我想做行人检测和跟踪。
输入：来自闭路电视摄像机的视频流。
输出：
到目前为止我做了什么：对于行人检测，我使用的是 HOG 和 SVM。检测结果不错，误报率高。而且它非常慢，因为我在 android 平台上运行。
问题： 检测后如何计算上面列出的所需值。谁能告诉我我必须使用什么跟踪算法以及行人检测的任何好的算法。
或者我应该使用跟踪算法？没有它有办法吗？
对代码/博客/技术论文的任何引用表示赞赏。
平台：C++ & OpenCV / 安卓。
- 谢谢
连同@Acorbe 的回复，我建议使用此（存档）网站的出版物部分。
去年底最近的一个工作也在这里发布了一个代码库： https : //bitbucket.org/rodrigob/doppia
早期的行人检测器也发布了代码： https ://sites.google.com/site/wujx2001/home/c4 http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians
最好的准确方法是使用跟踪算法而不是对传入人员进行统计外观计数，并且检测发生在左右两侧。您可以使用扩展的统计模型。这会产生多少输入产生一个输出并从输出检测中返回验证输入。
我的经验是，与上述方法相比，跟踪会产生更好的结果。但也有点复杂。当关键是匹配检测与跟踪模型时，我们讨论多目标跟踪，该模型应该基于检测进行更新。如果跟踪与错误的模型匹配。问题就在那里。
在 youtube 上，我通过简单的 LBP 人员检测器开发了一些多目标跟踪器，但使用多模型和卡尔曼滤波器进行跟踪。这两种功能都在 opencv 中可用。当检测到某些东西时，您需要为每个对象创建新的卡尔曼滤波器并更新以防您匹配相同的检测。预测万一检测不在帧中，并删除卡尔曼 i，不再需要跟踪。1 检测 2 使用卡尔曼、匈牙利算法和 l2 范数进行匹配检测。（例如） 3 大量的工作。决定是否应该建立卡尔曼、删除、更新或未检测到结果并应进行预测。这是很多工作。纯粹的统计方法不太准确，第二种方法是对于有经验的人来说至少要编码 1 个月和 3 个月的调整。如果您需要更快并且您的资源非常有限。您可以通过智能统计通过纯检测更快地获得结果，但准确度稍低。人们判断图像和视频跟踪甚至多目标跟踪都能够击败人类。尝试计算和注册视频中的每个人并计算退出点。在某些人中，您无法做到这一点。它真的很后悔，你想要什么，应用程序，你拥有的客户，以及你向客户展示的结果。如果这是 4 个数字的收入，左、右、中，而你的误差是 20%，这仍然远远超过一个无聊的小带薪后卫整天数数所应达到的水平。尝试计算和注册视频中的每个人并计算退出点。在某些人中，您无法做到这一点。它真的很后悔，你想要什么，应用程序，你拥有的客户，以及你向客户展示的结果。如果这是 4 个数字的收入，左、右、中，而你的误差是 20%，这仍然远远超过一个无聊的小带薪后卫整天数数所应达到的水平。尝试计算和注册视频中的每个人并计算退出点。在某些人中，您无法做到这一点。它真的很后悔，你想要什么，应用程序，你拥有的客户，以及你向客户展示的结果。如果这是 4 个数字的收入，左、右、中，而你的误差是 20%，这仍然远远超过一个无聊的小带薪后卫整天数数所应达到的水平。
https://www.youtube.com/watch?v=d-RCKfVjFI4
你可以在我的博客上找到一些用于人员检测和汽车检测的数据集在我的博客上与用于学习想法、教程和跟踪示例的脚本相同 。Opencv 博客教程代码和想法
