Published December 18, 2019
| Version v1
Publication
Open
Multi-Person Tracking Based on Faster R-CNN and Deep Appearance Features
- 1. University of Engineering and Technology Lahore
Description
Mostly computer vision problems related to crowd analytics are highly dependent upon multi-object tracking (MOT) systems.There are two major steps involved in the design of MOT system: object detection and association.In the first step, desired objects are detected in every frame of video stream.Detection quality directly influences the performance of tracking.The second step involves the correspondence of detected objects in current frame with the previous to obtain their trajectories.High accuracy in object detection system results in less number of missing detection and finally produces less fragmented tracks.Better object association increases the affinity between objects in different frames.This paper presents a novel algorithm for improved object detection followed by enhanced object tracking.Object detection accuracy has been increased by employing deep learning-based Faster region convolutional neural network (Faster R-CNN) algorithm.Object association is carried out by using appearance and improved motion features.Evaluation results show that we have enhanced the performance of current state-of-the-art work by reducing identity switches and fragmentation.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تعتمد مشاكل رؤية الكمبيوتر المتعلقة بتحليلات الحشود في الغالب اعتمادًا كبيرًا على أنظمة التتبع متعددة الكائنات (MOT). هناك خطوتان رئيسيتان متضمنتان في تصميم نظام MOT: اكتشاف الكائنات وربطها. في الخطوة الأولى، يتم اكتشاف الكائنات المرغوبة في كل إطار من دفق الفيديو. تؤثر جودة الكشف بشكل مباشر على أداء التتبع. تتضمن الخطوة الثانية تطابق الكائنات المكتشفة في الإطار الحالي مع السابق للحصول على مساراتها. تؤدي الدقة العالية في نظام الكشف عن الكائنات إلى عدد أقل من الكشف المفقود وتنتج أخيرًا مسارات أقل تجزئة. يزيد ارتباط الكائنات الأفضل من التقارب بين الكائنات في إطارات مختلفة. تقدم هذه الورقة خوارزمية جديدة للكشف عن الكائنات المحسنة متبوعة بتتبع كائن محسن. تمت زيادة دقة الكشف عن الكائن من خلال استخدام الشبكة العصبية الالتوائية الأسرع القائمة على التعلم العميق (خوارزمية R - CNN الأسرع). يتم تنفيذ ارتباط الكائن باستخدام المظهر وميزات الحركة المحسنة. تُظهر نتائج التقييم أننا عززنا أداء أحدث الأعمال الحالية عن طريق تقليل مفاتيح الهوية والتجزئة.Translated Description (French)
La plupart des problèmes de vision par ordinateur liés à l'analyse des foules dépendent fortement des systèmes de suivi multi-objets (mot). Il y a deux étapes majeures impliquées dans la conception du système mot : la détection et l'association d'objets. Dans la première étape, les objets souhaités sont détectés dans chaque trame du flux vidéo. La qualité de la détection influence directement la performance du suivi. La deuxième étape implique la correspondance des objets détectés dans la trame actuelle avec les précédents pour obtenir leurs trajectoires. Une précision élevée dans le système de détection d'objets entraîne moins de détection manquante et produit finalement des pistes moins fragmentées. Une meilleure association d'objets augmente l'affinité entre les objets dans différentes trames. Ce document présente un nouvel algorithme pour une détection d'objets améliorée suivie d'un suivi d'objets amélioré. La précision de la détection d'objets a été augmentée en utilisant un algorithme de réseau neuronal convolutif de région plus rapide basé sur l'apprentissage profond (Faster R-CNN). L'association d'objets est réalisée en utilisant l'apparence et des caractéristiques de mouvement améliorées. Les résultats de l'évaluation montrent que nous avons amélioré les performances du travail actuel de l'état de l'art en réduisant les commutateurs d'identité et la fragmentation.Translated Description (Spanish)
En su mayoría, los problemas de visión por computadora relacionados con el análisis de multitudes dependen en gran medida de los sistemas de seguimiento de múltiples objetos (mot). Hay dos pasos principales involucrados en el diseño del sistema mot: detección y asociación de objetos. En el primer paso, los objetos deseados se detectan en cada fotograma del flujo de video. La calidad de la detección influye directamente en el rendimiento del seguimiento. El segundo paso implica la correspondencia de los objetos detectados en el fotograma actual con el anterior para obtener sus trayectorias. La alta precisión en el sistema de detección de objetos da como resultado un menor número de detecciones faltantes y finalmente produce pistas menos fragmentadas. La mejor asociación de objetos aumenta la afinidad entre los objetos en diferentes fotogramas. Este documento presenta un nuevo algoritmo para mejorar la detección de objetos seguido de un mejor seguimiento de objetos. La precisión de la detección de objetos se ha aumentado al emplear una red neuronal convolucional de región más rápida basada en el aprendizaje profundo (R-CNN más rápido). La asociación de objetos se lleva a cabo mediante el uso de características de apariencia y movimiento mejoradas. Los resultados de la evaluación muestran que hemos mejorado el rendimiento del trabajo actual de vanguardia al reducir los conmutadores de identidad y la fragmentación.Files
67229.pdf
Files
(3.5 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:863e75f02322ff8a3363a612286f5f0d
|
3.5 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- التتبع متعدد الأشخاص استنادًا إلى ميزات R - CNN الأسرع والمظهر العميق
- Translated title (French)
- Suivi multi-personnes basé sur des fonctionnalités de R-CNN plus rapides et d'apparence profonde
- Translated title (Spanish)
- Seguimiento multipersona basado en funciones más rápidas de R-CNN y apariencia profunda
Identifiers
- Other
- https://openalex.org/W2945042256
- DOI
- 10.5772/intechopen.85215
References
- https://openalex.org/W1531192956
- https://openalex.org/W1536680647
- https://openalex.org/W1549083695
- https://openalex.org/W1910706092
- https://openalex.org/W1999056805
- https://openalex.org/W2022515186
- https://openalex.org/W2061228367
- https://openalex.org/W2088049833
- https://openalex.org/W2102605133
- https://openalex.org/W2104828970
- https://openalex.org/W2105934661
- https://openalex.org/W2115739848
- https://openalex.org/W2127923214
- https://openalex.org/W2130258433
- https://openalex.org/W2145287260
- https://openalex.org/W2150440166
- https://openalex.org/W2151103935
- https://openalex.org/W2163352848
- https://openalex.org/W2163808566
- https://openalex.org/W2179352600
- https://openalex.org/W2209193152
- https://openalex.org/W2225887246
- https://openalex.org/W2237765446
- https://openalex.org/W2252355370
- https://openalex.org/W2252862078
- https://openalex.org/W2295107390
- https://openalex.org/W2342089072
- https://openalex.org/W2412217473
- https://openalex.org/W2518253596
- https://openalex.org/W2520433280
- https://openalex.org/W2534578893
- https://openalex.org/W2547098537
- https://openalex.org/W2603203130
- https://openalex.org/W2618753359
- https://openalex.org/W2792481260
- https://openalex.org/W2815742604
- https://openalex.org/W2963037989
- https://openalex.org/W3099206234