布有較好的表征能力，因此本文采用Gist特征表征人群圖像。在提出的樣本標(biāo)注方法中，所需標(biāo)記樣本的數(shù)量取決于聚類的數(shù)量和每一類樣本中的采樣個(gè)數(shù)。增加標(biāo)記樣本的數(shù)量，雖然提高了標(biāo)注精度，但也增加了標(biāo)注成本；反之，則會(huì)降低標(biāo)注成本和標(biāo)注精度。因此設(shè)置最佳的聚類數(shù)量和采樣個(gè)數(shù)至關(guān)重要。本文分別從聚類數(shù)量和采樣個(gè)數(shù)進(jìn)行設(shè)置，選取最佳的聚類數(shù)量和采樣個(gè)數(shù)。然后對(duì)比樣本的標(biāo)注精度和其他計(jì)數(shù)模型的預(yù)測(cè)結(jié)果。最后，將本文提出的樣本標(biāo)注方法所獲得的標(biāo)注樣本構(gòu)成訓(xùn)練集用于其他人群計(jì)數(shù)模型的學(xué)習(xí)。

2.1 數(shù)據(jù)集和評(píng)價(jià)指標(biāo)

為了驗(yàn)證本文提出方法的有效性，分別在5個(gè)不同場(chǎng)景的視頻數(shù)據(jù)集上進(jìn)行驗(yàn)證。5個(gè)數(shù)據(jù)集中代表性樣本如圖2所示。

(a) UCSD (b) Fudan (c) Bus (d) Canteen (e) Classroom

圖2中UCSD數(shù)據(jù)集[2]采集背景為校園人行道，包含2 000幀視頻圖像，人數(shù)在11～46之間變化。Fudan數(shù)據(jù)集[4]采集于教學(xué)樓入口，包含3個(gè)視頻序列，共1 500幀視頻圖像，人數(shù)從0～15不等。Bus數(shù)據(jù)集[21]和Canteen數(shù)據(jù)集、Classroom數(shù)據(jù)集[22]分別拍攝于公交車和餐廳、教室等真實(shí)場(chǎng)景。5個(gè)數(shù)據(jù)集的細(xì)節(jié)信息見表1。

表 1 5個(gè)數(shù)據(jù)集的細(xì)節(jié)信息

使用平均絕對(duì)誤差(mean absolute error，MAE)和均方誤差(mean squared error，MSE)指標(biāo)評(píng)價(jià)提出方法的預(yù)測(cè)效果。MAE和MSE在公式中分別定義為

(8)

(9)

式中：m表示數(shù)據(jù)集中樣本的數(shù)量，Pi表示第i個(gè)樣本的預(yù)測(cè)人數(shù)；Li表示第i個(gè)樣本的真值人數(shù)。EMA用于評(píng)估計(jì)數(shù)模型的精確性，EMS反映人群計(jì)數(shù)模型的魯棒性。

此外，本文提出一種新的精確性度量評(píng)價(jià)人群計(jì)數(shù)的預(yù)測(cè)精度。分類任務(wù)中通常使用精確性作為評(píng)價(jià)指標(biāo)，但精確性直接用于評(píng)價(jià)人群計(jì)數(shù)不合適。事實(shí)上預(yù)測(cè)偏差小于一定閾值時(shí)，預(yù)測(cè)結(jié)果對(duì)實(shí)際應(yīng)用并無太大影響。本文閾值設(shè)置為3，新的精確性度量指標(biāo)定義為

(10)

式中：N表示測(cè)試樣本的數(shù)量；‖·‖表示樣本集中預(yù)測(cè)值P和真值L小于閾值的數(shù)量。

2.2 交叉驗(yàn)證

聚類數(shù)量和采樣個(gè)數(shù)是影響標(biāo)注樣本數(shù)量和標(biāo)注精度的重要因素。盡管增加聚類數(shù)量和采樣個(gè)數(shù)可提升樣本的標(biāo)注精度,但也會(huì)增加標(biāo)注代價(jià)。

