Embodied Crowd Counting Dataset (ECCD)

Embodied Crowd Counting Dataset (ECCD)是由哈尔滨工业大学（深圳）和香港城市大学联合创建的一个大型户外人群计数数据集。该数据集支持60个不同的大型户外场景，每个场景覆盖面积可达40,000平方米，目标数量可达15,000个。数据集采用泊松点过程来模拟真实的人群分布情况。ECCD旨在为人群计数研究提供一个具有交互能力的测试环境，支持大规模户外场景和大量目标的多样性分布，可用来评估和设计新型的人群计数算法。Embodied Crowd Counting Dataset (ECCD) was jointly developed by Harbin Institute of Technology (Shenzhen) and City University of Hong Kong as a large-scale outdoor crowd counting dataset. It includes 60 distinct large-scale outdoor scenarios, each spanning up to 40,000 square meters and accommodating up to 15,000 targets. The dataset utilizes Poisson point processes to simulate realistic crowd distributions. ECCD aims to provide an interactive test environment for crowd counting research, supporting large-scale outdoor scenarios and diverse distributions of massive targets, and can be employed to evaluate and design novel crowd counting algorithms.

搜集汇总

数据集介绍

构建方式

Embodied Crowd Counting Dataset (ECCD) 的构建方式采用了 Unreal Engine 4，这是一个支持可编程环境构建的平台，能够提供丰富和可扩展的场景。数据集包含了60个不同的环境，每个场景覆盖面积高达40,000平方米，目标数量可达15,000。为了模拟真实的大规模户外人群场景，ECCD 使用了泊松点过程来建模人群数量分布。此外，数据集还考虑了复杂结构建筑的模拟，如多层建筑和看台。这种构建方式确保了 ECCD 能够反映现实中的挑战，并能够用于算法设计和评估。

使用方法

使用 ECCD 进行人群计数的方法主要包括三个步骤：主动自顶向下探索（ATE）、基于法线的导航（NLBN）和精细检测与计数（FDC）。ATE 用于调整代理的飞行高度，以进行高效的人群分布估计。NLBN 用于选择优化的导航点，以便进行精确的人群观察。FDC 利用 NLBN 生成的导航点进行精细的目标检测和计数。使用 ECCD 进行人群计数的方法可以有效地解决人群计数中的遮挡和多尺度复杂性问题，并提供准确的人群计数结果。

背景与挑战

背景概述

Embodied Crowd Counting Dataset (ECCD) 是为了解决传统人群计数方法中遮挡和多尺度复杂性的挑战而创建的。该数据集由哈尔滨工业大学（深圳）和香港城市大学的研究团队开发，旨在为具有互动能力的大型户外人群场景提供数据支持。ECCD 数据集的特点是场景规模大、人群数量多，并且采用了先验概率分布来模拟真实的人群分布情况。该数据集的创建为人群计数领域带来了新的研究方向，即结合具身导航方法来提高计数精度和探索效率。

当前挑战

ECCD 数据集和相关研究面临的主要挑战包括：1) 遮挡问题：人群计数中，重叠和不可见性是遮挡问题的两个方面。传统的基于被动相机的方法难以完全感知环境，限制了它们解决遮挡问题的能力。2) 大规模场景的探索：现有的具身导航方法大多针对室内导航，对于分析大规模场景中的复杂人群分布，其性能未知。3) 数据集的构建：现有的具身导航数据集大多为室内场景，规模和物体数量有限，无法用于密集人群分析。ECCD 数据集的构建需要解决这些问题，以确保其在人群计数领域的实用性和有效性。

常用场景

经典使用场景

Embodied Crowd Counting Dataset (ECCD) 是一个用于模拟大型户外人群场景的交互式数据集，旨在解决传统人群计数方法在遮挡和多尺度复杂场景中面临的挑战。该数据集支持60个独特和多样化的场景，每个场景覆盖面积高达40,000平方米，目标数量高达15,000个。ECCD 使用先验概率分布来模拟人群数量分布，近似真实人群情况。基于此平台，我们开发了一种名为 Zeroshot Embodied Crowd Counting (ZECC) 的方法来进行人群计数。ZECC 使用主动相机设置来解决人群计数的根本挑战，将检测任务转化为探索任务，并利用多模态大型语言模型 (MLLM) 来分析周围环境并规划Z轴探索，利用6自由度 (6-DoF) 的优势来避免低空障碍物并获得边界视野，从而实现高效的探索。ZECC 还包含一个基于法线的导航机制，用于精确计数。该机制将复杂的人群分布转移到简单的表面上，然后使用表面的法线来生成精细的观察点，以减少遮挡的影响并提高人群计数的准确性。

解决学术问题

ECCD 解决了传统人群计数方法在遮挡和多尺度复杂场景中面临的挑战。传统的基于被动相机的方法无法完全感知环境，限制了它们在人群计数任务中的有效性。ECCD 通过引入主动相机设置和交互式场景，为解决遮挡问题提供了新的思路。此外，ECCD 还提供了大型户外场景和大量目标，为密集人群分析提供了新的可能性。ZECC 方法通过使用主动探索和基于法线的导航机制，有效地解决了遮挡和多尺度复杂场景中的人群计数问题，提高了计数准确性和导航成本之间的平衡。

实际应用

ECCD 和 ZECC 方法在实际应用中具有广泛的应用前景。例如，在公共安全领域，ZECC 可以用于监控大型活动中的拥挤情况，及时预警并采取措施，以确保人员安全。在交通管理领域，ZECC 可以用于分析交通流量，优化交通信号灯控制，提高交通效率。在城市建设领域，ZECC 可以用于评估城市公共空间的使用情况，为城市规划提供数据支持。此外，ZECC 还可以用于无人机的自主导航和目标检测，例如在农业监测、环境监测等领域。

数据集最近研究

最新研究方向

在人群计数领域，Embodied Crowd Counting Dataset (ECCD)的提出为解决遮挡问题带来了新的思路。ECCD数据集提供了一个大型的交互式模拟器，支持大规模场景和大量人群，并使用泊松点过程来模拟真实的人群分布。基于ECCD，研究者提出了Zero-shot Embodied Crowd Counting (ZECC)方法，该方法通过主动相机设置和基于多模态大型语言模型（MLLM）的粗到细导航机制，实现了对远距离未探索区域的精确检测。此外，ZECC还采用了基于法线的导航方法，通过计算导航点来消除遮挡和增强可见性。实验结果表明，ZECC在计数精度和导航成本之间取得了最佳平衡，为人群计数领域的前沿研究提供了重要的参考。

相关研究论文

• Embodied Crowd Counting

  哈尔滨工业大学（深圳）, 香港城市大学 · 2025年