Я бачу низку можливих проблем із цим підходом. Я говорю з власного досвіду, коли вдосконалюю систему підрахунку пішоходів з дуже подібним підходом, тому я не маю думки. Навпаки, я хотів би попередити вас про можливі перешкоди, які, можливо, доведеться подолати, щоб створити точну та надійну систему.
По-перше, субстракція фону передбачає, що об’єкти, що цікавлять, завжди будуть рухатися, а об’єкти, які вам не цікаві рахувати, залишаться повністю нерухомими. Звичайно, це може бути у вашому сценарії, але це все-таки дуже обмежує припущення. Також я виявив, що субстракція фону дуже чутлива до змін освітленості (я згоден з геометрикою).
Будьте обережні, щоб зробити припущення, що одна крапка = одна людина , навіть якщо ви думаєте, що ваше оточення добре контролюється. Занадто часто траплялося, що краплі, що відповідають людям, не помічалися, тому що вони не рухалися або вони були занадто маленькими, тому їх видалили ерозією або якимись пороговими критеріями (і повірте, ви не хочете потрапляти в " налаштування порогів, поки все не працює "пастка. Це не працює;)). Також може трапитися так, що за одну краплинку відповідають двоє людей, що йдуть разом, або одна людина, яка перевозить якийсь багаж. Або собаку. Тому не робіть розумних припущень щодо крапель.
На щастя, оскільки ви згадуєте, що використовуєте LBP для виявлення людей , я думаю, ви знаходитесь на правильному шляху, щоб не робити помилок у параграфі вище. Я, зокрема, не можу коментувати ефективність ЛБП. Я також читав, що HOG (гістограма градієнтів) - це найсучасніший метод виявлення людей, дивіться гістограми орієнтованих градієнтів для виявлення людини .
Моя остання хватка пов’язана з використанням Camshift . Він заснований на кольорових гістограмах, тому сам по собі він добре працює при відстеженні одного об’єкта, який легко відрізнити за кольором, якщо вікно відстеження досить велике і немає оклюзій і різких змін. Але як тільки вам доведеться відслідковувати декілька цілей, які можуть мати дуже схожі кольорові описи і які будуть рухатися дуже близько один до одного, ви просто не зможете обійтися без алгоритму, який якимось чином дозволяє підтримувати кілька гіпотез. Це може бути фільтр частинок або структура, така як MCMCDA (Асоціація даних Монте-Карло Ланцюгового ланцюга Маркова , див. Асоціація даних Ланцюга Маркова Монте-Карло для відстеження кількох цілей). Мій досвід використання Meanshift поодинці під час відстеження кількох об’єктів - це все, що не повинно трапитися з відстеженням: втрата доріжки, заплутаність цілей, фіксація у фоновому режимі тощо. Прочитайте трохи про відстеження декількох об'єктів та проблеми асоціації даних. серце рахувати кількох людей (я кажу "може бути", тому що ваша мета - підрахунок не відстеження, тому я не відкидаю повністю можливості розумного підходу, який рахується без відстеження ...)
Мій останній рада є: є тільки так багато ви можете зробити до даного підходу , і ви будете потребувати любитель матеріалом для досягнення більш високої продуктивності (так що я НЕ згоден з user36624 в цьому відношенні). Це може означати зміну фрагмента вашого алгоритму чимось більш потужним або взагалі змінити архітектуру. Звичайно, ви повинні знати, які модні речі справді корисні для вас. Є публікації, які намагаються вирішити проблему принциповим способом, а інші просто придумують алгоритм для заданого набору даних і очікують, що ви підготуєте класифікатор, який насправді не підходить до проблеми, і вимагає від вас також регулюйте кілька порогів. Люди рахують - цеПостійні дослідження, тому не сподівайтеся, що все стане легко. Докладайте зусиль, щоб вивчити речі, які трохи перевищують ваші здібності, а потім робіть це знову і знову ...
Я визнаю, що я не запропонував жодних рішень і натомість лише вказав на недоліки у вашому підході (які випливають із власного досвіду). Для натхнення рекомендую прочитати кілька останніх досліджень, наприклад стабільне багатоцільове відстеження у відеоспостереженні в режимі реального часу . Удачі!