Personen-Erkennung und-Tracking
Will ich tun, Fußgänger-Detektion und tracking.
Eingang: Video-Stream von CCTV-Kamera.
Ausgabe:
- #(keine) Leute gehen von Links nach rechts
- # die Leute gehen von rechts nach Links
- # Keine. der Menschen in der Mitte
Was habe ich bisher getan:
Für die Fußgänger-Detektion-ich bin mit HOG und SVM. Die Erkennung ist anständig mit hohen falsch-positiv-rate. Und es ist sehr langsam wie ich laufen in der android-Plattform.
Frage:
Nach der Entdeckung, wie berechne ich die benötigten Werte oben aufgeführt. Kann mir jemand sagen, was ist die tracking-Algorithmus ich verwenden, und jeder gute Algorithmus für die Fußgänger-Detektion.
Oder sollte ich den tracking-Algorithmus? Gibt es eine Möglichkeit, ohne es zu tun?
Alle Verweise auf codes/blogs/technische Papiere geschätzt wird.
Plattform: C++ & OpenCV /android.
--Danke
Hat Ihre cctv-Kamera ist eine IP? WENN ja ist es möglich mit opencv.
Nein. Normale CCTV-Kabel mit.
Diese website könnte dir helfen: geocities.ws/talh_davidc
InformationsquelleAutor 2vision2 | 2013-05-21
Du musst angemeldet sein, um einen Kommentar abzugeben.
Ist das irgendwie in der Nähe zu Forschungs-problem.
Haben möchten Sie vielleicht einen Blick auf diese website sammelt eine Menge von Referenzen.
Insbesondere die Arbeit der Gruppe aus Oxford präsentieren darin ist ziemlich nah an, was Sie tun, da Ihre Verwendung von HOG für die Erkennung. (Die Arbeit wurde sehr erhellend für mich).
Die EPFL und Forschungszentrum Jülich haben als auch arbeiten auf dem Gebiet getan.
Möglicherweise möchten Sie auch zu geben, einen Blick auf rezension beschreibt mehrere Erkennung/tracking-Techniken, oft mit Varianten der HOG-Algorithmus.
InformationsquelleAutor Acorbe
Zusammen mit @Acorbe Antwort, ich schlage vor, die Rubrik "publications" der diese website.
Einen neuere arbeiten am Ende des letzten Jahres erschien auch eine code-Basis hier:
https://bitbucket.org/rodrigob/doppia
Gab es auch schon früher Fußgänger-Detektor arbeitet, veröffentlicht code:
https://sites.google.com/site/wujx2001/home/c4
http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians
InformationsquelleAutor bjou
Die besten Genaueste Art und Weise ist die Verwendung von tracking-Algorithmus anstelle von Statistik Aussehen Zählung der ankommenden Menschen und die Erkennung aufgetreten ist Links, rechts und Mitte..
Sie können erweiterte statistische Modelle.. , produzieren, wie viele Eingänge die Herstellung einer der Ausgänge und zurück überprüfen von Ausgang Erkennung der Eingabe.
Meine Erfahrung ist, dass die überwachung führt zu besseren Ergebnissen als der Ansatz oben. Aber ist auch etwas kompliziert. Wir sprechen über multi-target-tracking, wenn der kritische ist-match-Erkennung, die mit Modell verfolgt werden sollten-update basierend auf der Erkennung. Wenn das tracking ist abgestimmt mit dem falschen Modell. Die Probleme sind da.
Hier auf youtube, die ich entwickelt habe einige multi-target-tracker von einfachen LBP Menschen-Detektor, aber multi-Modell und kalman-filter für das tracking. Beide Funktionen sind in opencv. Sie müssen, wenn etwas erkannt wird, erstellen Sie neue kalman-filter-für jedes Objekt und aktualisieren Sie, falls Sie übereinstimmen, gleichen Erkennung. Voraussagen bei der Aufdeckung ist hier nicht im Rahmen und entfernen Sie auch das Kalman-ich es ist nicht notwendig, um die Spur nicht mehr.
1 Erkennen
2 Match-Erkennungen mit kalmans, Ungarische Algorithmus und l2-norm. (zum Beispiel)
3 Viel Arbeit. Entscheiden Sie, ob kalman sollte eingerichtet werden, zu entfernen, zu aktualisieren oder die Ergebnisse nicht erkannt werden, und soll vorhergesagt werden. Das ist viel Arbeit hier.
Rein statistische Ansatz ist weniger genau, die zweite ist für die Erfahrung der Menschen, die mindestens einen Monat von Codierung und 3-Monats-tuning.. Wenn Sie brauchen, schneller zu sein und Ihre Ressourcen sind sehr begrenzt. Sie können von smart Statistik erreichen Sie Ihre Ergebnisse durch Reine Erkennung viel schneller und etwas weniger präzise. Die Menschen beurteilen, die Bild-und video-tracking auch multi-target-tracking ist in der Lage zu schlagen menschlichen. Versuchen Sie zu zählen und registrieren jede person im video und Zählung beendet-Punkt. Sie sind nicht in der Lage, dies zu tun, in einigen Menschen. Ist es wirklich bereut, was Sie wollen, die Anwendung, die Kunden, die Sie haben, und Ergebnisse, die Sie zeigen den Kunden. Wenn diese 4 zahlen Einkommen, Links, rechts, Mitte und Ihre Fehler 20 Prozent ist noch viel mehr als eine langweilig kleine bezahlt guard sollte erreicht, indem den ganzen Tag lang zu zählen..
https://www.youtube.com/watch?v=d-RCKfVjFI4
Finden Sie auf meinem BLOG Einige Daten für die Personen-Erkennung und Auto-Erkennung auf meinem blog gleich als Skript für das lernen-Ideen, tutorials und tracking-Beispiele..
Opencv blog-tutorials, code und Ideen
Ich habe viel code, Kaskaden auf meinem blog. Nicht eine gesamte Lösung ist veröffentlicht auf blog. Ich habe meine eigene Lösung. Ich nicht arbeiten seit fast einem Jahr.
InformationsquelleAutor globalex
Können Sie KLT für diesen Zweck, da dies wird Ihnen sagen, den Fluss der Reisenden person von Links nach rechts, dann können Sie berechnen, die durch die computing-Linie Länge, die im vorliegenden Beispiel ist gezeichnet mit
cv2.line
Sie verwenden können input-Parameter dieser Funktionen zu berechnen, Ihren Fall etwas mit Mathe zu tun. wenn es einen Fluss der Pixel von Links nach rechts das ist Fall 1 oder von rechts nach Links, dann Fall 3 und für "no flow" - Fall 2. Oder Sie können mit diesem basic-tutorial zu verfolgen, Objekt-Bewegung. LINKInformationsquelleAutor Talha Farooq