[論文レビュー] Real-time Crowd Tracking using Parameter Optimized Mixture of Motion Models

Aniket Bera, David Wolinski+2 more|arXiv (Cornell University)|Sep 16, 2014

Video Surveillance and Tracking Methods参考文献 34被引用数 9

ひとこと要約

本稿では、社会的力、ボイド、RVOといった異種の運動モデルのパラメータ最適化混合モデルを用いた適応型パーティクルフィルタを用いることで、中程度に密集した群衆における追跡精度を向上させるリアルタイム歩行者追跡システムを提案する。各歩行者ごとに事前追跡データを用いて最適な運動モデルとそのパrameterを動的に選択することで、同種のモデルやベースラインの平均シフトトラッカーと比較して4–18%高い精度を達成し、マルチコアCPU上でリアルタイムで動作する。

ABSTRACT

We present a novel, real-time algorithm to track the trajectory of each pedestrian in moderately dense crowded scenes. Our formulation is based on an adaptive particle-filtering scheme that uses a combination of various multi-agent heterogeneous pedestrian simulation models. We automatically compute the optimal parameters for each of these different models based on prior tracked data and use the best model as motion prior for our particle-filter based tracking algorithm. We also use our "mixture of motion models" for adaptive particle selection and accelerate the performance of the online tracking algorithm. The motion model parameter estimation is formulated as an optimization problem, and we use an approach that solves this combinatorial optimization problem in a model independent manner and hence scalable to any multi-agent pedestrian motion model. We evaluate the performance of our approach on different crowd video datasets and highlight the improvement in accuracy over homogeneous motion models and a baseline mean-shift based tracker. In practice, our formulation can compute trajectories of tens of pedestrians on a multi-core desktop CPU in in real time and offer higher accuracy as compared to prior real time pedestrian tracking algorithms.

研究の動機と目的

• 遮蔽や複雑な相互作用によって性能が低下する中程度に密集した群衆における正確なリアルタイム歩行者追跡の課題に対処すること。
• 異なる群衆密度下での多様な歩行者行動を捉えきれない単一の同種運動モデルの限界を克服すること。
• 追跡された軌跡に基づいて自動的に運動モデルを選択し、パラメータを最適化することで、追跡の頑健性を向上させること。
• 適応型パーティクル選択とモデル混合を用いることで、標準のデスクトップハードウェア上で高精度を維持しつつリアルタイム性能を実現すること。
• 事前データを用いた動的モデル適応とパrameter最適化により、IDの入れ替えや追跡エラーを低減すること。

提案手法

• 状態遷移モデルを、社会的力、ボイド、RVOなどの異種の歩行者運動モデルの混合に置き換えた適応型パーティクルフィルタフレームワークを採用する。
• 運動モデルのパラメータ推定を、追跡された軌跡データを用いてリアルタイムに解けるモデル独立な組み合わせ最適化問題として定式化する。
• 局所的な歩行者行動に基づき、数フレームごとに最適な適合運動モデルとその最適パラメータを再計算する。
• 最適化された運動モデルを用いてパーティクルサンプリングをガイドし、信頼性と複雑さに応じて各歩行者ごとのパーティクル数を動的に調整する。
• カメラキャリブレーションと透視補正を統合して、動画シーケンスにおける空間的精度を向上させる。
• 運動モデルを事前分布として用いるベイジアン推論フレームワークを採用し、リアルタイムで段階的にパーティクルフィルタの更新を行う。

実験結果

リサーチクエスチョン

• RQ1 単一の同種モデルと比較して、異種運動モデルの混合は中程度に密集した群衆における追跡精度を向上させるか？
• RQ2 追跡データを用いた運動モデルのパラメータ最適化は、追跡の頑健性を向上させ、エラーを低減するのにどの程度有効か？
• RQ3 適応型モデル選択と動的パーティクル割り当ては、リアルタイム性能を向上させ、IDの入れ替えをどの程度低減できるか？
• RQ4 本手法は、ベースラインの平均シフトトラッカーおよび定常速度パーティクルフィルタと比較して、精度と速度の両面で優れているか？
• RQ5 モデル選択とパラメータチューニングは、特に異なる群衆密度下で追跡誤差にどのような影響を与えるか？

主な発見

• 提案手法は、複数のデータセットにおいて定常速度（LIN）モデルや他の同種モデルと比較して4–18%高い精度を達成した。
• IITFおよびNDLSデータセットでは、マルチコアCPUを用いて24–30 fpsのリアルタイム性能を維持し、同種モデルと比較して9–12%の精度向上を達成した。
• 適応型パーティクル選択戦略により、計算オーバーヘッドを低減しつつ高い追跡忠実度を維持でき、同等の精度を有するアルゴリズムと比較して2–3倍の高速化が達成された。
• 局所的な行動パターンに基づき、各歩行者に対して最適な適合運動モデルを動的に選択することで、IDの入れ替えや追跡エラーが低減した。
• 最適化に基づくパラメータチューニングにより予測精度が顕著に向上し、社会的力モデルなどのベースラインモデルと比較して平均誤差が0.8m未満に低下した。
• 多様な動画シーケンス（異なる密度、照明、遮蔽レベル）においても、本システムは頑健性を示し、平均シフトおよび標準パーティクルフィルタベースラインを上回った。