轨道交通复杂场景人群密度估计方法的应用研究

人群密度估计在封闭、半封闭和非封闭场景中可以发挥非常重要的作用,它对人群安全以及现场突发事件的管理调度有重要意义,传统的客流密度估计方法通常由点注释生成的伪标签(即密度图)进行监督。然而,姿态、光照和遮挡等因素会为密度图带来显著噪声和虚假信号。密度贡献概率模型(Bayesian loss)不再依赖从点标注生成不完美的标签,改为更可靠地对每个注释点的计数期望进行监督,直接与真值点标注进行回归估计。此外,为该参数估计配备了一个标准的主干神经网络(Stacked Hourglass Networks)并引入注意力机制,以提升轨道交通复杂场景人群密度估计的效果。