Підрахунок вечілок на зображенні

Я намагаюся реалізувати алгоритм успішного підрахунку автомобілів у зображенні. Я спробував реалізувати Метод для підрахунку транспортних засобів за наявності кількох автомобільних збоїв у зображеннях дорожнього руху

Він оцінює фон із набору різних зображень. Для цього я розглядав різні інші методи, і всі вони так чи інакше використовують або фонову оцінку з набору зображень, або потребують відео. Я маю на увазі зображення зображення дорожнього руху, де тло (мабуть, дорога в більшості робіт) майже не видно. Більше того, зображення є з різних областей, тому вони також не мають спільних фонів. Як мені діяти в такому випадку?

Я думаю, що якщо я якось зможу відповідати структурі транспортних засобів (автомобілів), то, ймовірно, вони можуть відповідати. Але я не знаю, чи це можливо і чи слід діяти, оскільки на зображенні також є кілька транспортних засобів, що закриваються.

Будь-які підказки або навіть наукові роботи також вітаються.

Зразок зображення такий: Зразок трафіку

Зразок руху трафіку 2

— краммер
джерело

Чи можете ви розмістити одне чи два репрезентативних зображення?

— Бьорнц

Я б

— вивчив

@bjoernz Я додав зразок зображення.

— краммер

Це важко. Ви завжди бачите машини з фронту? Можливо, щось можна зробити за допомогою комбінації вітрового скла / даху ... Наскільки точним повинен бути підрахунок? Скільки зображень потрібно обробити? Можливо, позначення вручну - це варіант mturk.com/mturk :)

— bjoernz

@bjoernz Я не можу залежати від mturk ;-). Я думаю, я не хочу, щоб це було дуже точно. Спочатку зробили б лише кілька підрахунків. Я думаю, що SIFT / SURF може допомогти. Я можу тренувати класифікатор з декількох наборів даних про автомобіль (у більшості з них є 1 автомобіль / зображення). Але я не знаю, чи вдалося б виявити декілька автомобілів на зображенні (можливо, це складніше, ніж це, але все ж маю більш ніж один автомобіль, який частково закривається)

— krammer

Як вже було сказано, проблема підрахунку об'єктів є дуже складною. Добрий виклад деяких загальних підходів наведено в http://www.robots.ox.ac.uk/~vilem/NIPS2010.pdf .

Створення бази даних функцій SIFT для навчальних зображень, здавалося б, є природним шляхом, який слід пройти вниз. Це, можливо, у поєднанні з деякою сегментацією зображення.

Іншим шляхом може бути пошук HOG http://chrisjmccormick.wordpress.com/2013/05/09/hog-person-detector-tutorial/ , який аналогічно алгоритму виявлення функцій може бути адаптований для автомобілів.

— користувач1531177
джерело