人头识别-人群中准确快速的检测头部算法

心已赠人 2022-11-14 15:58 786阅读 0赞

参考链接：[https://blog.csdn.net/hahabeibei123456789/article/details/94720745][https_blog.csdn.net_hahabeibei123456789_article_details_94720745]

来自霍尼韦尔的资深数据科学家Aditya Vora分享了一种快速精准的人头检测（head detector）算法并开源了代码。

先来看下检测视频截图：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hhaGFiZWliZWkxMjM0NTY3ODk_size_16_color_FFFFFF_t_70][]

人头检测在安防监控中是比较常用的功能，而公交车、商场或者大型场馆的拥挤人群计数的精准性也非常重要。

![https://www.52cv.net/wp-content/uploads/2018/09/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87\_20180926013125-1024x569.png][https_www.52cv.net_wp-content_uploads_2018_09_E5_BE_AE_E4_BF_A1_E5_9B_BE_E7_89_87_20180926013125-1024x569.png]

传统的算法原理  
作者称拥挤人群计数目前主要有两种实现路径：  
1.运用回归的算法思绪，直接依据图像回归出拥堵人群密度热图，它的缺陷是只能得到场景整体的一个拥堵指数，不能获知人群个体的详细位置，而且这种办法对图像分辨率很敏感。  
2.运用目的检测的办法，比方直接运用Faster RCNN检测人，检测后数目的为“人”的个数。这种办法的缺陷是在人物互相遮挡的状况下常常性能较差，而人群越拥堵互相遮挡的可能性越大，招致算法运用受限。

该文作者希望设计更有针对性的精准的人头检测，完成愈加精准的人群计数。  
作者创新的两点，轻量级人头检测网络和anchors尺度的选择。  
算法的网络架构：

从上图可知，网络的前半局部是VGG16特征提取网络，经过一次卷积，然后分开分别运用1\*1卷积进入Regression head（用于回归人头的位置信息）和Classiﬁcation head（用于分类能否为人头）。

在检测网络中，anchors是很重要的概念，是一组预定义的包围框，在对象检测系统中预测尺度和位移。作者以为普通目的辨认中anchors的尺度定义过大，应该依据“有效感受野”（effective receptive ﬁeld）的思想，减小尺度（直观上“人头”目的比“人体”目的也要小）。

实验结果  
作者在BRAINWASH数据库上做了实验，打败了三个基线算法，并取得了与最好结果算法“可比较“的性能。

![https://www.52cv.net/wp-content/uploads/2018/09/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87\_201809260131261.png][https_www.52cv.net_wp-content_uploads_2018_09_E5_BE_AE_E4_BF_A1_E5_9B_BE_E7_89_87_201809260131261.png]

提出的算法比较快，使用Quadro M1000M显卡（仅有512 CUDA核心）速度达到5fps，使用Jetson TX2（仅有256 CUDA核心）速度1.6fps。相比以往算法更加适合于嵌入式边缘计算平台。

![https://www.52cv.net/wp-content/uploads/2018/09/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87\_201809260131262.png][https_www.52cv.net_wp-content_uploads_2018_09_E5_BE_AE_E4_BF_A1_E5_9B_BE_E7_89_87_201809260131262.png]

以上内容都来自参考链接。

先去GitHub上找到FCHD:

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIxNDU0OTcz_size_16_color_FFFFFF_t_70][]

第一个是原版，第二个是翻译版，本人擅长中文。。。

下载源码（文末有分享）。

本工程是官方工程的python3版本，重构了部分代码，并训练得到了一个效果不错的模型。

论文地址：[https://arxiv.org/abs/1809.08766][https_arxiv.org_abs_1809.08766]  
官方工程地址：[https://github.com/aditya-vora/FCHD-Fully-Convolutional-Head-Detector][https_github.com_aditya-vora_FCHD-Fully-Convolutional-Head-Detector]

## 安装 ##

1.  Clone
    
        git clone https://github.com/embracesource-cv-com/FCHD.git
2.  安装依赖
    
        cd FCHD
        pip install -r requirements.txt

安装可能会遇到问题，一般解决方案有：

1）去掉版本号

2）换源

3）建议使用python3   64位版本，**不要使用32位！**

4）哪个依赖有问题 就通过命令安装

作者成功较多的命令：

python -m pip install -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com XXX

XXX为所需依赖。

## 数据配置 ##

（文末有分享所需文件）。

1.  在[此处][Link 1]下载Brainwash数据集，caffe预训练模型，以及人头检测模型
2.  将预训练模型vgg16\_caffe.pth放到./checkpoints/pre\_trained目录下
3.  将检测模型checkpoint\_best.pth放到./checkpoints目录下
4.  将brainwash数据集放到/home/dataset/fchd\_datas目录下

> 当然你可以自定义各个路径，然后在config.py中修改相应的配置

class Config(object):
        DATASET_DIR = r'X:\workspace\python\FCHD-master\home\dataset\fchd_datas\brainwash'
        TRAIN_ANNOTS_FILE = r'X:\workspace\python\FCHD-master\home\dataset\fchd_datas\brainwash\brainwash_train.idl'
        VAL_ANNOTS_FILE = r'X:\workspace\python\FCHD-master\home\dataset\fchd_datas\brainwash\brainwash_val.idl'
    
        CAFFE_PRETRAIN = True
        CAFFE_PRETRAIN_PATH = './checkpoints/pre_trained/vgg16_caffe.pth'
    
        RPN_NMS_THRESH = 0.7
        RPN_TRAIN_PRE_NMS_TOP_N = 12000
        RPN_TRAIN_POST_NMS_TOP_N = 300
        RPN_TEST_PRE_NMS_TOP_N = 6000
        RPN_TEST_POST_NMS_TOP_N = 300
        RPN_MIN_SIZE = 16
    
