[论文解读] 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 9

一句话总结

本文提出了一种实时行人跟踪系统，采用参数优化的异质运动模型混合体（如社交力模型、Boids模型和RVO模型）的自适应粒子滤波器，以提升中等密度人群中的跟踪精度。通过动态选择最匹配的运动模型，并基于先前跟踪数据对每个行人优化其参数，该方法在真实时间下运行于多核CPU上，相比同质模型和基线均值漂移跟踪器，精度提升4%–18%。

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.

研究动机与目标

• 解决在中等密度人群场景中因遮挡和复杂交互导致性能下降的准确实时行人跟踪挑战。
• 克服单一同质运动模型在不同人群密度下无法捕捉多样化行人行为的局限性。
• 通过基于跟踪轨迹自动选择并优化运动模型参数，提升跟踪鲁棒性。
• 在标准桌面硬件上实现实时性能，同时通过自适应粒子选择和模型混合保持高精度。
• 通过利用先验数据进行动态模型自适应和参数优化，减少身份切换和跟踪错误。

提出的方法

• 采用自适应粒子滤波框架，其中状态转移模型被替换为异质行人运动模型的混合体（如社交力模型、Boids模型、RVO模型）。
• 将运动模型参数估计建模为与模型无关的组合优化问题，利用跟踪轨迹数据实时求解。
• 基于局部行人行为每几帧重新计算最匹配的运动模型及其最优参数。
• 使用优化后的运动模型引导粒子采样，根据置信度和复杂度动态调整每个行人的粒子数量。
• 集成相机标定和透视校正，以提高视频序列中的空间精度。
• 采用贝叶斯推理框架，其中运动模型作为先验，粒子滤波更新在实时中逐步进行。

实验结果

研究问题

• RQ1 与单一同质模型相比，异质运动模型的混合是否能提升中等密度人群中的跟踪精度？
• RQ2 利用跟踪数据对运动模型进行参数优化，在提升跟踪鲁棒性和减少错误方面效果如何？
• RQ3 自适应模型选择与动态粒子分配在提升实时性能和减少身份切换方面能达到何种程度？
• RQ4 与基线均值漂移跟踪器和恒定速度粒子滤波器相比，所提方法在精度和速度上表现如何？
• RQ5 模型选择与参数调优对跟踪误差的影响如何，特别是在不同人群密度下？

主要发现

• 在多个数据集上，所提方法相比恒定速度（LIN）模型和其他同质模型，精度提升4%–18%。
• 在IITF和NDLS数据集上，系统在多核CPU上以24–30 fps的帧率实现实时性能，相比同质模型精度提升9%–12%。
• 自适应粒子选择策略在保持高跟踪保真度的同时降低计算开销，使性能比同类高精度算法快2–3倍。
• 通过基于局部行为模式动态选择每个行人的最匹配运动模型，有效减少身份切换和跟踪错误。
• 基于优化的参数调优显著提升预测精度，表现为均方误差低于0.8米，优于Social Forces等基线模型。
• 系统在不同密度、光照和遮挡水平的视频序列中表现出强鲁棒性，优于均值漂移和标准粒子滤波基线方法。