参考链接：https://blog.csdn.net/hahabeibei/article/details/

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：

讯享网

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。

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）。

以上内容都来自参考链接。

先去GitHub上找到FCHD:

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。

安装

1. Clone

   git clone https://github.com/embracesource-cv-com/FCHD.git 

   
   讯享网
2. 安装依赖

   讯享网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

讯享网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:

   讯享网python train.py 

train.py的时候会报错：

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

也可以通过官网：https://pytorch.org/get-started/locally/

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：

预测

在工程root目录下执行:

讯享网python predict.py -p [path of image]

检测效果

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