Apr, 2018

利用深度传感器在杂乱场景下进行实时人数统计的基准数据和方法

PDF
TL;DR本文提出了用于智能交通系统中真实世界杂乱场景下人数自动计数的方法，其基于 RGB-D 数据集，使用深度视频的点云计算方法、3D 人体模型和轨迹跟踪来计数，得到高精度的计数结果。
vision-basedpeople countingrgb-d datasetreal-world cluttered scenestrajectory identification
发现论文，激发创造
  • 使用混合多摄像头方法在拥挤与室外场景中进行人数统计

    本研究提出两种新方法用于在拥挤和开放环境下进行人群计数，利用多个视图收集的信息，结合使用多个相机。多个相机用于扩大视野并缓解单个相机计数方法常常受到的遮挡的问题。两种方法都能够统计场景中人员的数量而不仅仅是单帧图像或视频帧。在基准 PETS2009 视频数据集上获得的实验结果表明，所提出的间接方法 surpasses 其他方法，提供了拥挤场景的准确计数结果；然而，由于后者需要解决更复杂的问题（如头部分割），因此直接方法表现出较高的误差率。

    Apr, 2017

  • 深度多摄像头人体检测

    通过使用深度学习算法解决多视角人员占用地图估计问题，并构建一个利用多个视频流的架构，将其联合利用，从而在 PETS 2009 数据集上大幅度优于现有方法。

    Feb, 2017

  • 基于 3D 视觉传感器的双向自动人数计数器原型

    基于 RGB-D 传感器的双向人数计数系统，能够实时检测场馆内的人员数量，辅助安全监控并检查场馆的最大容量，支持统计分析和使用 C++、Python 和 PHP 进行图像处理。

    Mar, 2024

  • STCrowd: 拥挤场景中行人感知的多模态数据集

    为了更好地评估拥挤场景下的行人感知算法，我们引入了一个大规模多模态数据集 STCrowd，并提出了一种新的方法 DHA 来增强拥挤场景中的行人感知。实验表明，我们的方法在各种数据集上均取得了最先进的性能。

    Apr, 2022

  • 密集群众中的行人头部追踪

    该研究提出一种基于头部检测和轨迹跟踪的算法来解决人群密度大的环境下的行人追踪问题，并提出了一种新的衡量算法效果的指标，并在 Crowd of Heads Dataset（CroHD）上进行了比较，表现优异。

    Mar, 2021

  • 拥挤区域人数的强大双向算法

    该研究论文主要研究人群计数系统在拥挤场所的实际应用，通过对路径上人群方向进行 blob 评估以准确计数人流的方法，以便在发生灾难时统计区域内的人口并采取相应措施。

    Nov, 2023

  • 估计人流以更好地计算拥挤场景中的人数

    本文提出了一种基于人流推断的人群计数方法，利用了视频序列中的时间连续性和人流、光流之间的相关性，比当前最先进的方法在五个基准数据集上性能表现都更好。

    Nov, 2019

  • 跨模态协同表示学习与用于人群计数的大规模 RGBT 基准

    本篇研究通过使用 RGBT 图像和多模态协作表征学习框架来实现人群计数，并提供一个大规模 RGBT 人群计数基准测试数据集，研究表明该框架在 RGBT 人群计数和多模态人群计数方面表现优异。

    Dec, 2020

  • 高密度场景下全卷积人群计数

    本文介绍了一种利用计算机视觉技术进行高密度场景下人群计数的方法，使用了全卷积人群计数模型来提高计数准确性和稳健性，并设计了数据增强和多尺度平均等技巧来提高模型的适应性和广泛适用性

    Dec, 2016

  • 实时 3D 深度多摄像头追踪

    本文提出了一种基于深度神经网络的多摄像头的实时人物追踪方法，该方法通过地点网络、快速精确的在线跟踪器等多个模块实现了实时性高、追踪效果优秀的实时多摄像头 3D 人物追踪。

    Mar, 2020