A estimativa e contagem de densidade de multidões referem-se à contagem da distribuição e quantidade de pessoas em cenários lotados, sendo de grande importância para sistemas de segurança, controle de tráfego, entre outros. Para resolver os problemas de dificuldade na extração de características em imagens de alta densidade, dificuldade na obtenção de informações semânticas espaciais e fusão insuficiente de características na estimativa de densidade de multidões, este artigo propõe um método de estimativa de densidade de multidões por agregação de informações multivariadas (Multivariate Information Aggregation, MIA). Primeiramente, foi projetada uma rede de extração de informações multivariadas, utilizando o VGG-19 como rede base para aumentar a profundidade da extração de características, adotando uma estratégia de supervisão semântica em múltiplas camadas para codificar características de baixo nível e melhorar a expressão semântica, e enriquecendo a representação espacial das características de alto nível por meio da incorporação de informações espaciais; em seguida, uma rede de agregação de informações contextuais em múltiplas escalas foi projetada, utilizando duas estruturas leves de pooling piramidal espacial dilatado com convolução com passo (Simplify-atrous spatial pyramid pooling, S-ASPP), para realizar a agregação global de informações contextuais em múltiplas escalas e aliviar a redundância dos parâmetros do modelo; por fim, a convolução com passo foi adotada na extremidade da rede para acelerar a velocidade de execução sem afetar a precisão. Experimentos comparativos foram realizados nos conjuntos de dados ShanghaiTech, UCF-QNRF e NWPU. Os resultados mostram que o MAE e o MSE na parte A do típico conjunto de dados ShanghaiTech foram 59,4 e 96,2, respectivamente, e na parte B foram 7,7 e 11,9; no conjunto de dados multivisual de altíssima densidade UCF-QNRF, o MAE foi 89,3 e o MSE 164,5; no conjunto NWPU, o MAE foi 87,9 e o MSE 417,2. O método proposto apresentou um certo aprimoramento em desempenho em relação aos métodos comparados, e os resultados da aplicação em cenários reais validaram a boa eficácia do método.

estimativa de densidade de multidões; supervisão semântica; incorporação de informações espaciais; agregação de informações; convolução com passo