基于人群计数的交通流量应用研究

马振亚 王宽 左霖杰 曹宇

摘  要： 随着世界经济的发展，交通压力越来越大。为了有效管理交通系统，同时也为交通决策提供支撑。本文基于人群计数（Crowd Counting）构建了一个交通流量管理系统。同时针对车辆流量统计的任务，提出了一个高效的轻量级网络，该网络保证了一定的精度和速度。最后该系统可以用于实际交通流量预测与管理，为交通管理决策提供有效助力。

关键词： 人群计数;交通流量;人工智能;智能算法

中图分类号： TP391. 41    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2020.07.046

本文著录格式：马振亚，王宽，左霖杰，等. 基于人群计数的交通流量应用研究[J]. 软件，2020，41（07）：224-227

Application Research of Traffic Flow Based on Crowd Counting

MA Zhen-ya^*， WANG Kuan， ZUO Lin-jie， CAO Yu

（Yunnan Yunling Expressway Traffic Technology Co.， Ltd.， Kunming 650032， China）

【Abstract】： With the development of the world economy， traffic pressure is increasing. In order to effectively manage the transportation system， it also provides support for transportation decisions. This article builds a traffic flow management system based on Crowd Counting. At the same time， for the task of vehicle traffic statistics， an efficient lightweight network is proposed， which guarantees a certain accuracy and speed. Finally， the system can be used for actual traffic flow forecasting and management， providing effective assistance for traffic management decisions.

【Key words】： Crowd counting; Traffic flow; Artificial intelligence; Intelligent algorithms

0  引言

随着世界经济与科技的发展，行人与车辆数量已经严重超过了城市负荷。很多城市不得不出台对应的交通管制措施。交通流量管理的关键在于如何有效准确的统计车辆数量，为决策者提供一个有力的参考。近几年来，随着深度学习的发展，越来越多的人工智能产品正在逐步占据市场^[1-4]。人群计数是现在一个热点研究的技术，人群计数的目标是预测出场景里面的人群数量。针对场景中的车辆也可以使用人群计数进行处理，在人群计数任务中，有专门的子任务是用于处理车辆管理^[5]。现在人工智能发展迅速，人工智能产品不断填补着人们的生活。使用深度卷积神经网络处理问题成为越来越重要的一个手段，同时，神经网络处理问题也因为其速度受到赞誉。本文的目标就是使用基于神经网络的人群計数方法构建一个用于交通流量管理的快速高效的高速公路流量管理系统。

1  建设高速公路流量管理系统必要性

目前交通流量统计一般靠专门设置于特定位置的交通流量调查设备，这样统计的数据一方面结果无法实现全程覆盖，另一方面这样的统计数据很难得到有效利用。除此之外，仅采集特定点位的交通流量数据，不能适应如今大数据环境下的需求。在交通领域有很多摄像头收集设备，如果将这些设备利用起来，那么就能解决数据量以及数据实时性不够的问题。

高速公路数据流量的收集对于交通管制以及交通规划有着重要的作用，收集这些数据对于交通规划以及交通疏导都是十分重要的^[6]。就目前的形势而言，档案或者数据的电子化，共享已经成为了趋势。如何更好地使用数据，如何更好地收集资源就成为了企业战略资源的储备。

所以建设高速公路流量统计系统是一个十分有意义的举措。

2  人群计数研究进展

人群计数技术成为了目前热点的研究问题，受到了越来越多的研究者的关注。人群计数方法被分为传统的与基于神经网络方法的。传统的方法分为三类：基于检测的，基于回归的以及基于密度估计的^[7]。这里仅讨论基于神经网络的方法。

近年来，随着分类识别领域深入学习的突破，越来越多的新方法使用了基于卷积神经网络的特征提取来提供规模和视角不变的特征。

本文将人群计数的方法按照网络架构归类为为以下几类：单列网络结构、多列网络结构、以VGG为backbone的网络结构、时序处理模型，无监督的模型以及用于计数与定位的模型。

