ВВЕДЕНИЕ 4
1 Машинное обучение для трекинга людей по видеоданным 5
1.1 Процесс трекинга 5
1.2 Технологии автоматизированного трекинга людей по видеоданным 7
1.2.1 Предобработка обнаружений 7
1.2.2 Обработка обнаружений 8
1.2.3 Ассоциация обнаружений 10
1.3 Анализ трекинга на основе точек артикуляции 11
1.3.1 Анализ модуля выборки 11
1.3.2 Анализ модуля измерений 15
1.3.3 Анализ модуля ассоциаций 17
2.1 Алгоритм глубокой сортировки и нейронная сеть 21
2.2 Процесс трекинга людей 24
2.3 Проблемы трекинга 26
2.3.1 Конкретизация проблем и способов их решения 26
2.3.2 Решение проблем 28
3 Экспериментальная часть 39
3.1 Программная реализация. Библиотеки 39
3.1.1 Трек 40
3.1.2 Трекер 42
3.1.3 Визуализатор 42
3.1.4 Работа системы трекинга 43
3.1.5 Параметры запуска системы трекинга 46
3.2 Тестирование системы 47
3.3 Оценка точности 50
3.4 Примеры работы трекера 52
ЗАКЛЮЧЕНИЕ 58
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 59
На сегодняшний день, всевозможные методы трекинга людей переживают пик своей популярности и развития ввиду возможности не только обнаружения человека, или какого бы ни было объекта, но и возможности предугадывания направления его движения. Существует множество методов трекинга людей по видеоданным. Например, отслеживание траектории движения человека при помощи распознавания его лица, либо отслеживание при помощи переносных устройств. Одним из наиболее успешных из них является трекинг при помощи технологий машинного обучения. Частным случаем машинного обучения является технология нейронных сетей.
Целью данной работы является разработка системы автоматического трекинга людей по видеоданным, позволяющей решить проблему обнаружения и последующего отслеживания людей на сцене с использованием технологий машинного обучения.
В связи с этим возникают следующие задачи:
1. Провести анализ технологий машинного обучения для трекинга по видеоданным.
2. Выбрать нейросетевую модель для решения задачи обнаружения людей на сцене.
3. Разработать метод автоматического трекинга людей по видеоданным.
4. Оценить качество работы трекинга разработанной автоматической системы.
В результате проделанной работы были изучены основные этапы трекинга, проанализирован трекинг на основе точек артикуляции, разработана система автоматического трекинга людей по видеоданным. В процессе разработки системы были обнаружены и устранены проблемы трекинга. Системы была протестирована и сравнена с другими известными методами трекинга.
Результаты экспериментальных исследований могут быть использованы для расширения возможностей трекера, например, возможно измерять аномальное поведение людей, идентифицировать их личность, выявлять различные заболевания.
1. Multiple People Tracking with Articulation Detection and Stitching
Strategy [Электронный ресурс]. Режим доступа: https://sci-
hub.tw/https://www.sci- encedirect.com/science/article/abs/pii/S0925231219317400.
2. A dual CNN-RNN for multiple people tracking [Электронный ресурс]. Режим доступа: https://sci-hub.tw/https://www.sciencedirect.com/science/article/ab- s/pii/S0925231219311270.
3. People tracking in an environment with multiple depth cameras: A skeleton-based pairwise trajectory matching scheme [Электронный ресурс]. Режим доступа: https://sci-hub.tw/https://www.sciencedirect.com/science/article/pii/S1047- 32031500228X.
4. An automatic data mining method to detect abnormal human behaviour using physical activity measurements [Электронный ресурс]. Режим доступа: https://sci- hub.tw/https://www.sciencedirect.com/science/article/abs/pii/S 1574119214001606.
5. MOT Challenge - MOT16 [Электронный ресурс]. Режим доступа: https://motchallenge.net/data/MOT 16/.
6. Fusion of Head and Full-Body Detectors for Multi-Object Tracking [Электронный ресурс]. Режим доступа: http://openaccess.thecvf.com/content_cvp- r_2018_workshops/papers/w29/Henschel_Fusion_of_Head_CVPR_2018_paper.pdf.
7. A Detection-Based Multiple Object Tracking Method [Электронный ресурс]. Режим доступа: http://www.iitg.ac.in/amitsethi/publications/04.04Trackin- gICIP.pdf.
8. Background modeling and foreground extraction in video data using spatio-temporal region persistence features [Электронный ресурс]. Режим доступа: https://sci- hub.tw/https://www.sciencedirect.com/science/article/pii/S0045790619300084.
9. Global Data Association for Multi-Object Tracking Using Network Flows [Электронный ресурс]. Режим доступа: http://vision.cse.psu.edu/courses/Tr- acking/vlpr12/lzhang_cvpr08global. pdf.
10. The KITTI Vision Benchmark Suite [Электронный ресурс]. Режим доступа: http://www.cvlibs.net/datasets/kitti/.
11. CDT: Cooperative Detection and Tracking for Tracing Multiple Objects in Video Sequences [Электронный ресурс]. Режим доступа: https://sci-hub.tw/http- s://doi.org/10.1007/978-3-319-46466-4_51.
12. Fast R-CNN [Электронный ресурс]. Режим доступа:
https://arxiv.org/-
pdf/1504.08083.pdf.
13. Subgraph Decomposition for Multi-Target Tracking [Электронный ресурс]. Режим доступа: https://www.is.mpg.de/uploads_file/attachment/attachmen- t/355/tangCVPR15.pdf.
14. GMMCP Tracker: Globally Optimal Generalized Maximum Multi Clique Problem for Multiple Object Tracking [Электронный ресурс]. Режим доступа: https://www.cv-foundation.org/openaccess/content_cvpr_2015/papers/Deh- ghan_GMMCP_Tracker_Globally_2015_CVPR_paper.pdf.
15. GMCP-Tracker: Global Multi-object Tracking Using Generalized Minimum Clique Graphs [Электронный ресурс]. Режим доступа: https://cs.stanfo- rd.edu/~amirz/index_files/GMCP-Tracker_ECCV12.pdf.
... всего 32 источников