Spatio-temporal crowd density model in a human detection and tracking framework

اخیرا پیشرفت قابل توجهی در زمینه تشخیص و ردیابی افراد صورت گرفته است. با این حال، صحنه های شلوغ باقی می ماند به خصوص چالش برانگیز و می تواند عمیقا بر نتایج به دلیل تشخیص همپوشانی و انسداد پویا. در این مقاله، ما یک روش برای افزایش تشخیص و ردیابی انسان در صحنه های شلوغ ارائه می دهیم. این براساس معرفی اطلاعات اضافی در مورد جمعیت و ادغام آن به دستگاه کشف پیشرفته است. این نشانه اطلاعات اضافی شامل مدل سازی پویایی زمان متغیر چگالی جمعیت با استفاده از ویژگی های محلی به عنوان مشاهده یک تابع احتمالی است. همچنین شامل یک مرحله ردیابی ویژگی است که اجازه می دهد تا عناصر ویژگی های متصل به پس زمینه را حذف کند. این فرایند برای تخمین چگالی بعد مفید است، زیرا تأثیر ویژگی های غیر مرتبط با تراکم جمعیت اصلی حذف شده است. رویکرد پیشنهادی ما با استفاده از این اندازه گیری چگالی جمعیت، پارامترهای پویایی صحنه سازگار را اعمال می کند. این همچنین شامل یادگیری خود سازگارانه نسبت ابعاد انسانی و ارتفاع درک شده به منظور کاهش تشخیص های غلط مثبت است. پس از آن بهبود یافته تشخیص ها به منظور افزایش کارایی ردیابی در یک چارچوب ردیابی توسط تشخیص استفاده می شود. رویکرد پیشنهادی ما برای شناسایی افراد بر روی فیلم ها از مجموعه داده های مختلف ارزیابی می شود و نتایج نشان می دهد مزایای استفاده از تراکم جمعیت و محدودیت های هندسی در فرایند تشخیص. همچنین تأثیر آن بر نتایج ردیابی به صورت تجربی ثابت شده است که نشان دهنده نتایج خوب است.