近年来，随着深度学习在计算机视觉领域获得广泛应用，算法框架也日渐成熟，例如基于深度神经网络的人群密度分析，通过自动学习能获得更有效的人群特征，相较于传统方法取得了一定的提高。
AI小知识
人群密度分析（MCNN）其原理为密度图回归，密度图回归是根据已知的每个人头位置，再估计该位置所在人头的大小，这样可以得到该人头的覆盖区域，通过一种方法（MCNN中采用几何自适应高斯核），将该区域转化为该区域内可能为人头的概率，该区域概率和为1（或者表示每个像素可能有多少个人），最终我们可以得到一张人群密度图。
热区分析,又称人群密度估计，为密集人群场景提供嵌入式端密集人群计数的一种方法，具有鲁棒性高、性能好的优点。
本次Demo演示，我们将采用MCNN进行人群热力估计算法，向大家展示英码软件开发团队，如何利用英码科技IVP02D人工智能工作站开发2路人群热力估计的算法应用，并列出相关数据供大家了解IVP02D的推理性能。
知乎视频www.zhihu.com此次人群热力估计DEMO，基于pytorch框架研发，最多可搭载２路IPC视频编解码及算法推理；模型的分析流程如下（详情见图1）：
首先，由IPC摄像头采集数据，通过H264数据解码为YUV数据；然后，进入IVP02D把数据做预处理，将图像转为灰度图输入推理单元，该算法支持INT8和FP16两种数据精度的模型推理；最后，图像通过HDMI输出显示热力图及人数的统计，实现人群在时间维度上的密度检测。以人群热力估计效果图举例（详情见图2），当白光越强说明该区域人流密集度越高，反之白光越暗甚至为黑色则表示人流相对稀少或无。整个DEMO模型在IVP02D上处理过程流畅，充分展示了其高算力、强性能、低功耗以及兼容性好等特点。
同时，IVP02D搭载CAMBRICON寒武纪平台的芯片，与市面主流的平台相比，推理精度更高、推理耗时更短。（详情可见 图3）。
客户通过人群热力估计算法，可应用在视频监控、交通监测、公共安全等领域，实时了解监控区域的人群数目，防止由于人群密度过大，导致人群失控发生踩踏等危急情况；除此之外，人群热力估计也适用在商业场景，如商业广场、新零售、景区等，用于分析客户、游客等人群的热度区域检测。
了解更多人群热力估计的应用方案，欢迎点击浏览官网。
