Jul, 2020

基于人群密度图中的网络流量的目标多目标追踪算法

PDF
TL;DR本文提出了一种新的基于人群密度图的多目标追踪（MOT）算法 —— 计数式追踪。通过联合建模检测、计数和跟踪多个目标为网络流算法，该算法同时找到全局最优的多个目标检测和轨迹。该方法在人员、细胞和鱼群跟踪等各领域的公共基准测试中表现出了良好的结果。
multi-object trackingcrowded scenestracking-by-countingcrowd density mapsnetwork flow program
发现论文，激发创造
  • MapTrack：在地图中的跟踪

    在本文中，我们提出了一种名为 MapTrack 的方法，利用概率图、预测图和协方差自适应卡尔曼滤波器的三个轻量级插件算法，通过增强经典跟踪器 DeepSORT 在拥挤和遮挡场景中的鲁棒性，实现在常用的多目标跟踪基准集（如 MOTS17 和 MOT20）上的最先进效果。

    Feb, 2024

  • 通过人流估算人数

    通过人流量而非直接回归进行人口密度估计，从而在空间和时间上施加人口保护约束，提高深度人群计数模型性能并在主动学习环境下显著减少注释成本。

    Dec, 2020

  • FlowMOT：基于场景流的三维多目标跟踪

    本文提出了一种基于 LiDAR 的三维多目标跟踪框架 FlowMOT，该框架结合了点运动信息和传统的匹配算法，通过使用匈牙利算法生成最优匹配关系来完成跟踪任务。实验结果表明，该方法胜过最近的端到端方法，并且在各种速度场景下可以稳定地工作。

    Dec, 2020

  • 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

  • 无人机在人群中的检测、跟踪和计数：一个基准测试

    通过新构建的无人机大规模数据集 DroneCrowd，该研究设计了一种名为 STNNet 的算法，旨在解决密集人群中的物体检测、跟踪和计数。该算法借助空间 - 时间领域中下文信息处理相机拍摄的无人机视频，并通过邻域上下文丢失函数解决密集人群中的物体检测跟踪问题，并取得最先进技术方案的竞争结果。

    May, 2021

  • 聚集场景中通过头部聚焦处理高度遮挡问题的密集人群跟踪

    本研究中，我们提出了一种联合检测深度学习模型，用于解决在高密度人群中识别和跟踪行人的问题，实验数据表明，该模型在小型和中型行人检测方面取得了最先进的结果。

    Apr, 2023

  • 超越计数：应用于人群分析任务的密度地图比较 —— 计数、检测和跟踪

    研究密度图估算在拥挤场景中对人群分析（计数、检测和跟踪）的性能及其质量评估指标，探讨使用经典卷积神经网络和滑动窗口回归器解决下采样步长导致分辨率下降的问题，发现分辨率低的密度图在计数任务中得分较高，而分辨率高的密度图则可以提高检测和跟踪等位置精度任务的性能，并提出了多项性能指标。

    May, 2017

  • 流动融合的多目标跟踪

    本文设计了一种名为 FFT 的端到端 DNN 跟踪方法，采用流动目标和融合目标两种有效技术，其中 FlowTracker 探索复杂的目标运动模式，而 FuseTracker 从 FlowTracker 和检测器中细化和融合目标，在多个 MOT 基准测试中均取得了最先进的结果。

    Jan, 2020

  • TrackFlow: 多目标跟踪与归一化流

    通过概率建模解决多目标追踪中的多模态信息融合问题，提高了多个基于检测的追踪算法的性能。

    Aug, 2023

  • 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