        ANCHOR_BASE_SIZE = 16
        ANCHOR_RATIOS = [1]
        ANCHOR_SCALES = [2, 4]
    
        EPOCHS = 15
        PRINT_LOG = True
        PLOT_INTERVAL = 2
        VISDOM_ENV = 'fchd'
    
        MODEL_DIR = './checkpoints'
        BEST_MODEL_PATH = './checkpoints/checkpoint_best.pth'
    
    
    cfg = Config()

代码还是简单的。

先训练：

1.  打开可视化工具visdom:
    
        python -m visdom.server
2.  开始训练:
    
        python train.py

train.py的时候会报错：

AssertionError: Torch not compiled with CUDA enabled

这是torch依赖安装版本错误。

CPU直接安装CPU版本即可，CDUA需要安装CUXXX版本。

下载地址：[https://download.pytorch.org/whl/torch\_stable.html][https_download.pytorch.org_whl_torch_stable.html]

也可以通过官网：[https://pytorch.org/get-started/locally/][https_pytorch.org_get-started_locally]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIxNDU0OTcz_size_16_color_FFFFFF_t_70 1][]

正确的控制台输出：

(venv) X:\workspace\python\FCHD-master>python train.py
    [INFO] Load datasets.
     Training set size:10461, Verification set size:493
    Setting up a new session...
    [INFO] Start training...
    X:\workspace\python\FCHD-master\networks\detector.py:30: UserWarning: Implicit dimension cho
    ice for softmax has been deprecated. Change the call to include dim=X as an argument.
      probs = F.softmax(torch.from_numpy(rois_scores))
    [INFO] Epoch 1 of 15.
            Validate average accuracy: 0.865
    [INFO] Epoch 2 of 15.
            Validate average accuracy: 0.803
    [INFO] Epoch 3 of 15.
            Validate average accuracy: 0.771
    [INFO] Epoch 4 of 15.
            Validate average accuracy: 0.842
    [INFO] Epoch 5 of 15.
            Validate average accuracy: 0.796
    [INFO] Epoch 6 of 15.

可视化：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIxNDU0OTcz_size_16_color_FFFFFF_t_70 2][]

## 预测 ##

在工程root目录下执行:

python predict.py -p [path of image]

# 检测效果 #

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIxNDU0OTcz_size_16_color_FFFFFF_t_70 3][]

百度云：

链接：https://pan.baidu.com/s/1xZJ6wvQyo9WLgWErlmhhaA   
提取码：3bw9   
复制这段内容后打开百度网盘手机App，操作更方便哦

[https_blog.csdn.net_hahabeibei123456789_article_details_94720745]: https://blog.csdn.net/hahabeibei123456789/article/details/94720745
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hhaGFiZWliZWkxMjM0NTY3ODk_size_16_color_FFFFFF_t_70]: /images/20221022/41b40190bf09460c85560376295f0d6e.png
[https_www.52cv.net_wp-content_uploads_2018_09_E5_BE_AE_E4_BF_A1_E5_9B_BE_E7_89_87_20180926013125-1024x569.png]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly93d3cuNTJjdi5uZXQvd3AtY29udGVudC91cGxvYWRzLzIwMTgvMDkvJUU1JUJFJUFFJUU0JUJGJUExJUU1JTlCJUJFJUU3JTg5JTg3XzIwMTgwOTI2MDEzMTI1LTEwMjR4NTY5LnBuZw?x-oss-process=image/format,png
[https_www.52cv.net_wp-content_uploads_2018_09_E5_BE_AE_E4_BF_A1_E5_9B_BE_E7_89_87_201809260131261.png]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly93d3cuNTJjdi5uZXQvd3AtY29udGVudC91cGxvYWRzLzIwMTgvMDkvJUU1JUJFJUFFJUU0JUJGJUExJUU1JTlCJUJFJUU3JTg5JTg3XzIwMTgwOTI2MDEzMTI2MS5wbmc?x-oss-process=image/format,png
[https_www.52cv.net_wp-content_uploads_2018_09_E5_BE_AE_E4_BF_A1_E5_9B_BE_E7_89_87_201809260131262.png]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly93d3cuNTJjdi5uZXQvd3AtY29udGVudC91cGxvYWRzLzIwMTgvMDkvJUU1JUJFJUFFJUU0JUJGJUExJUU1JTlCJUJFJUU3JTg5JTg3XzIwMTgwOTI2MDEzMTI2Mi5wbmc?x-oss-process=image/format,png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIxNDU0OTcz_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20210330145450895.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIxNDU0OTcz,size_16,color_FFFFFF,t_70
[https_arxiv.org_abs_1809.08766]: https://arxiv.org/abs/1809.08766
[https_github.com_aditya-vora_FCHD-Fully-Convolutional-Head-Detector]: https://github.com/aditya-vora/FCHD-Fully-Convolutional-Head-Detector
[Link 1]: https://pan.baidu.com/s/1-rGZD9gWT7wR2lLnrGHljw
[https_download.pytorch.org_whl_torch_stable.html]: https://download.pytorch.org/whl/torch_stable.html
[https_pytorch.org_get-started_locally]: https://pytorch.org/get-started/locally/
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIxNDU0OTcz_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20210330150628157.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIxNDU0OTcz,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIxNDU0OTcz_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20210330150925648.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIxNDU0OTcz,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIxNDU0OTcz_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20210330151123161.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIxNDU0OTcz,size_16,color_FFFFFF,t_70