近年来，随着深度学习在计算机视觉领域的广泛应用，算法框架日趋成熟。例如，基于深度神经网络的人群密度分析可以通过自动学习获得更有效的人群特征，与传统方法相比有所改进。

人工智能知识很少

人口密度分析(MCNN)的原理是密度图回归，根据头部的已知位置估计每个头部的大小，从而得到头部的覆盖区域。通过一种方法(MCNN采用几何自适应高斯核)，将面积转化为头部可能在该区域的概率，该区域的概率和为1(或每个像素可能有多少人)。最后，我们可以得到一个人口密度图。

热区分析(Hot zone analysis)，又称人群密度估计，提供了一种嵌入式端密集人群计数的方法，具有鲁棒性高、性能好的优点。

在这个演示中，我们将使用MCNN进行人群热估计算法，并向您展示英语代码软件开发团队如何利用英语代码技术IVP02d人工智能工作站开发双向人群热估计的算法应用，并列出相关数据，供您了解IVP02D的推理性能。

人群热估计的DEMO基于pytorch框架，最多可进行2个IPC视频编解码和算法推理；模型的分析过程如下(详见图1):

人群热力学估算流程图1

人口热估算图2

首先通过IPC摄像头采集数据，通过H264数据解码成YUV数据。然后进入IVP02D对数据进行预处理，将图像转换成灰度图像输入推理单元。该算法支持INT8和FP16数据精度的模型推理；最后，图像通过HDMI输出显示热图和人数统计，实现时间维度上的人口密度检测。以人群热力学估计效果图为例(详见图2)，白光越强，说明该区域人群密度越高，而白光越暗甚至黑色时，说明人群相对稀少或不存在。整个DEMO模型在IVP02D上处理流畅，充分展示了其高计算能力、强性能、低功耗和良好的兼容性。

IVP02D智能工作站

同时，IVP02D搭载了CAMBRICON寒武纪平台的芯片，与市场主流平台相比，推理准确率更高，推理时间更短。(详见图3)。

推理性能的比较图3

通过人群热估计算法，客户可以应用于视频监控、交通监控、公共安全等领域。实时了解监控区域的人数，防止因人群密度过大造成踩踏等危急情况；此外，人群热估计也适用于商业场景，如商业广场、新零售商店、景点等。用于分析客户、游客等人群的热点区域。