为了解决在复杂背景以及人流密集且互相遮挡的场景下, 对人流密度进行估计精度低的问题, 提出了基于YOLOv3增强模型融合的方法进行人流密度估计. 首先将数据集分别进行头部标注和身体标注, 生成头部集和身体集. 然后用这两个数据集分别训练两个YOLOv3增强模型YOLO-body和YOLO-head, 最后使用这两个模型在相同的测试数据集上推理, 将其输出结果进行极大值融合. 结果表明基于YOLOv3增强模型融合的方法, 与原始目标检测方法和密度图回归的方法相比精度提高了4%, 且具有较好的鲁棒性.

基于JavaScript开发的人流密度检测微信小端程序源码+项目说明.zip 基于JavaScript开发的人流密度检测微信小端程序源码+项目说明.zip 基于JavaScript开发的人流密度检测微信小端程序源码+项目说明.zip 【项目介绍】 利用微信小程序开发出一套可以在地图上显示当前人流密度信息的程序，地图采用高德API 【备注】 主要针对计算机相关专业的正在做毕设的学生和需要项目实战的Java、微信小程序学习者。 也可作为课程设计、期末大作业。包含：项目源码、项目说明等，该项目可以直接作为毕设、课程设计使用。 也可以用来学习参考借鉴！

基于PaddlePaddle实现的密度估计模型CrowdNet预训练模型

这是百度“深度学习”训练营的“人流密度估计”竞赛赛题公布。

前言 CrowdNet模型是2016年提出的人流密度估计模型，论文为《CrowdNet: A Deep Convolutional Network for DenseCrowd Counting》，CrowdNet模型主要有深层卷积神经网络和浅层卷积神经组成，通过输入原始图像和高斯滤波器得到的密度图进行训练，最终得到的模型估计图像中的行人的数量。当然这不仅仅可以用于人流密度估计，理论上其他的动物等等的密度估计应该也可以。 本项目开发环境为： Windows 10 Python 3.7 PaddlePaddle 2.0.0a0 CrowdNet模型实现 以下是CrowdNet模型的结构图，从结构图中可以看出，CrowdNet模型是深层卷积网络（Deep Network）和浅层卷积网络（Shallow Network）组成，两组网络通过拼接成一个网络，接着输入到一个卷积核数量和大小都是1的卷积

共分为训练集(图片), 训练集(标注), 测试集三个部分. 其中训练集共有2000张图片. 测试集有1000张图片

这是我参加百度 “ 人群密度检测 ” 比赛训练的模型，可利用百度Paddle平台导入该模型对图片或视频流信号进行人流密度检测。

在安全问题越发严峻的信息化时代，重点区域如景点、交通枢纽场所的人流监控与管理是一个事关经济发展与个人安全的重大议题。文中结合前沿的深度学习技术利用计算机图像处理，开发了基于图像处理的高精度人流密度监控系统，可以有效缓解重点区域的人流管理问题。该系统具有人流密度动态可视化、高密度预警与路径动态规划等特色功能。整个系统采用Python作为开发语言，利用深度学习框架，搭建满足重点区域安防管理的人流监控系统。系统的识别精度在可控范围内、且操作方便，作为人工监控的辅助手段，可以有效地减轻人工压力，并提高对重点区域地管理与疏导。

说明 任务描述： 要求参赛者给出一个算法或模型，对于给定的图片，统计图片中的总人数。给定图片数据，选手据此训练模型，为每张测试数据预测出最准确的人数； 数据说明： 本竞赛所用训练和测试图片均来自一般监控场景，但包括多种视角（如低空、高空、鱼眼等），图中行人的相对尺寸也会有较大差异。部分训练数据参考了公开数据集（如ShanghaiTech [1], UCF-CC-50 [2], WorldExpo’10 [3]，Mall [4] 等）。 本竞赛的数据标注均在对应json文件中，每张训练图片的标注为以下两种方式之一： （1）部分数据对图中行人提供了方框标注（boundingbox），格式为[x,