密集群众中的行人头部追踪
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
该论文提出了一种名为 PedHunter 的有效和高效检测网络,引入了强大的遮挡处理能力来检测拥挤场景中的行人,采用掩码引导模块增强骨干网络的特征表示学习,改进正样本的质量提高分类准则,采用模拟遮挡数据来提高遮挡鲁棒性,在三个行人检测数据集上取得了最先进的结果,并发布了一个包含超过 162k 高质量手动标记实例的新行人数据集 SUR-PED,以便于进一步研究监视场景中的遮挡行人检测。
Sep, 2019
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
本文介绍了一个新的数据集 CrowdHuman,用于更好地评估人群场景中的探测器,该数据集包含各种各样的遮挡问题,通过对比先前的数据集,展示了在 Cross-dataset generalization 方面的表现。
Apr, 2018
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。
Apr, 2018
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
本文提出一种新的遮挡感知 R-CNN (OR-CNN) 检测算法来提高人群中行人检测的准确率,其中使用的新型聚合损失来将建议的探测框紧密地与相应的对象定位;使用新的部分遮挡感知 ROI 池化单元来整合人体结构的前期结构信息以及可见性预测到网络中来处理遮挡,此检测器在三个行人检测数据集上达到了最新的结果,并且在 Caltech 上与最新技术持平。
Jul, 2018
提出了一种多相机 3D 行人检测方法,该方法不需要使用目标场景的数据进行训练,通过基于人体姿势和来自现成单目检测器的人物包围框的新启发式方法在地面平面上估计行人位置,然后将这些位置投影到世界地面平面,并用新的团覆盖问题公式进行融合,同时还提出利用域通用的行人再识别模型在融合期间对行人外貌的选择性步骤,评估表明,在具有挑战性的 WILDTRACK 数据集上,所提出的方法获得了 0.569 的 MODA 和 0.78 的 F 分数,优于现有的最先进的通用检测技术。
Apr, 2021
使用适应性粒子滤波和多智能体运动模型的实时算法,可通过高清人群视频数据集计算人群中每个行人的轨迹,本方法比之前技术快 4-5 倍,并且仅需桌面 CPU 即可在交互速率下跟踪十多个行人。
Feb, 2014