Tôi có thể thấy một số vấn đề có thể xảy ra với phương pháp này. Tôi nói từ kinh nghiệm của bản thân ở đây từ việc cải thiện hệ thống đếm người đi bộ với cách tiếp cận rất giống nhau, vì vậy tôi không có ý nản lòng. Ngược lại, tôi muốn cảnh báo bạn về những rào cản có thể bạn phải vượt qua để xây dựng một hệ thống chính xác và mạnh mẽ.
Thứ nhất, nền tảng giả định rằng các đối tượng quan tâm sẽ luôn chuyển động và các đối tượng bạn không quan tâm đến việc đếm sẽ hoàn toàn đứng yên. Chắc chắn, đây có thể là trường hợp trong kịch bản của bạn, nhưng nó vẫn là một giả định rất hạn chế. Tôi cũng đã tìm thấy chất nền rất nhạy cảm với những thay đổi trong chiếu sáng (tôi đồng ý với geometrikal).
Hãy cảnh giác khi đưa ra giả định rằng một blob = một người , ngay cả khi bạn nghĩ rằng môi trường của bạn được kiểm soát tốt. Nó xảy ra quá thường xuyên khi các đốm màu tương ứng với mọi người không bị phát hiện vì chúng không di chuyển hoặc chúng quá nhỏ, vì vậy chúng bị xóa do xói mòn hoặc bởi một số tiêu chí ngưỡng (và tin tôi, bạn không muốn vào " điều chỉnh ngưỡng cho đến khi mọi thứ hoạt động "bẫy. Nó không hoạt động;)). Nó cũng có thể xảy ra rằng một đốm màu tương ứng với hai người đi cùng nhau, hoặc một người mang theo một số hành lý. Hoặc một con chó. Vì vậy, đừng đưa ra những giả định thông minh về các đốm màu.
May mắn thay, vì bạn đã đề cập rằng bạn đang sử dụng LBP để phát hiện người , tôi nghĩ rằng bạn đang đi đúng hướng về việc không phạm sai lầm trong đoạn văn trên. Mặc dù vậy, tôi không thể nhận xét về hiệu quả của LBP. Tôi cũng đã đọc rằng HOG (biểu đồ độ dốc) là một trạng thái của phương pháp nghệ thuật trong phát hiện con người, xem Biểu đồ của độ dốc định hướng để phát hiện con người .
Gripe cuối cùng của tôi có liên quan đến việc sử dụng Camshift . Nó dựa trên biểu đồ màu, do đó, bản thân nó hoạt động độc đáo khi theo dõi một đối tượng dễ phân biệt bằng màu sắc, miễn là cửa sổ theo dõi đủ lớn và không có sự thay đổi hoặc thay đổi đột ngột. Nhưng ngay khi bạn phải theo dõi nhiều mục tiêu có thể có các mô tả màu rất giống nhau và chúng sẽ di chuyển rất gần nhau, bạn không thể làm gì nếu không có thuật toán cho phép bạn duy trì nhiều giả thuyết. Đây có thể là bộ lọc hạt hoặc khung như MCMCDA (Hiệp hội dữ liệu Monteov Chain Monte Carlo, xem Hiệp hội dữ liệu Monte Carlo chuỗi Markov để theo dõi nhiều mục tiêu). Kinh nghiệm của tôi khi sử dụng Meanshift một mình khi theo dõi nhiều đối tượng là tất cả những gì không nên xảy ra với theo dõi: mất dấu vết, mục tiêu khó hiểu, sửa lỗi trong nền, v.v. Đọc một chút về nhiều vấn đề theo dõi đối tượng và liên kết dữ liệu, điều này có thể nằm ở Rốt cuộc, việc đếm nhiều người (tôi nói "có thể là" vì mục tiêu của bạn là không theo dõi, vì vậy tôi không loại bỏ hoàn toàn khả năng của một cách tiếp cận thông minh nào đó mà không theo dõi ...)
Lời khuyên cuối cùng của tôi là: chỉ có rất nhiều thứ bạn có thể làm với một cách tiếp cận nhất định và bạn sẽ cần những thứ dễ thương hơn để đạt được hiệu suất tốt hơn (vì vậy tôi không đồng ý với user36624 về vấn đề này). Điều này có thể ngụ ý thay đổi một phần thuật toán của bạn bằng thứ gì đó mạnh hơn hoặc thay đổi hoàn toàn kiến trúc. Tất nhiên, bạn phải biết những thứ ưa thích thực sự hữu ích cho bạn. Có những ấn phẩm cố gắng giải quyết vấn đề theo nguyên tắc, trong khi những ấn phẩm khác chỉ đơn giản là đưa ra thuật toán cho một tập dữ liệu nhất định và mong bạn huấn luyện một trình phân loại không thực sự phù hợp với vấn đề, trong khi yêu cầu bạn phải điều chỉnh một vài ngưỡng quá. Người đếm lànghiên cứu đang diễn ra, vì vậy đừng hy vọng mọi thứ sẽ đến một cách dễ dàng. Hãy nỗ lực để học những thứ hơi vượt quá khả năng của bạn, và sau đó làm đi làm lại ...
Tôi thừa nhận rằng tôi đã không đưa ra bất kỳ giải pháp nào và thay vào đó chỉ chỉ ra những sai sót trong cách tiếp cận của bạn (tất cả đều xuất phát từ kinh nghiệm của riêng tôi). Để có cảm hứng, tôi khuyên bạn nên đọc một số nghiên cứu gần đây, ví dụ Theo dõi đa mục tiêu ổn định trong Video giám sát thời gian thực . Chúc may mắn!