单列网络结构：单列结构是一种最基础的网络结构，代表性的著作有L2R^[8]，PSDNN^[9]以及SD-CNN^[10]。多列网络结构：多列网络结构是为了解决图像中存在的视差以及角度变换问题提出的由不同接受野采集信息的一种合成网络。代表作品有MCNN^[11]，CMTL^[12]，CP-CNN^[13]以及ASD^[14]。以VGG为backbone的网络结构：由于VGG网络在提取特征上有着较为优异的性能，同时VGG特征提取只有4个池化操作，比较符合计数任务的需求。所以目前越来越多具有代表性的作品都使用VGG作为主干网络^[15-18]。时序处理模型：由于很多任务是基于视频应用的，时序信息就可以用于纠正预测。越来越多的时序处理模型被探索开发^[19-22]。无监督的模型：随着人力成本的增加，数据标注成本越来越高，如何使用无监督模型使用那些未标注数据是一个极大的改进方式。现在这种方式正在被不断地进行发掘与探索^[23-25]。目前主流的方法主要分为三类：不必对每一帧都进行详尽的注释，而是选择信息量最大的帧进行自动和主动的注释;与其只从标记的数据中学习，不如充分利用大量未标记的数据;采用其他场景的标记数据，进一步减轻了数据标注的负担。

用于计数与定位的模型：目前大多数现有人群计数采用的方法首先估计人密度图，然后在这个地图上计算积分以获得最终计数。正如先前的几项调查所觀察到的那样，即使最终报告的人数是准确的，学习到的密度图也会明显偏离真实的人员密度。这意味着密度图对于人群定位是不可靠的。所以就有任务提出将人数估计与定位一起进行处理^[26-29]。

3  整体架构

提出应用系统的架构如图1所示。整个系统主要由四部分构成。第一部分是数据采集模块，主要是由摄像机构成;第二部分是服务器模块，可以采用CPU服务器即可;第三个模块是终端显示模块，用于对外提供交互;最后一个模块是数据中心以及算法库模块。整个系统通过互联网连接在一起。

数据流转主要通过摄像采集设备到服务器之后，数据一方面经过算法实时分析，另一方面直接存入数据中心，用来支撑后期决策使用。然后算法分析结果实时呈现在终端显示模块。

4轻量级处理模型

考虑到实际使用中，车辆数目不是很大。但是对于响应速度要求较高。所以设计一个轻量级的网络就显得十分必要。同时设计的轻量级网络应该能够摆脱GPU的限制，能够用于CPU服务器。由此，本文设计了一个轻量级的网络，该网络保留了多列模型的多接受野。然而并不是采用三个分支的结构，在接受野之后就进行了快速的融合。之后为了有效利用特征，本文在网络主干接入了一个SENet结构^[30]。SENet结构的目的是为了增强在传播过程中的有效信息，抑制传播过程中的无效信息。

网络首先读入一张场景图片，然后将图片分别通过三个卷积核为9×9，7×7以及5×5的卷积核，它们的通道数分别是10，14以及16。经过三个卷积核处理后的特征使用一个3×3卷积核的40层特征通道处理。然后分别通过一系列特征通道。在40->60的通道之间加了一个SENet。在此处进行特征信息的加强。最终形成密度图，密度图经过计算后形成预测数值。

本文设计网络使用Pytorch，需要在GPU下训练，然而训练后可以在CPU下平稳运行，并且能保证有较好效果。

5  结论

随着智能交通，智慧地球的推进，如何构建一个更加高效，快捷方便的智慧交通解决方案是一个有着实际意义的工作与研究主题。本文以建设一个实时高效的智能车流量管理系统为中心任务，从构建系统的外围硬件着手，扩展系统的使用效率与效果。结合目前的人群计数技术构建了一套高效快捷的智能流量管理方案。

参考文献

1. 刘强. 人工智能在计算机网络技术中的实践与探索[J]. 软件， 2018， 39（11）： 242-245.

2. 汪子尧， 贾娟. 人工智能的前生、今世与未来[J]. 软件， 2018， 39（2）： 223-226.

3. 梁子鑫. 探讨新时代背景下新兴技术在人工智能中的应用[J]. 软件， 2018， 39（7）： 166-169.

4. 郭健， 王勇. 人工智能结合自动化测试在智能电网系统中的未来应用[J]. 软件， 2018， 39（11）： 224-229.

5. Sindagi V A， Patel V M. A survey of recent advances in cnn- based single image crowd counting and density estimation[J]. Pattern Recognition Letters， 2018， 107： 3-16.

6. 曹妍， 陈伟. 基于 MATLAB 图像处理的药片计数方法研究[J]. 软件， 2018， 39（9）： 13-15.

7. Loy C C， Chen K， Gong S， et al. Crowd counting and profiling： Methodology and evaluation[M]//Modeling， simulation and visual analysis of crowds. Springer， New York， NY， 2013： 347-382.

8. Liu X， van de Weijer J， Bagdanov A D. Leveraging unlabeled data for crowd counting by learning to rank[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018： 7661-7669.

