行人计数算法

#1 楼

我看到这种方法可能会出现很多问题。我从自己的经验谈起，以一种非常相似的方式改进行人计数系统，因此我并不表示灰心。相反，我想警告您可能需要克服的一些障碍，以建立一个准确而强大的系统。

首先，背景减法假定感兴趣的对象将一直在移动，而您不希望计数的对象将保持完全静止。当然，在您的方案中可能是这种情况，但这仍然是一个非常有限的假设。我还发现背景消减对照明的变化非常敏感（我同意几何学）。

谨慎假设一个斑点=一个人，即使您认为您的环境也是如此受到良好控制。经常发生这样的情况，即由于与人相对应的斑点不动或太小而未被发现，因此它们被腐蚀或某些阈值标准删除了（相信我，您不想进入“调整阈值，直到一切正常为止。“陷阱。它不起作用;））。也可能发生的情况是，一个斑点对应于两个人一起散步，或者一个人携带某种行李。或狗。因此，请不要对斑点做出明智的假设。

幸运的是，由于您提到使用LBP进行人身识别，因此我认为您在正确的方向上不会犯上述错误。不过，我不能特别评论LBP的有效性。我还阅读了HOG（梯度直方图）是人们检测的最新方法，请参阅用于人类检测的定向梯度直方图。

我最后的抱怨与使用Camshift有关。它基于颜色直方图，因此，只要跟踪窗口足够大且没有遮挡或突变，它就可以很好地跟踪容易按颜色区分的单个对象。但是，一旦您必须追踪多个目标，这些目标可能具有非常相似的颜色描述，并且彼此之间会非常接近，那么您就无法没有一种算法，该算法以某种方式可以让您维持多个假设。这可以是粒子过滤器，也可以是诸如MCMCDA（马尔可夫链蒙特卡罗数据协会，请参阅马尔可夫链蒙特卡罗数据目标的多目标跟踪）之类的框架。我在跟踪多个对象时单独使用Meanshift的经验是跟踪不应该发生的一切：丢失跟踪，使目标混乱，在后台固定等。请阅读有关多个对象跟踪和数据关联问题的一些信息，这可能是在毕竟，计数多个人的核心（我说“可能是”是因为您的目标是计数而不是跟踪，所以我不会完全舍弃某些聪明的方法而没有跟踪的可能性...）

我的最后一条建议是：使用给定的方法只能做很多事情，并且您将需要更高级的工具才能获得更好的性能（因此在这一点上我不赞成user36624）。这可能意味着通过更强大的功能来更改算法的一部分，或者完全更改体系结构。当然，您必须知道哪种花哨的东西对您真正有用。有一些出版物试图以有原则的方式解决问题，而另一些出版物只是简单地针对给定的数据集提出了一种算法，并期望您训练一个并不真正适合当前问题的分类器，同时要求您还要调整一些阈值。人数统计是一项持续的研究，因此不要指望事情会轻松进行。一定要努力学习一些超出您能力范围的东西，然后一次又一次地做...

我承认我没有提供任何解决方案，而只是指出了缺陷您的方法（全部来自我自己的经验）。为了获得启发，我建议您阅读一些最新研究，例如实时监视视频中的稳定多目标跟踪。祝你好运！

#2 楼

我认为您要问的是关于行人算法的可行性。

对于此类问题，有两种通用策略：


（自下而上）将其视为纯检测问题，其中/>每帧您只能检测到行人。一旦检测到它们，a）
在一个框架中计数它们的数量就很容易了； b）在连续的帧中跟踪它们中的任何
也很容易。因此，您可以解决所有问题。
（自上而下）将其视为动作识别问题，在该问题中，您可以根据连续动作来检测连续帧中的ROI是否为行人。解决此问题后，即可同时解决检测和跟踪问题。

您的启发式算法属于第一类。我不想阻止您，但是您可能会错过如何识别行人的关键点。因为实际数据可能比您想象的要复杂。例如，如果这是地铁摄像机，其帧可能充满了行人，因此删除背景或检测斑点完全没有帮助。在这种情况下，使用面部检测和面部识别算法来解决问题可能更合理，因为如果您找到面部，就会找到行人。另一方面，根据您对行人的定义，也许确实不是每个人都出现在框架中应视为行人。在这种情况下，使用动作识别算法（第二类）可能是合理的，您可以在其中基于行人的行为明确定义行人。

根据我的经验，有一些技巧：


坚持您所知道的以及可以轻松取用的内容。不要将您的时间花在花哨的事情上，但是需要许多您没有的背景。相信我，所有这些算法在某些情况下会很好，但在另一些情况下会不好。因此，首先要做的是
不管它有多好或坏，都可以正常工作。
进一步了解您的数据，然后确定您的方法。在许多情况下，对问题的一般描述是不够的。
如果要演示您的想法，最好使用MATLAB并构建原型。