本研究提出两种新方法用于在拥挤和开放环境下进行人群计数，利用多个视图收集的信息，结合使用多个相机。多个相机用于扩大视野并缓解单个相机计数方法常常受到的遮挡的问题。两种方法都能够统计场景中人员的数量而不仅仅是单帧图像或视频帧。在基准 PETS2009 视频数据集上获得的实验结果表明，所提出的间接方法 surpasses 其他方法，提供了拥挤场景的准确计数结果；然而，由于后者需要解决更复杂的问题（如头部分割），因此直接方法表现出较高的误差率。

Apr, 2017

本文提出了一种适应性场景发现框架用于人群计数，该系统包括两个平行通道和一个自适应重校准分支，能够代表高度变化的人群图像并在两个具有挑战性的基准测试中实现了最先进的结果。

Dec, 2018

通过人流量而非直接回归进行人口密度估计，从而在空间和时间上施加人口保护约束，提高深度人群计数模型性能并在主动学习环境下显著减少注释成本。

Dec, 2020

本文提出了一种基于人流推断的人群计数方法，利用了视频序列中的时间连续性和人流、光流之间的相关性，比当前最先进的方法在五个基准数据集上性能表现都更好。

Nov, 2019

本文提出了用于智能交通系统中真实世界杂乱场景下人数自动计数的方法，其基于 RGB-D 数据集，使用深度视频的点云计算方法、3D 人体模型和轨迹跟踪来计数，得到高精度的计数结果。

Apr, 2018

本文介绍了一种利用计算机视觉技术进行高密度场景下人群计数的方法，使用了全卷积人群计数模型来提高计数准确性和稳健性，并设计了数据增强和多尺度平均等技巧来提高模型的适应性和广泛适用性

Dec, 2016

本文提出了基于时间感知建模的人群计数方法，使用了一些扩张残差块，并提出了一个轻量级网络来平衡计算成本和表示能力，实验表明该方法在人群计数领域具有显著的优势。

Jul, 2019

本文通过对 220 多篇文献的综合和系统研究，主要研究基于 CNN 的密度图估计方法，根据评估指标，在人群计数数据集上选择前三名表现者，并分析其优缺点，希望对未来人群计数发展做出合理推断和预测，同时也为其他领域的目标计数问题提供可行的解决方案。

Mar, 2020

本研究提出了一种新的基于检测的深度学习网络来实现对人头大小及数量的计数，在使用伪基础真值进行训练时实施了一种在线更新方案和局部约束回归损失，并采用课程学习策略来训练网络，实验结果表明，该方法在多个标准数据集上的检测与计数任务中表现卓越。

Apr, 2019

介绍了一种用于人群计数的检测框架，采用 LSC-CNN 模型，解决了人群中的人头检测、计数等问题。

Jun, 2019