以UCSD和Fudan數(shù)據(jù)集為例，分別對(duì)聚類數(shù)量和采樣數(shù)量進(jìn)行對(duì)比，結(jié)果見表2。

表 2 不同采樣數(shù)量的實(shí)驗(yàn)對(duì)比

從表2可以看出，UCSD和Fudan數(shù)據(jù)集中采樣個(gè)數(shù)從2增加到4，但數(shù)據(jù)的標(biāo)注精度并沒有明顯提升，表明主動(dòng)學(xué)習(xí)充分考慮了每一組聚類中樣本的多樣性和代表性，因此在5個(gè)數(shù)據(jù)集中將采樣個(gè)數(shù)均設(shè)置為2。值得強(qiáng)調(diào)的是，當(dāng)多個(gè)采樣樣本的人數(shù)標(biāo)簽不相等時(shí)，采用其平均值作為采樣標(biāo)簽進(jìn)行標(biāo)簽傳播。不同聚類數(shù)量的實(shí)驗(yàn)對(duì)比如圖3所示。

(a) UCSD數(shù)據(jù)集

從圖3可以看出，在UCSD數(shù)據(jù)集中聚類數(shù)量達(dá)到100后，標(biāo)注精度沒有顯著提升，UCSD數(shù)據(jù)集的最佳聚類數(shù)量為100; Fudan數(shù)據(jù)集的最佳聚類數(shù)量為120。因此最佳聚類數(shù)量與場(chǎng)景中人群變化復(fù)雜度有關(guān)，當(dāng)場(chǎng)景中人群變化劇烈時(shí)，最佳聚類數(shù)量較大，反之則較小。

為了驗(yàn)證本文提出方法的標(biāo)注成本遠(yuǎn)小于其他計(jì)數(shù)模型，對(duì)比在5個(gè)數(shù)據(jù)集中本文所需要的標(biāo)記樣本數(shù)量和其他監(jiān)督學(xué)習(xí)模型所需的標(biāo)記樣本數(shù)量見表3。

從表3可以看出，本文提出的方法所需要的標(biāo)記樣本數(shù)量遠(yuǎn)小于監(jiān)督學(xué)習(xí)方法訓(xùn)練集所需的數(shù)量。UCSD數(shù)據(jù)集所需的標(biāo)記樣本數(shù)量是監(jiān)督學(xué)習(xí)方法的1/4，F(xiàn)udan數(shù)據(jù)集所需的標(biāo)記樣本數(shù)量約為監(jiān)督學(xué)習(xí)方法的1/2，在其他3個(gè)大規(guī)模數(shù)據(jù)集上所需標(biāo)注代價(jià)也遠(yuǎn)小于監(jiān)督學(xué)習(xí)方法所需要的標(biāo)注代價(jià)。上述結(jié)果表明，本文提出的樣本標(biāo)注方法在標(biāo)注成本上遠(yuǎn)小于監(jiān)督學(xué)習(xí)方法。

2.3 有效性對(duì)比

利用聚類算法可以將標(biāo)簽相同或相近的樣本劃分為同一類，然后從每一組類別中選取代表性的樣本進(jìn)行標(biāo)注，該樣本標(biāo)注的標(biāo)簽可以傳播給該類中剩余的樣本。為了驗(yàn)證本文采用的聚類方法和采樣方法的有效性，選取k-means聚類和隨機(jī)采樣進(jìn)行對(duì)比實(shí)驗(yàn)。不同聚類方法和采樣方法的對(duì)比實(shí)驗(yàn)結(jié)果見表4。

表 4 不同聚類方法和采樣方法對(duì)比

從表4對(duì)比結(jié)果可以看出，利用本文提出的最近鄰聚類方法與2種采樣方法進(jìn)行組合，在UCSD和Fudan 2個(gè)數(shù)據(jù)集上均取得較好的預(yù)測(cè)性能。主動(dòng)采樣與2種聚類方法進(jìn)行組合后，在2個(gè)數(shù)據(jù)集上的標(biāo)注結(jié)果也優(yōu)于隨機(jī)采樣與2種聚類方法的組合，表明主動(dòng)采樣能夠從每一組類別中選取更有代表性的樣本。最近鄰聚類與主動(dòng)采樣進(jìn)行組合，在4種組合實(shí)驗(yàn)中獲得了最好的標(biāo)注結(jié)果，證明了最近鄰聚類和主動(dòng)采樣進(jìn)行組合的方法的有效性。

