보행자 계산 알고리즘

현재 보행자 카운터 프로젝트를 개발 중입니다 (Linux에서 OpenCV + QT 사용). 접근 방식에 대한 나의 아이디어는 다음과 같습니다.

1. 프레임 캡처
2. 백그라운드 빼기
3. 맑은 소음 (침식, 팽창)
4. 얼룩 찾기 (cvBlobslib)-전경 객체
5. 각 Blob에 대해 ROI를 설정하고이 Blob에서 보행자 (DetectMultiScale이있는 LBP)를 검색하십시오 (성능 향상).
6. 찾은 보행자마다 중첩 된 상체 검색 (확실하지 않음)을 수행하십시오 (신뢰성 향상)
7. 연속 프레임에서 동일한 보행자가 발견되면 (3-4 프레임)-캠 시프트 및 추적에 해당 영역 추가-보행자로 표시
8. 다음 프레임의 얼룩 감지에서 캠 시프트 추적 영역 제외
9. 보행자가 줄 단위를 넘으면

올바른 길을 가고 있는지 확인하고 싶습니다. 내 접근 방식을 개선하는 방법에 대한 제안이 있습니까? 누군가 비슷한 작업을 한 경우이 문제에 대한 유용한 팁, 리소스 (및 비판)에 감사드립니다.

이 방법으로 여러 가지 가능한 문제를 볼 수 있습니다. 나는 매우 유사한 접근 방식으로 보행자 계산 시스템을 개선함으로써 내 자신의 경험에서 이야기하므로 낙담하지 않을 것입니다. 반대로, 정확하고 강력한 시스템을 구축하기 위해 극복해야 할 장애물에 대해 경고하고 싶습니다.

첫째, 백그라운드 뺄셈 은 관심 객체가 항상 움직이고 계산에 관심이없는 객체는 완전히 정지 상태를 유지한다고 가정합니다. 확실히, 이것은 귀하의 시나리오에서 해당 될 수 있지만, 여전히 매우 제한적인 가정입니다. 또한 배경 뺄셈이 조명의 변화에 ​​매우 민감하다는 것을 알았습니다 (지오메트리 칼에 동의합니다).

환경이 잘 관리된다고 생각하더라도 한 블로 브 = 한 사람이라는 가정을 조심하십시오 . 사람들에 해당하는 얼룩이 움직이지 않거나 너무 작기 때문에 감지되지 않은 경우가 너무 자주 발생하여 침식이나 임계 값 기준에 의해 삭제되었습니다 (및 모든 것이 작동 할 때까지 임계 값을 조정하십시오 "트랩. 작동하지 않습니다;)). 한 방울이 함께 걷는 두 사람 또는 일종의 수하물을 들고있는 한 사람에 해당 할 수도 있습니다. 아니면 개 따라서 얼룩에 대해 영리한 가정을하지 마십시오.

운 좋게도, 당신이 사람 감지를 위해 LBP를 사용하고 있다고 언급 했으므로 , 나는 당신이 위 단락에서 실수를하지 않는 올바른 길을 가고 있다고 생각합니다. 그래도 LBP의 효과에 대해서는 언급 할 수 없습니다. HOG (그라디언트 히스토그램)는 사람 감지의 최첨단 방법이라는 것을 읽었습니다 . 인간 감지를위한 방향 그라디언트 히스토그램을 참조하십시오 .

내 마지막 그립은 Camshift 사용과 관련이 있습니다. 색상 히스토그램을 기반으로하므로 추적 창이 충분히 크고 폐색이나 급격한 변화가없는 한 색상으로 구분하기 쉬운 단일 객체를 추적 할 때 자체적으로 잘 작동합니다. 그러나 바로이 매우 유사 색상의 설명을 가질 수 있으며, 이는 여러 대상을 추적 할 필요로 합니다 서로 아주 가까운 이동을, 당신은 단순히 어떻게 든 여러 가설을 유지 할 수있는 알고리즘없이 할 수 없습니다. 이는 MCMCDA (Markov Chain Monte Carlo Data Association)와 같은 프레임 워크 필터 또는 프레임 워크 일 수 있습니다. 다중 대상 추적을위한 Markov Chain Monte Carlo Data Association 참조). 여러 객체를 추적 할 때 Meanshift를 단독으로 사용한 경험은 추적에서 잃어 버릴 수없는 모든 것입니다 : 추적 손실, 대상 혼동, 백그라운드 수정 등. 결국 여러 사람을 세는 것의 핵심 (목표는 추적하지 않기 때문에 "있을 수 있습니다"라고 말하므로 추적하지 않고 계산되는 영리한 접근법의 가능성을 완전히 버리지 않습니다 ...)

