近年來，隨著深度學習在計算機視覺領域的廣泛應用，算法框架日趨成熟。例如，基于深度神經網絡的人群密度分析可以通過自動學習獲得更有效的人群特征，與傳統方法相比有所改進。

人工智能知識很少

人口密度分析(MCNN)的原理是密度圖回歸，根據頭部的已知位置估計每個頭部的大小，從而得到頭部的覆蓋區域。通過一種方法(MCNN采用幾何自適應高斯核)，將面積轉化為頭部可能在該區域的概率，該區域的概率和為1(或每個像素可能有多少人)。最后，我們可以得到一個人口密度圖。

熱區分析(Hot zone analysis)，又稱人群密度估計，提供了一種嵌入式端密集人群計數的方法，具有魯棒性高、性能好的優點。

在這個演示中，我們將使用MCNN進行人群熱估計算法，并向您展示英語代碼軟件開發團隊如何利用英語代碼技術IVP02d人工智能工作站開發雙向人群熱估計的算法應用，并列出相關數據，供您了解IVP02D的推理性能。

人群熱估計的DEMO基于pytorch框架，最多可進行2個IPC視頻編解碼和算法推理；模型的分析過程如下(詳見圖1):

人群熱力學估算流程圖1

人口熱估算圖2

首先通過IPC攝像頭采集數據，通過H264數據解碼成YUV數據。然后進入IVP02D對數據進行預處理，將圖像轉換成灰度圖像輸入推理單元。該算法支持INT8和FP16數據精度的模型推理；最后，圖像通過HDMI輸出顯示熱圖和人數統計，實現時間維度上的人口密度檢測。以人群熱力學估計效果圖為例(詳見圖2)，白光越強，說明該區域人群密度越高，而白光越暗甚至黑色時，說明人群相對稀少或不存在。整個DEMO模型在IVP02D上處理流暢，充分展示了其高計算能力、強性能、低功耗和良好的兼容性。

IVP02D智能工作站

同時，IVP02D搭載了CAMBRICON寒武紀平臺的芯片，與市場主流平臺相比，推理準確率更高，推理時間更短。(詳見圖3)。

推理性能的比較圖3

通過人群熱估計算法，客戶可以應用于視頻監控、交通監控、公共安全等領域。實時了解監控區域的人數，防止因人群密度過大造成踩踏等危急情況；此外，人群熱估計也適用于商業場景，如商業廣場、新零售商店、景點等。用于分析客戶、游客等人群的熱點區域。