高密度人群中的多人跟踪ppt课件.pptxVIP

高密度人群中的多人跟踪 2013 05 08 Contents IntroductionRelatedworkHumanheaddetectionHumanheadtrackingExperimentalevaluationConclusion Introduction 监控视频广泛应用 公共场所的监控 管理 安全防护监控视频的人工分析困难 行人检测跟踪 行为识别 异常检测 丢失行李检测高密度人群中多人检测跟踪 内部遮挡 自遮挡 反射 阴影 传统的方法依靠背景模型 部分身体检测或体型 Introduction 本文提出通过头来检测和跟踪行人 相机放在一定的高度 人头检测器基于HaarLike特征的Adaboost分类器算法 累加式估计头平面线性最小二乘 粒子滤波行人跟踪 confirmation by classification方法数据关联和遮挡处理 Relatedwork Reid 基于物体检测的跟踪 利用外表 尺寸 运动信息度量检测物和轨迹的相似性 最优匹配 数据关联 Mittal 多视场方法 不同摄像机的信息组合消除遮挡影响 Zhao 基于背景模型的方法 孤立的行人 小密度人群适合 Humanheaddetectionandtracking Humanheaddetection 离线训练 AdaBoost级联分类器在Harr like特征上 Haar like特征 Haar特征分为三类 边缘特征 线性特征 中心特征和对角线特征特征数值计算公式 Haar like特征 积分图 将图像从起点开始到各个点所形成的矩形区域像素之和作为一个数组的元素保存在内存中构造积分图像 每个点存储是其左上方所有像素之和 初始条件 Humanheaddetection 从头部的2D坐标求出3D坐标 Humanheaddetection 头平面的线性估计 对于获得的一些3D点 计算平面参数 最小化目标函数 RANSAC Humanheaddetection Humanheaddetection Humanheadtracking 粒子滤波器 初始采样 粒子权值更新越接近目标真实状态的粒子会被赋予越大的权值 反之 被赋予较小的权值 Humanheadtracking 重采样 状态确定每一个粒子都有各自确定的权值W和状态X Humanheadtracking 运动模型二阶自回归动态模型 呈高斯圆形分布 Humanheadtracking Humanheadtracking Confirmationbyclassification recoveryfrommisses Breitenstein 只初始化图像边缘区域的跟踪器高密度人群中会有漏检 在图像的所有区域搜索新的头新检测到的头与先前跟踪的头的距离 C的认为是相关联的 否则建立一个新的轨迹C的大小设定为检测窗口宽度的75 Humanheadtracking dataassocation基于检测的跟踪 1 计算新检测的头与已经存在的轨迹的相似性color size position motionfeatures 2 高密度人群中 大多数场景在运动 遮挡问题很严重 3 使用粒子滤波器为每个轨迹搜索头距离最大可能性的粒子的距离 C处发现检测 确定这个轨迹 把这个检测到的头和这个轨迹相关联 否则认为这个轨迹在这帧中被遮挡 Humanheadtracking Experimentalevaluation 训练数据 正样本5396幅16X16负样本4187幅 正样本5396幅10X10 Experimentalevaluation 实现细节 轨迹初始化和结束 标志管理 累加式平面估计 Experimentalevaluation 评价标准 Groundtruth GT Mostlytracked MT Partiallytracked PT Mostlylost ML Fragments Frag IDswitches IDS Falsetrajectories FAT Experimentalevaluation Detectionresults 单帧 Mochit Experimentalevaluation Wholesequence Mochit 结论 头平面估计对于过滤错误的检测很有效 Experimentalevaluation Trackingresults Mochit 20粒子 头 Experimentalevaluation CAVIAR 20粒子 头 Conclusion 本文提出了一个全自动的在复杂的高密度人群中检测和跟踪多个行人的算法