2.4 標(biāo)注精度對(duì)比

標(biāo)注精度是衡量樣本標(biāo)注方法的重要指標(biāo)。本文對(duì)比了6種代表性人群計(jì)數(shù)方法：GPR[2]利用高斯過程回歸從面積、周長等低級(jí)特征回歸人群數(shù)量；SRRP[23]將人群計(jì)數(shù)問題轉(zhuǎn)換為分類問題，并借助稀疏表示解決該分類問題；WANG等采用卷積神經(jīng)網(wǎng)絡(luò)的方法回歸人群場(chǎng)景中的人數(shù)[24]。CSRNet設(shè)計(jì)了一種新的編碼解碼網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測(cè)人群密度圖[25]。LING等利用標(biāo)簽分布學(xué)習(xí)建模人群的標(biāo)簽?zāi)：?，離散高斯分布初始化標(biāo)簽分布[21]。此外，VGG網(wǎng)絡(luò)[26]是一種經(jīng)典的神經(jīng)網(wǎng)絡(luò)，在其他計(jì)算機(jī)視覺任務(wù)上展示了良好的性能。本文利用預(yù)訓(xùn)練的VGG16網(wǎng)絡(luò)來回歸人群數(shù)量，其中將VGG16網(wǎng)絡(luò)的3層全連接層替換為全局池化層，以減小參數(shù)量。為了進(jìn)一步驗(yàn)證本文標(biāo)注方法的有效性，在5個(gè)人群數(shù)據(jù)集上進(jìn)行標(biāo)注精度對(duì)比實(shí)驗(yàn)，具體結(jié)果見表5。

表 5 不同計(jì)數(shù)方法在5個(gè)數(shù)據(jù)集上的對(duì)比

從表5可以看出，本文提出的標(biāo)注方法在5個(gè)數(shù)據(jù)集10個(gè)評(píng)價(jià)指標(biāo)上有6項(xiàng)優(yōu)于其他計(jì)數(shù)方法。本文提出的方法在UCSD、Fudan和Canteen數(shù)據(jù)集上MAE指標(biāo)略大于SRRP，但MSE小于SRRP；在Bus和Classroom數(shù)據(jù)集上，MAE和MSE均優(yōu)于SRRP。Bus數(shù)據(jù)集拍攝于公交車場(chǎng)景，圖像質(zhì)量較低；Classroom拍攝于教室場(chǎng)景，有復(fù)雜的背景干擾。對(duì)比SRRP，本文提出的方法表現(xiàn)出更好的泛化能力和魯棒性。與深度學(xué)習(xí)的方法相比，本文提出的方法整體上優(yōu)于VGG和CSRNet，僅在Classroom數(shù)據(jù)集上MSE略差于VGG。

綜合上述結(jié)果可以看出，本文提出的標(biāo)注方法不僅在標(biāo)注成本上遠(yuǎn)低于采用監(jiān)督學(xué)習(xí)方式的計(jì)數(shù)方法，而且提出的方法預(yù)測(cè)結(jié)果更好。為了更好地證實(shí)本文所提出方法的標(biāo)注精度，圖4展示了在5個(gè)數(shù)據(jù)集上標(biāo)注結(jié)果與真值的對(duì)比。

(a) UCSD數(shù)據(jù)集 (b) Fudan數(shù)據(jù)集 (c) Bus數(shù)據(jù)集

從圖4可以看出，該方法在UCSD和Fudan數(shù)據(jù)集上取得了較為精確的標(biāo)注結(jié)果，但在Canteen和Classroom數(shù)據(jù)集上存在一些偏差較大的標(biāo)注值?？傮w來說，在4個(gè)數(shù)據(jù)集上標(biāo)注效果較好，但在Bus數(shù)據(jù)集上的標(biāo)注效果較差，因?yàn)锽us數(shù)據(jù)集記錄了公交車場(chǎng)景中的人群變化，其中復(fù)雜的背景干擾和擁擠的人群分布導(dǎo)致了標(biāo)注效果較差。