조언의 마지막 조각은 다음과 같습니다 거기에만 너무 많은 주어진 접근 할 수는 , 당신은 것입니다 (나는이 점에서 user36624에 동의하지 때문에) 더 나은 성능을 달성하기 위해 애호가 물건을 필요로한다. 이것은 더 강력한 것으로 알고리즘을 변경하거나 아키텍처를 완전히 변경하는 것을 의미합니다. 물론, 어떤 멋진 물건이 당신에게 정말로 유용한 지 알아야합니다. 원칙적으로 문제를 해결하려고 시도하는 출판물이 있지만 다른 사람들은 단순히 주어진 데이터 세트에 대한 알고리즘을 제시하고 실제로 문제에 적합하지 않은 분류기를 훈련시키면서 요구합니다. 몇 가지 임계 값도 조정하십시오. 세는 사람들 은지속적인 연구가 진행될 것이므로 상황이 쉽게 올 것으로 기대하지 마십시오. 자신의 능력을 약간 넘어서는 것을 배우려고 노력한 다음 반복해서하십시오.

나는 어떤 해결책도 제시하지 않았으며 대신 당신의 접근 방식 (모두 내 경험에서 비롯된)의 결함 만 지적했습니다. 영감을 얻으려면 실시간 감시 비디오의 안정적인 다중 대상 추적과 같은 최근 연구를 읽는 것이 좋습니다 . 행운을 빕니다!

나는 당신이 묻는 것은 보행자 알고리즘의 실현 가능성에 관한 것이라고 생각합니다.

이러한 종류의 문제에 대한 두 가지 일반적인 전략이 있습니다.

1. (아래에서 위로) 각 프레임에서 보행자 만 감지하는 순수한 감지 문제로 생각하십시오. 당신이 그들을 감지하면, a) 프레임에서 번호를 계산하는 것은 매우 쉽습니다; b) 연속 프레임에서 이들 중 하나를 추적하는 것도 쉽습니다. 따라서 모든 것을 해결합니다.

2. (위에서 아래로) 연속 프레임의 ROI가 보행자인지 여부를 감지하는 동작 인식 문제로 간주하십시오. 이 문제를 해결하면 탐지 및 추적 문제를 동시에 해결합니다.

휴리스틱 알고리즘이 첫 번째 범주에 있습니다. 나는 당신을 낙담시키고 싶지 않지만 보행자를 감지하는 방법의 요점을 놓칠 수 있습니다. 실제 데이터는 생각보다 복잡 할 수 있기 때문입니다. 예를 들어, 이것이 보행자로 가득 찬 프레임이 지하철 카메라 인 경우 배경을 제거하거나 얼룩을 감지해도 전혀 도움이되지 않습니다. 이 경우 얼굴을 발견하면 보행자를 찾을 수 있으므로 얼굴 인식 및 얼굴 인식 알고리즘을 사용하여 문제를 해결하는 것이 더 합리적 일 수 있습니다. 반면에, 보행자에 대한 귀하의 정의에 따라, 프레임에 모든 사람이 보행자로 취급되는 것은 아닙니다. 이 경우 행동 인식 알고리즘 (두 번째 범주)을 사용하는 것이 합리적 일 수 있는데, 여기서 행동에 따라 보행자를 명시 적으로 정의 할 수 있습니다.

내 경험을 바탕으로 한 몇 가지 팁이 있습니다.

1. 아는 것과 쉽게 집을 수있는 것을 고수하십시오. 멋진 것에 시간을 투자하지 말고 많은 배경이 필요합니다. 날 믿어,이 모든 알고리즘은 어떤 경우에는 좋지만 어떤 경우에는 나쁘다. 따라서 첫 번째는 아무리 좋든 나쁘 든 무언가를 작동시키는 것입니다.

2. 데이터에 대해 자세히 알고 분석법을 결정하십시오. 많은 경우에 문제에 대한 일반적인 설명이 충분하지 않습니다.

3. 아이디어를 보여주고 싶다면 MATLAB을 사용하고 프로토 타입을 만드는 것이 좋습니다.