[論文レビュー] Realtime Multilevel Crowd Tracking using Reciprocal Velocity Obstacles

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

Anomaly Detection Techniques and Applications参考文献 23被引用数 8

ひとこと要約

本稿では、歩行者の運動ダイナミクスをモデル化するための相互速度障害（RVO）を用いた、リアルタイムで多次元のパーティクルフィルタリング手法を提示する。自信指標に基づき動的にパーティクル数を調整し、RVOに基づく運動事前分布を活用することで、マルチコアCPU上で27–30 fpsを達成。これは、類似の高い追跡精度を達成する先行手法よりも4–5倍高速であり、最大189人の歩行者を含む複雑な屋内・屋外データセットにおいても高い追跡精度を維持する。

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.

研究の動機と目的

• 中程度の密度の群衆シーンにおいて、数十人の歩行者をリアルタイムで高精度に追跡することを目的とする。
• 高い被覆、照明の変化、複雑な歩行者相互作用の下でも追跡の頑健性を維持する課題に対処することを目的とする。
• 自信指標に基づき動的にパーティクル数を調整することで、パーティクルフィルタリングの計算コストを低減することを目的とする。
• 相互速度障害（RVO）を用いて反応的な歩行者行動を捉えるスケーラブルでリアルタイムな運動モデルを開発することを目的とする。
• 多様な現実世界の条件を含む新しい高精細群衆動画データセットを用いて、性能を評価することを目的とする。

提案手法

• 本手法は、RVO状態予測から得られる複数の自信指標に基づき、動的にパーティクル数を割り当てる多次元パーティクルフィルタ（MLPF）を採用する。
• 非線形パラメトリック運動モデルをRVOに基づいて用い、局所的な衝突回避および歩行者相互作用のダイナミクスを符号化する。
• トラッキング中にRVOパラメータを繰り返し最適化することで、運動予測精度と自信推定の両方を向上させる。
• 自信がしきい値未満に下がるとパーティクル数を100増加させ、安定状態に達すると徐々に減少させる。
• C++で実装され、マルチコアCPUアーキテクチャを活用するためOpenMPによる並列化が施されている。
• 屋内および屋外のシーンにまたがり、30–189人の歩行者を含む、新しい高精細群衆動画データセットを評価用に導入する。

実験結果

リサーチクエスチョン

• RQ1 自信指標に基づく動的パーティクル割り当てを有するパーティクルフィルタリングフレームワークは、密度の高い群衆追跡においてリアルタイム性能を達成できるか？
• RQ2 定常速度モデルや線形モデルと比較して、RVOに基づく運動モデルは追跡精度をどのように向上させるか？
• RQ3 自信指標に基づく動的パーティクル調整は、性能に悪影響を及げることなく、計算コストをどの程度低減できるか？
• RQ4 本手法は、被覆、照明の変化、高密度を含む多様で現実世界の群衆シーンにおいて、どの程度の性能を示すか？
• RQ5 RVOに基づくアプローチは、先行のリアルタイム追跡アルゴリズムと比較して、速度および精度の点でどの程度の性能向上を達成するか？

主な発見

• 提案手法であるMLPF-RVOは、マルチコアデスクトップCPU上で27–30 fpsを達成し、数十人の歩行者をリアルタイムで追跡可能である。
• 189人の歩行者を含むデータセット上で、類似の追跡精度を達成する先行手法よりも4–5倍高速であることが実証された。
• 144人の歩行者を含むNPLACE-3データセットでは、27 fpsで高い精度を維持し、オンラインブースティングおよびMeanShiftを上回る精度を示したが、リアルタイム性を保った。
• RVOの自信指標に基づく適応的パーティクルフィルタリングにより、不要な計算が削減され、性能に悪影響を及げることなく効率性が向上した。
• 高密度（最大4人/m²）を含むシーンを含む、新しい高精細群衆動画データセットは、追跡アルゴリズムの評価に向けた堅牢なベンチマークを提供する。
• 本手法は、背景の変化、部分的および完全な被覆、照明の変化に対しても、多様な屋内および屋外環境において頑健であることが示された。