2.5 訓(xùn)練其他人群計(jì)數(shù)模型

為了進(jìn)一步評(píng)估本文人群數(shù)量標(biāo)注方法的有效性，利用標(biāo)注結(jié)果訓(xùn)練其他人群計(jì)數(shù)模型，通過評(píng)估預(yù)測(cè)結(jié)果與真實(shí)值之間的差異，驗(yàn)證本文人群數(shù)量標(biāo)注方法的有效性。為此，分別采用訓(xùn)練集真值和通過本文標(biāo)注方法獲取的標(biāo)注值訓(xùn)練3種計(jì)數(shù)模型，測(cè)試集則使用真值進(jìn)行評(píng)估。由于Gist特征比低級(jí)特征對(duì)人群場(chǎng)景有更好的表征能力，因此本文在訓(xùn)練GPR計(jì)數(shù)模型時(shí)使用Gist特征作為特征描述符。3種計(jì)數(shù)方法在5個(gè)數(shù)據(jù)集上的對(duì)比結(jié)果見表6。

表 6 真值和標(biāo)注值訓(xùn)練的計(jì)數(shù)模型結(jié)果對(duì)比

從表6可以看出，使用標(biāo)注值訓(xùn)練的計(jì)數(shù)模型和使用真值訓(xùn)練的計(jì)數(shù)模型預(yù)測(cè)精度幾乎一致。這是由于在真值的標(biāo)注過程中，可能存在人為標(biāo)注誤差，當(dāng)標(biāo)注誤差與真值相差較小時(shí)，并不影響模型的訓(xùn)練結(jié)果。因此本文提出的標(biāo)注方法可以為其他計(jì)數(shù)模型提供訓(xùn)練集所需的標(biāo)記樣本。

由上述結(jié)果可知，本文提出的方法在UCSD和Fudan數(shù)據(jù)集上取得了精確的標(biāo)注效果，在Canteen和Classroom數(shù)據(jù)集上獲取了較為精確的標(biāo)注效果，在Bus數(shù)據(jù)集上標(biāo)注效果較差。該標(biāo)注方法在為其他計(jì)數(shù)模型提供樣本標(biāo)簽時(shí)受訓(xùn)練集的標(biāo)簽精度影響較小。

為了進(jìn)一步評(píng)價(jià)標(biāo)注方法的有效性，本文分別利用真值和標(biāo)注值訓(xùn)練同一計(jì)數(shù)模型并對(duì)比預(yù)測(cè)結(jié)果，預(yù)測(cè)結(jié)果一致表明本文提出的標(biāo)注方法可用于訓(xùn)練其他計(jì)數(shù)模型。5個(gè)數(shù)據(jù)集上的真值和標(biāo)注值訓(xùn)練VGG計(jì)數(shù)模型對(duì)比如圖5所示。

(a) 真值在UCSD數(shù)據(jù)集上訓(xùn)練的的計(jì)數(shù)模型 (b) 標(biāo)注值在UCSD數(shù)據(jù)集上訓(xùn)練的計(jì)數(shù)模型

圖5左側(cè)表示真值訓(xùn)練的計(jì)數(shù)模型，右側(cè)表示標(biāo)注值訓(xùn)練的計(jì)數(shù)模型。對(duì)比結(jié)果可知，利用真值和標(biāo)注值為監(jiān)督信息訓(xùn)練的計(jì)數(shù)模型在預(yù)測(cè)性能上沒有明顯差別，表明本文提出的標(biāo)注方法可以為其他計(jì)數(shù)模型提供訓(xùn)練樣本的標(biāo)簽。

3 結(jié) 論

1) 提出一種基于最近鄰聚類和主動(dòng)采樣學(xué)習(xí)的樣本標(biāo)注方法。該方法利用含有相同或相近人數(shù)的視頻圖像在特征空間中距離相近的特性，實(shí)現(xiàn)人群數(shù)量的自動(dòng)標(biāo)注。

2) 采用最近鄰聚類在特征空間中對(duì)樣本進(jìn)行聚類，通過主動(dòng)采樣學(xué)習(xí)，從每一類樣本中選取少量具有代表性和多樣性的重要樣本進(jìn)行人數(shù)標(biāo)注。

3) 本文提出的樣本標(biāo)注方法具有較低的標(biāo)注偏差，利用標(biāo)注樣本訓(xùn)練的計(jì)數(shù)模型和利用真值訓(xùn)練的計(jì)數(shù)模型預(yù)測(cè)結(jié)果具有較好的一致性。