算法简介
人头检测在视频监控中非常重要，而公交车、商场或者大型场馆的拥挤人群计数则是其重要应用场景。
算法思想
作者称拥挤人群计数目前主要有两种实现路径：
1.使用回归的算法思路，直接根据图像回归出拥挤人群密度热图，它的缺点是只能得到场景整体的一个拥挤指数，不能获知人群个体的具体位置，而且这种方法对图像分辨率很敏感。
2.使用目标检测的方法，比如直接使用Faster RCNN检测人，检测后数目标为“人”的个数。这种方法的缺点是在人物相互遮挡的情况下往往性能较差，而人群越拥挤相互遮挡的可能性越大，导致算法使用受限。
该文作者希望设计更有针对性的精准的人头检测，实现更加精准的人群计数。
论文地址：https://arxiv.org/abs/1809.08766v1
代码地址：https://github.com/aditya-vora/FCHD-Fully-Convolutional-Head-Detector
错误展示
使用论文《FCHD: A fast and accurate head detector 》提供的代码进行人头识别，代码的部署过程很简单，但是就是最后预测出来的效果有错误。
在运行head_detector_demo.py的时候，出来的结果如下图所示，每一个人头都能够预测出来，检测窗口基本上能够对应人物头部，但是窗口位置偏移距离比较远。
解决方法
打开head_detector_demo.py文件
大约在28行的位置上做出如下修改：
f.convert('RGB')
img_raw = f.copy()
# img_raw = np.asarray(f, dtype=np.uint8)
img = np.asarray(f, dtype=np.float32)
_, H, W = img.shape
img = img.transpose((2,0,1))
img = preprocess(img)
_, o_H, o_W = img.shape
scale = o_H / H
img_raw = img_raw.resize((o_W, o_H), Image.ANTIALIAS)
return img, img_raw, scale
在大约54行的位置上，做出如下修改：
for i in range(pred_bboxes_.shape[0]):
ymin, xmin, ymax, xmax = pred_bboxes_[i,:]
# utils.draw_bounding_box_on_image_array(img_raw, ymin, xmin, ymax, xmax)
utils.draw_bounding_box_on_image(img_raw, ymin, xmin, ymax, xmax)
将代码修改之后，再次运行head_detector_demo.py文件，可以看到出来的图已经正确了，如下图：
参考链接：https://github.com/aditya-vora/FCHD-Fully-Convolutional-Head-Detector/issues/8