Оптимизация разметки ground truth data пешеходов

Оглавление Введение 3 1. Постановка задачи 5 2. Обзор 6 2.1. Cуществующие реализации алгоритмов трекинга . . . . . 6 2.2. Возможные направления исследований . . . . . . . . . . 10 2.3. Существующие инструменты разметки . . . . . . . . . . . 11 2.4. Используемые алгоритмы трекинга . . . . . . . . . . . . . 12 3. Реализация 14 3.1. OpenCV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 3.2. C++............................... 14 3.3. Qt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 3.4. CVAT .............................. 15 3.5. Nuclio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 3.6. cpprestsdk . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 3.7. Алгоритмтрекинга ...................... 15 3.8. Интеграция........................... 16 4. Апробация 20 4.1. Метрики ............................ 20 4.2. Методикаэксперимента. . . . . . . . . . . . . . . . . . . . 20 4.3. Результаты........................... 20 Заключение 22 Список литературы 23

Список литературы [1] URL: https://drive.google.com/drive/u/0/folders/1gfvI4_ cbJpLdxonhMrFKk6NcRdkQu_Ij (online; accessed: 2023-05-26). [2] Alan Lukezic Tomas Vojir Luka Cehovin Jiri Matas Matej Kristan. Discriminative Correlation Filter with Channel and Spatial Reliabil-ity. –– 2016. –– URL: https://arxiv.org/abs/1611.08461 (online; accessed: 2022-11-18). [3] Alex Fandrianto Aman Neelappa Rohan Maheshwari. Sin-gle Camera Pedestrian Tracking. –– URL: https://cvgl. stanford.edu/teaching/cs231a_winter1415/prev/projects/ CS231aProjectFinalReport.pdf (online; accessed: 2022-11-18). [4] Brooke John. SUS: A Quick and Dirty Usability Scale. –– 2015. –– URL: https://www.researchgate.net/publication/228593520_SUS_A_ quick_and_dirty_usability_scale (online; accessed: 2023-05-14). [5] Chao Zou GuoPing Yang. An improved motion pedestrian tracking algorithm based on CamShift. –– 2019. –– URL: https://dl.acm.org/ doi/10.1145/3366194.3366265 (online; accessed: 2022-11-18). [6] Hui Li Yun Liu Chuanxu Wang Shujun Zhang Xuehong Cui. Track-ing Algorithm of Multiple Pedestrians Based on Particle Filters in Video Sequences. –– 2016. –– URL: https://pubmed.ncbi.nlm.nih. gov/27847514/ (online; accessed: 2022-11-18). [7] Srishti Yadav Shahram Payandeh. Understanding Tracking Method-ology of Kernelized Correlation Filter. –– 2018. –– URL: https:// ieeexplore.ieee.org/document/8614990 (online; accessed: 2022-11-18). [8] Tomasi Carlo. Image Correlation, Convolution and Filter- ing. –– 2015. –– URL: https://courses.cs.duke.edu/fall15/ cps274/notes/convolution-filtering.pdf (online; accessed: 2022-11-18). 23 [9] Xinxin Zhen Shumin Fei Yinmin Wang Wei Du. A Visual Object Tracking Algorithm Based on Improved TLD. –– 2020. –– URL: https://www.researchgate.net/publication/338366942_A_ Visual_Object_Tracking_Algorithm_Based_on_Improved_TLD (on- line; accessed: 2022-11-18). [10] Yibing Zhang Tao Fan. A pedestrian tracking algorithm based on background unrelated head detection. –– 2018. –– URL: https: //ieeexplore.ieee.org/document/8275014 (online; accessed: 2022-11-18). [11] Смирнов Карим. Видео Карима Смирнова. –– URL: https://www.youtube.com/watch?v=VJKElFaXjt8&ab_channel= %D0%9A%D0%B0%D1%80%D0%B8%D0%BC%D0%A1%D0%BC%D0%B8%D1%80%D0% BD%D0%BE%D0%B2 (online; accessed: 2022-12-06).

2. Обзор 2.1. Cуществующие реализации алгоритмов тре-кинга 2.1.1. A pedestrian tracking algorithm based on background unrelated head detection Алгоритм, изложенный в статье «A pedestrian tracking algorithm based on background unrelated head detection» [10] состоит из нескольких частей. Сперва по первым n кадрам выделяется фон. Затем сегменти-руется фон, пикселям, соответствующим фону, присваивается значение 255 (белый цвет). С помощью признаков Хаара (Haar-like feature) и ал-горитма Adaboost происходит детекция головы. Признак Хаара пред-ставляет собой разность сумм пикселей внутри двух смежных прямо-угольников. Прямоугольники могут быть любого размера и в любом месте изображения. К примеру, общим признаком для большинства лиц является то, что область, содержащая глаза, темнее области под глазами, как показано на рис. 1. Adaboost — алгоритм машинного обучения, который строит улуч-шенный классификатор по нескольким другим классификаторам. Он используется, чтобы подобрать наилучшие признаки Хаара для детек-ции лиц. Для этого был использован датасет лиц 16?16 с отсутству-ющим фоном. В статье предлагается описание трекинга нескольких пешеходов одновременно с помощью построения цепочек маршрутов. Каждому маршруту присваивается степень достоверности равная 1, которая в ходе алгоритма может