The paper presents a novel deep learning approach for crowd counting in intelligent video surveillance systems, addressing the
growing need for accurate monitoring of public spaces in urban environments. The demand for precise crowd estimation arises from
challenges related to security, public safety, and efficiency in urban areas, particularly during large public events. Existing crowd
counting techniques, including feature-based object detection and regression-based methods, face limitations in high-density
environments due to occlusions, lighting variations, and diverse human figures. To overcome these challenges, the authors propose a
new deep encoder-decoder architecture based on VGG16, which incorporates hierarchical feature extraction with spatial and channel
attention mechanisms. This architecture enhances the model’s ability to manage variations in crowd density, leveraging adaptive
pooling and dilated convolutions to extract meaningful features from dense crowds. The model’s decoder is further refined to handle
sparse and crowded scenes through separate density maps, improving its adaptability and accuracy. Evaluations of the proposed
model on benchmark datasets, including Shanghai Tech and UCF CC 50, demonstrate superior performance over state-of-the-art
methods, with significant improvements in mean absolute error and mean squared error metrics. The paper emphasizes the
importance of addressing environmental variability and scale differences in crowded environments and shows that the proposed
model is effective in both sparse and dense crowd conditions. This research contributes to the advancement of intelligent video
surveillance systems by providing a more accurate and efficient method for crowd counting, with potential applications in public
safety, transportation management, and urban planning.
У статті представлено новий підхід на основі глибокого навчання для підрахунку натовпу в інтелектуальних системах
відеоспостереження, що вирішує зростаючу потребу в точному моніторингу громадських місць у міських середовищах.
Попит на точну оцінку кількості людей виникає через проблеми, пов’язані з безпекою, громадським порядком і
ефективністю в міських зонах, особливо під час великих публічних заходів. Існуючі методи підрахунку натовпу, включаючи
виявлення об’єктів на основі ознак і методи регресії, мають обмеження в умовах високої щільності через перекриття
об’єктів, варіації освітлення та різноманітність людських фігур. Щоб подолати ці виклики, автори пропонують нову
архітектуру енкодера-декодера на основі VGG16, яка включає ієрархічне вилучення ознак із використанням просторової та
канальної уваги. Ця архітектура покращує здатність моделі керувати варіаціями щільності натовпу, використовуючи
адаптивне підсумовування та дилатовані згортки для вилучення значущих ознак із щільних натовпів. Декодер моделі
додатково вдосконалюється для обробки розріджених і густих сцен через окремі карти щільності, що підвищує її
адаптивність і точність. Оцінка запропонованої моделі на еталонних наборах даних, включаючи Shanghai Tech і UCF CC 50,
демонструє кращі результати порівняно з сучасними методами, з помітними покращеннями за метриками середньої
абсолютної помилки та середньоквадратичної помилки. У статті підкреслюється важливість врахування змін у середовищі
та різниці в масштабах у густонаселених середовищах, і показано, що запропонована модель ефективна як в умовах
розрідженого, так і щільного натовпу. Це дослідження сприяє розвитку інтелектуальних систем відеоспостереження,
пропонуючи більш точний і ефективний метод підрахунку натовпу з можливими застосуваннями у сфері громадської
безпеки, управління транспортом і міського планування.