[논문 리뷰] Realtime Multilevel Crowd Tracking using Reciprocal Velocity Obstacles

Aniket Bera, Dinesh Manocha|arXiv (Cornell University)|2014. 02. 11.

Anomaly Detection Techniques and Applications참고 문헌 23인용 수 8

한 줄 요약

이 논문은 Reciprocal Velocity Obstacles (RVO)를 사용하여 보행자 운동 역학을 모델링함으로써, 실시간으로 다중 수준 입자 필터링 알고리즘을 제안한다. 신뢰도 지표에 기반해 입자 수를 적응적으로 조정하고 RVO 기반 운동 사전 지식을 활용함으로써, 다중 코어 CPU에서 27–30 fps의 성능을 달성한다—이전 정확도가 높은 방법들보다 4–5배 빠르며, 최대 189명의 보행자가 포함된 복잡한 실내 및 실외 데이터셋에서도 높은 추적 정확도를 유지한다.

ABSTRACT

We present a novel, realtime algorithm to compute the trajectory of each pedestrian in moderately dense crowd scenes. Our formulation is based on an adaptive particle filtering scheme that uses a multi-agent motion model based on velocity-obstacles, and takes into account local interactions as well as physical and personal constraints of each pedestrian. Our method dynamically changes the number of particles allocated to each pedestrian based on different confidence metrics. Additionally, we use a new high-definition crowd video dataset, which is used to evaluate the performance of different pedestrian tracking algorithms. This dataset consists of videos of indoor and outdoor scenes, recorded at different locations with 30-80 pedestrians. We highlight the performance benefits of our algorithm over prior techniques using this dataset. In practice, our algorithm can compute trajectories of tens of pedestrians on a multi-core desktop CPU at interactive rates (27-30 frames per second). To the best of our knowledge, our approach is 4-5 times faster than prior methods, which provide similar accuracy.

연구 동기 및 목표

• 중간 정도로 혼잡한 군중 장면에서 수십 명의 보행자를 실시간으로 고정밀도로 추적할 수 있도록 하는 것.
• 높은 가림, 조도 변화, 복잡한 보행자 상호작용 상황에서도 추적의 강건성을 유지하는 데 도전하는 것.
• 신뢰도 지표에 기반해 입자 수를 동적으로 조정하여 입자 필터링의 계산 비용을 줄이는 것.
• Reciprocal Velocity Obstacles (RVO)를 사용하여 반응형 보행자 행동을 포괄하는 확장 가능한 실시간 운동 모델을 개발하는 것.
• 실제 다양한 조건을 반영한 새로운 고해상도 군중 영상 데이터셋을 활용해 성능을 평가하는 것.

제안 방법

• RVO 상태 예측에서 유도된 다중 신뢰도 지표에 기반해 입자 수를 적응적으로 할당하는 다중 수준 입자 필터(MLPF)를 사용한다.
• 국소적 충돌 회피 및 보행자 상호작용 역학을 코딩하기 위해 Reciprocal Velocity Obstacles (RVO) 기반의 비선형 매개변수 운동 모델을 사용한다.
• 추적 과정에서 RVO 매개변수를 반복적으로 개선하여 운동 예측 정확도 및 신뢰도 추정을 향상시킨다.
• 신뢰도가 임계값 이하로 떨어지면 입자 수를 100개 증가시키고, 안정성이 확보되면 점차 감소시킨다.
• OpenMP 병렬 처리를 활용해 다중 코어 CPU 아키텍처를 최대한 활용하도록 C++로 알고리즘을 구현한다.
• 실내 및 실외 장면에서 최대 189명의 보행자가 포함된 새로운 고해상도 군중 영상 데이터셋을 도입하여 평가한다.

실험 결과

연구 질문

• RQ1 신뢰도 기반 적응형 입자 할당을 갖춘 입자 필터링 프레임워크가 고밀도 군중 추적에서 실시간 성능을 달성할 수 있는가?
• RQ2 상수 속도 모델이나 선형 모델에 비해 RVO 기반 운동 모델이 추적 정확도를 얼마나 향상시키는가?
• RQ3 신뢰도 지표에 기반한 동적 입자 조정이 정확도를 훼손하지 않으면서 계산 비용을 얼마나 줄이는가?
• RQ4 가림, 조도 변화, 고밀도 상황이 복합적으로 존재하는 다양한 실제 군중 장면에서 제안된 방법의 성능은 어떠한가?
• RQ5 RVO 기반 접근법은 이전 실시간 추적 알고리즘에 비해 속도와 정확도 측면에서 얼마나 높은 성능 향상을 이룰 수 있는가?

주요 결과

• 제안된 MLPF-RVO 방법은 다중 코어 데스크톱 CPU에서 27–30 프레임 매초를 달성하여 수십 명의 보행자를 실시간으로 추적할 수 있다.
• 최대 189명의 보행자가 포함된 데이터셋에서 이전 방법들과 유사한 추적 정확도를 확보한 바, 이는 이전 방법들보다 4–5배 더 빠른 성능을 의미한다.
• 144명의 보행자가 포함된 NPLACE-3 데이터셋에서 27 fps로도 높은 정확도를 유지하며, Online Boosting 및 MeanShift보다 정확도에서 뛰어나면서도 실시간 성능을 확보한다.
• RVO 기반의 신뢰도 지표에 기반한 적응형 입자 필터링은 불필요한 계산을 줄여 성능 효율성을 향상시키며 성능 저하 없이 운영된다.
• 고밀도(최대 4명/m²) 장면을 포함한 다양한 조건의 고해상도 군중 영상 데이터셋은 추적 알고리즘 평가를 위한 견고한 기준이 된다.
• 이 방법은 다양한 실내 및 실외 환경에서 배경 변화, 부분적 및 완전한 가림, 조도 변화에 대해 강건함을 입증하였다.