亲,“电路城”已合并到全星升级的「与非网」。了解新「与非网」

  • 方案介绍
  • 相关文件
  • 相关推荐
  • 电子产业图谱
申请入驻 产业图谱

该项目的重点是用于视频监控的实时强大的人体检测和跟踪系统,可在不同情况下使用。

概述/使用
该系统由两部分组成,首先是人体检测,其次是跟踪。早期的研究偏向于人类识别而不是跟踪。监测人类的运动提出了跟踪的需要。监测运动对于确定人的活动和了解人的注意力非常重要。该项目侧重于人员检测和跟踪。

  • 身份检索 - 人的跟踪可用作生物特征人脸识别的先行步骤。持续跟踪人员将允许随时识别人员。因此,即使在特定的一组帧中无法识别他的面部,也可以找出他的身份。这在异常检测的情况下非常有用,因为当检测到异常时,人的脸可能不会面向相机。因此,在跟踪他的身份的帮助下,可以揭示。
  • 降低计算能力要求 - 正常的对象检测算法只检测 Person,但不为 Person 分配 Id,因此必须在每一帧中运行才能获得边界框。跟踪将有助于减少必须运行检测算法的次数,即我们可以每 5 帧运行一次检测算法,而不是每帧运行检测算法。

对象检测模型故障补偿 - SSD 可能无法检测到人的某些姿势。即使是遮挡也会对检测器产生很大的影响,这就是跟踪算法对我们有很大帮助的地方。
方法论/方法
这里提出的方法分为2个主要部分

  • 人员检测 - 实时人员检测是在 Single Shot MultiBox Detector 的帮助下完成的。SSD 实现了 75.1%的 mAP,优于同类最先进的 Faster R-CNN 模型。并且 SSD 模型在 Tensorflow 检测动物园中可用。SSD 与 tensorflow 的无缝集成有助于算法的进一步优化和实现。SSD 对象检测由两部分组成:(i) 提取特征图,(ii) 应用卷积滤波器来检测对象。
  • 尽管 SSD 能够检测帧中的多个对象,但在这个项目中,我将其检测限制为仅限于人类。
  • 人员跟踪 - 通过在每一帧中运行对象检测模型,可以在对象/人周围实现边界框,但这在计算上是昂贵的。

这里使用的跟踪算法是卡尔曼滤波。卡尔曼滤波器长期以来一直被认为是许多跟踪和数据预测任务的最佳解决方案。它在视觉运动分析中的应用。过滤的目的是从信号中提取所需的信息,忽略其他一切。在这个项目中,卡尔曼滤波器接收到人的速度、位置和方向,这有助于它根据人之前的数据预测人的未来位置。

缺陷

跟踪部分在遮挡时仍然面临一些问题。

使用的技术
在 Nvidia Jetson TX2 上实现 (~20FPS) Quadro 4000 power PC (~30FPS )

本方案更多详细资料可在附件中下载查看

以上内容翻译自网络,原作者:Neeraj M,如涉及侵权,可联系删除。

  • 1__klhur60rbm8w0mavr2fkq_hFr4rOAkfQ.png
    2下载
    描述:卡尔曼滤波器背后的逻辑
  • Person-Detection-and-Tracking-master.zip
    2下载
    描述:代码

相关推荐

电子产业图谱