Алгоритм множественного трекинга пешеходов Роман Захаров Самарский государственный аэрокосмический университет, Самара, Россия roman.zakharovp@yandex.ru Аннотация В данной работе приводится алгоритм множественно- го трекинга пешеходов. Трекинг основан на детекторе Part Based Detector, фильтре частиц и анализе траекторий движения пешехо- дов. Для разрешения коллизий с пересечением траекторий исполь- зуется оптимизационный алгоритм решающий задачу о назначениях. Ключевые слова: Part Based Detector (PBD), Histograms of Oriented Gradients (HOG), Viola-Jones, Kanade-Lucas-Tomasi, mean-shift, Particle Filters. 1 Введение В настоящее время для решения многих практических задач использу- ются системы компьютерного зрения (системы видеонаблюдения, системы помощи водителю и другие). В работе рассматривается задача нахождения локализации целевых объектов (пешеходов) и их сопровождение (трекинг). Некоторые характеристики целевых объектов со временем изменяются, такие как, освещённость объекта, относительные размеры объекта при уда- лении или приближении объекта (пешехода) к камере. Объект может быть частично или полностью заслонён другими объектами. В данных услови- ях решение задачи локализации и сопровождения, становится задачей не тривиальной. Для детектирования пешеходов широко используется метод гистограм ориентированных градиентов (Histograms of Oriented Gradients HOG[1]). Так же широко применяется метод Viola-Jones[2], который показывает хорошие результаты для детектирования человеческих лиц. Из алгоритмов трекинга довольно распространены трекинг на основе mean-shift и на основе оптиче- ского потока KLT (Kanade-Lucas-Tomasi). Так же в современных системах трекинг строится на основе фильтра Калмана и фильтра частиц (Particle Filters)[3]. В данной работе будет анализироваться система состоящая из детекто- ра основанного на Part-Based-Detector (PBD[4]) и трекера основанного на фильтре частиц. 197 2 Описание задачи детектирования объектов В настоящее время можно выделить два основных подхода к построению систем видеодетектирования: поиск и сопровождение областей движения; поиск и сопровождение уже обнаруженных объектов. При реализации поиска и сопровождения областей движения обычно вы- деляют следующие этапы: 1. Получение кадра из видео последовательности 2. Выделение области движения на текущем кадре 3. Трекинг областей движения. Построение траектории движения 4. Разделение областей движения. В каждую область движения могут по- пасть несколько пешеходов. Для этого вычисляются параметры области движения, происходит поиск головы для разделения объектов внутри области движения. 5. Трекинг пешеходов. На данном этапе происходит построение и анализ траекторий движений пешеходов. Они могут пересекаться или идти до- вольно близко друг к другу из-за чего могут возникать коллизии с иден- тификацией объекта В данный момент большинство систем работают по похожей схеме. Схе- ма, основана на поиске и сопровождении областей движения, работает толь- ко с неподвижной камерой и как следствие с неизменным фоном. Данная схема - это типичная схема трекинга объектов различного типа. В работе будет применяться несколько иная схема, которая позволит производить трекинг пешеходов при меняющемся фоне. Основные этапы следующие: 1. Получение кадра из видео последовательности 2. Применение детекторов к кадру видео последовательности. Для данно- го исследования был выбран детeктoр PBD обученный на базе данных PASCAL Visual Object Challenge-2007 (VOC2007). Наиболее популярным детектором для пешеходов является HOG 3. Анализ детектируемых областей. Отсечение областей по размеру 4. Трекинг пешеходов. Происходит построение и анализ траекторий дви- жения пешеходов Данная схема работает как при неподвижной камере так и на поворот- ных камерах. Что существенно расширяет область применимости данного метода. Это как стационарные камеры так и поворотные камеры, к приме- ру камеры прикреплённые к роботу или на автомобиль. Так же камеры на мобильных устройствах. 3 Описание алгоритма Первым этапом алгоритма является применение натренированного де- тектора PBD к видео кадру. Детектор PBD1 был выбран благодаря ста- 1 Код детектора был взят с сайта http://www.cs.berkeley.edu/~rbg/latent//. 198 бильно высоким результатам детектирования объектов. На рис. 1 представ- лены детекты (прямоугольные области) которые выделил детектор после его выполнения. Рис. 1. Результат применения детектора PBD к кадру видео последовательности Далее идёт анализ детектируемых областей. Делаем простые отсечения по размеру детекта (прямоугольной области). Детекты размеры или соотно- шение размеров которых больше или меньше порогового значения отбрасы- ваются. Пороговое значение для детектов подбирается экспериментально. Следующий этап - это построение и анализ траекторий пешеходов. На рис. 2 представлены возможные траектории для пешеходов. Для построения траектории движения пешехода используется фильтр частиц. Для разделения траекторий при их пересечении используется оп- тимизационный алгоритм решающий задачу назначений (Венгерский алго- ритм). Который позволяет разделить две близкие траектории. Данный ал- горитм трекинга устойчив к поворотам камеры, и как следствие устойчив к изменяющемуся фону. Данная устойчивость в трекере достигается за счёт того, что анализ происходит не области движения, а детектируемой области выделенной с помощью детектора PBD. 199 Рис. 2. Представлены возможные траектории пешеходов на последовательности кадрах Список литературы 1. Dalal, N. Triggs, W. Histograms of Oriented Gradients for Human Detection. / IEEE Computer Society Conference on Computer Vision and Pattern Recognition CVPR05. — 2005. — Vol. 1(3). — P. 886–893. 2. Viola P., Jones M.J. Robust Real-Time Face Detection // International Journal of Computer Vision. 2004. №57(2). P. 137–154. 3. Gustafsson F., Gunnarsson F., Bergman N. et al. Particle Filters for Positioning, Navigation and Tracking // IEEE Transactions on Signal Processing. 2002. Vol. 2. Is. 2. P. 425–437. 4. Felzenszwalb P. F., Girshick R. B., McAllester D., Ramanan D. Object Detection with Discriminatively Trained Part Based Models // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2010. V. 32. №9. P. 1627–1645. 200 Multi-Target Pedestrian Tracking Algorithm Roman Zakharov Samara State Aerospace University, Samara, Russia roman.zakharovp@yandex.ru Abstract. The general trend in the development of many video surveil- lance systems, traffic counting machines, security systems is the devel- opment of algorithms for tracking, which are very important in places with large numbers of people and vehicles, such as airports, city streets. In this paper we present an algorithm for multi-target tracking. Prob- lem tracking is to build a trajectory of motion of targets on the input sequence of frames. Tracking is based on the detector Part Based Detec- tor, the filter particles and analysis of the trajectories of pedestrians. To resolve conflicts with crossing trajectories used optimization algorithm solves the assignment problem. Keywords: Part Based Detector (PBD), Histograms of Oriented Gra- dients (HOG), Viola-Jones, Kanade-Lucas-Tomasi, mean-shift, Particle Filters. 201