Metro passenger counting and density estimation are crucial for traffic scheduling and risk prevention. Although deep learning has achieved great success in passenger counting, most existing methods ignore fundamental appearance information, leading to density maps of low quality. To address this problem, we propose a novel counting method called “dilated-transposed fully convolution neural network” (DT-CNN), which combines a feature extraction module (FEM) and a feature recovery module (FRM) to generate high-quality density maps and accurately estimate passenger counts in highly congested metro scenes. Specifically, the FEM is composed of a CNN, and a set of dilated convolutional layers extract 2D features relevant to scenes containing crowded human objects. Then, the resulting density map produced by the FEM is processed by the FRM to learn potential features, which is used to restore feature map pixels. The DT-CNN is end-to-end trainable and independent of the backbone fully convolutional network architecture. In addition, we introduce a new metro passenger counting dataset (Zhengzhou_MT++) that contains 396 images with 3,978 annotations. Extensive experiments conducted on self-built datasets and three representative crowd-counting datasets show the proposed method achieves superior performance relative to other state-of-the-art methods in terms of counting accuracy and density map quality. The Zhengzhou MT++ dataset is available at https://github.com/YellowChampagne/Zhengzhou_MT.

地铁乘客计数和密度估算对于交通调度和风险预防至关重要。尽管深度学习在乘客计数方面取得了巨大的成功，但是大多数现有方法都忽略了基本的外观信息，从而导致了低质量的密度图。为了解决这个问题，我们提出了一种新颖的计数方法，称为“扩张转置全卷积神经网络”（DT-CNN），该方法结合了特征提取模块（FEM）和特征恢复模块（FRM）来生成高质量的密度绘制地图并准确估算高度拥挤的地铁场景中的乘客人数。具体来说，FEM由CNN组成，一组扩展的卷积层提取与包含拥挤的人类物体的场景相关的2D特征。然后，由FEM生成的最终密度图由FRM处理，以学习潜在特征，该特征用于还原特征图像素。DT-CNN是端到端可训练的，并且独立于骨干完全卷积网络体系结构。此外，我们引入了一个新的地铁乘客计数数据集（Zhengzhou_MT ++），其中包含396张带有3978个注释的图像。在自建数据集和三个代表性人群计数数据集上进行的广泛实验表明，相对于其他最新方法，该方法在计数准确性和密度图质量方面具有更高的性能。郑州MT ++数据集可从https://github.com/YellowChampagne/Zhengzhou_MT获得。DT-CNN是端到端可训练的，并且独立于骨干完全卷积网络体系结构。此外，我们引入了一个新的地铁乘客计数数据集（Zhengzhou_MT ++），其中包含396张带有3978个注释的图像。在自建数据集和三个代表性人群计数数据集上进行的广泛实验表明，相对于其他最新方法，该方法在计数准确性和密度图质量方面具有更高的性能。郑州MT ++数据集可从https://github.com/YellowChampagne/Zhengzhou_MT获得。DT-CNN是端到端可训练的，并且独立于骨干完全卷积网络体系结构。此外，我们引入了一个新的地铁乘客计数数据集（Zhengzhou_MT ++），其中包含396张带有3978个注释的图像。在自建数据集和三个代表性人群计数数据集上进行的广泛实验表明，相对于其他最新方法，该方法在计数准确性和密度图质量方面具有更高的性能。郑州MT ++数据集可从https://github.com/YellowChampagne/Zhengzhou_MT获得。在自建数据集和三个代表性人群计数数据集上进行的广泛实验表明，相对于其他最新方法，该方法在计数准确性和密度图质量方面具有更高的性能。郑州MT ++数据集可从https://github.com/YellowChampagne/Zhengzhou_MT获得。在自建数据集和三个代表性人群计数数据集上进行的广泛实验表明，相对于其他最新方法，该方法在计数准确性和密度图质量方面具有更高的性能。郑州MT ++数据集可从https://github.com/YellowChampagne/Zhengzhou_MT获得。