9. Liu Y， Shi M， Zhao Q， et al. Point in， box out： Beyond counting persons in crowds[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019： 6469-6478.

10. Basalamah S， Khan S D， Ullah H. Scale Driven Convolutional Neural Network Model For People Counting and Localization in Crowd Scenes[J]. IEEE Access， 2019.

11. Zhang Y， Zhou D， Chen S， et al. Single-image crowd counting via multi-column convolutional neural network[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016： 589-597.

12. Sindagi V A， Patel V M. Cnn-based cascaded multi-task learning of high-level prior and density estimation for crowd counting[C]//2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance （AVSS）. IEEE， 2017： 1-6.

13. Sindagi V A， Patel V M. Generating high-quality crowd density maps using contextual pyramid cnns[C]//Proceedings of the IEEE International Conference on Computer Vision. 2017： 1861-1870.

14. Xingjiao Wu， Yingbin Zheng， Hao Ye， Wenxin Hu， Jing Yang， and Liang He， “Adaptive scenario discovery for crowd counting， ” in IEEE International Conference on Acoustics， Speech， and Signal Processing （ICASSP）， 2019， pp. 2382- 2386.

15. Gao J， Wang Q， Yuan Y. SCAR： Spatial-/channel-wise attention regression networks for crowd counting[J]. Neurocomputing， 2019， 363： 1-8.

16. Zeng X， Wu Y， Hu S， et al. DSPNet： Deep scale purifier network for dense crowd counting[J]. Expert Systems with Applications， 2020， 141： 112977.

17. Xingjiao Wu， Yingbin Zheng， Hao Ye， Wenxin Hu， Tianlong Ma， Jing Yang， Liang He， Counting Crowds with Varying Densities via Adaptive Scenario Discovery Framework， Neurocomputing（2020）， doi： https：//doi.org/10.1016/j.neucom. 2020.02.045.

18. Zhang L， Shi M， Chen Q. Crowd counting via scale-adaptive convolutional neural network[C]//2018 IEEE Winter Conference on Applications of Computer Vision （WACV）. IEEE， 2018： 1113-1121.

19. Fang Y， Zhan B， Cai W， et al. Locality-constrained spatial transformer network for video crowd counting[C]//2019 IEEE International Conference on Multimedia and Expo （ICME）. IEEE， 2019： 814-819.

20. Xiong F， Shi X， Yeung D Y. Spatiotemporal modeling for crowd counting in videos[C]//Proceedings of the IEEE International Conference on Computer Vision. 2017： 5151-5159.

21. Xu M， Ge Z， Jiang X， et al. Depth information guided crowd counting for complex crowd scenes[J]. Pattern Recognition Letters， 2019， 125： 563-569.

22. Xingjiao Wu， Baohan Xu， Yingbin Zheng， Hao Ye， Jing Yang， and Liang He， “Fast video crowd counting with a temporal aware network， ” arXiv： 1907.02198， 2019.

23. Change Loy C， Gong S， Xiang T. From semi-supervised to transfer counting of crowds[C]//Proceedings of the IEEE International Conference on Computer Vision. 2013： 2256- 2263.

24. Lu E， Xie W， Zisserman A. Class-agnostic counting[C]//Asian Conference on Computer Vision. Springer， Cham， 2018： 669-684.

25. Sam D B， Sajjan N N， Maurya H， et al. Almost Unsupervised Learning for Dense Crowd Counting[C]//Proceedings of the Thirty-Third AAAI Conference on Artificial Intelligence， Honolulu， HI， USA. 2019， 27.

26. Zeng X， Wu Y， Hu S， et al. DSPNet： Deep scale purifier network for dense crowd counting[J]. Expert Systems with Applications， 2020， 141： 112977.

27. Jiang X， Xiao Z， Zhang B， et al. Crowd Counting and Density Estimation by Trellis Encoder-Decoder Networks[C]//Pro?ceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019： 6133-6142.

28. Khan S D， Ullah H， Uzair M， et al. Disam： Density Independent and Scale Aware Model for Crowd Counting and Localization[C]//2019 IEEE International Conference on Image Processing （ICIP）. IEEE， 2019： 4474-4478.

29. Lian D， Li J， Zheng J， et al. Density Map Regression Guided Detection Network for RGB-D Crowd Counting and Localization[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019： 1821-1830.

30. Hu J， Shen L， Sun G. Squeeze-and-excitation networks[C]// Proceedings of the IEEE conference on computer vision and pattern recognition. 2018： 7132-7141.