8
2008_CVPR_Best Paper_Beyond Sliding Windows: Object Localization by Efficient Subwindow Search.pdf
BeyondSliding Windows: Object Localization EfficientSubwindow SearchChristoph LampertMatthew Blaschko
7
15. Counting crowded moving objects(CVPR 2006).pdf
 出处/时间:CVPR 2006
 适用环境:复杂的拥堵环境(同一类对象,例如:人,动物)
 特征/算法:聚类一系列分散的被跟踪特征点,利用一种高度并行的KLT跟踪方法,得到特征轨迹。然后,提出一种调节算法平滑和扩展原始特征轨迹的方法,产生条件轨迹。最后利用局部的刚性制约因素和一个简单的对象模型(标记着真实的对象计数),聚类条件特征成候选对象。
 1.1. 特征点计算[18]
 1.2. 提高效率
 窗口面积的倒数作为计算运动参数的权重
 最优化窗口选择
 1.3. 特征重现
 由于对象之间的遮挡、自身的遮挡、对象消失和景深问题引起的对象特征改变,我们需要重新计算某些区域的特征。然而因为计算量的原因,我们不可能计算所有的空洞。基于空洞中心到最近的特征轨迹的距离产生一个权重,The frame at which we should respawn features is simply the weighted average of the times at which the centers are located.
 2. 我们认为尽管各个特征是相互独立的,但是空间上临近的特征是相互影响的。因此,利用完整特征,在时间和空间域延伸轨迹碎片(平均box内的所有特征点轨迹,初始化其他特征点轨迹(the conditioned trajectories)。Figure 3)
 3. 聚类特征点轨迹得到对象数量
 对象的统计要在一个时间段内去做,以t为中心的时间段[t-n, t+n]。在t时刻所有特征点形成一连通图G,他的边缘可能标识了一个对象。问题就是怎样实现G的分割?
 3.1 连通图G
 a、得到覆盖对象(所有特征点)的最小bounding box(w, h);
 b、定义每个对象衔接因子的计算方法;
 c、确定两个特征是否属于一个对象的三个条件(公式3)。
 3.2 基于随机抽样一致性算法的合并
 一特征在一段时间内属于刚体运动的条件:公式(4);鉴于噪音的影响,满足公式(5)即可。时间轴上的特征点的一致性,跟踪。
7
Pedestrian detection using wavelet templates(CVPR 1997).pdf
Authorizedlicensed use limited IEEEXplore. Downloaded April26, 2009 21:48from IEEE Xplore. Restricti
8
Bayesian Human Segmentation in Crowded Situations(CVPR 2003).pdf
BayesianHuman Segmentation CrowdedSituationsTao Zhao Ram NevatiaUniversity SouthernCaliforniaInstitu
8
CVPR-2010】Sparse representation using nonnegative curds and whey.pdf
SparseRepresentation using Nonnegative Curds WheyYananLiu, Fei Wu, Zhihua Zhang, Yueting ZhuangColle
8
histograms of oriented gradients for human detection (CVPR 2005).pdf
OrientedGradients HumanDetectionNavneet Dalal BillTriggsINRIA Rhˆ one-Alps, 655 avenue de l’Europe,
7
03. Counting People without People Models or Tracking(CVPR 2008).pdf
 出处/时间:CVPR 2008
 适用环境:远景,运动物体视为刚体。运动方向相对稳定
 特征/算法:extract an additional 28 features to model these linearities and non-linearities with the number of people per segment
块特征:面积、周长、边界方向直方图、边界/面积比例
块内部边界特征:所有边界像素个数和、边界方向直方图、Minkowski dimension(see [21] for more details)
纹理特征:描述很简单[16]
 前景背景模型/算法:mixture of dynamic textures motion model
 合离/算法:
 跟踪/算法:
 分割/算法:mixture of dynamic textures motion model
 统计/算法:Gaussian Process regression 在between features and the number of people per segment之间建立映射关系(线性、非线性关系)
 景深:Perspective map:通过视觉建立weight计算模型(相对位置与weight之间的关系)
8
CVPR_Visual Tracking via Weakly Supervised Learning from Multiple Imperfect Oracles.pdf
AbstractLong-term persistent tracking ever-changingenvironments challengingtask, which often require
8
Stein_Object_Partitioning_using_2014_CVPR_paper.pdf
ObjectPartitioning using Local ConvexitySimon Christoph Stein, Markus Schoeler, Jeremie Papon orgott
8
22. Segmentation and tracking of multiple humans in complex situations(CVPR 2001).pdf
 出处/时间:CVPR 2001
 适用环境:
 特征/算法:2. 背景差提取前景块(连通区域),然后使用一种“假设并验证”的方法在前景块中检测人。
 假设:边缘分析(查找头部);形状分析(查找未经处理的大块的前景像素区域)。
 使用Kalman Filter 对人进行跟踪(3D模型:将2D点映射到3D点,并且形成3D运动轨迹)
 验证:检验假设是否展示出人的步行模型(如何建模的?)
 前景背景模型/算法:
 3. 检测人
 3.1 背景模型:高斯背景模型[11][13],前景处理:形态学处理,合并比较近的块,防止一个对象被分割成多块Blobs;
 3.2 场景模型和标定:2D图像映射到3D场景[14];利用太阳光的方向计算影子的位置。
 3.3 通过形状分析得到假设人形:人头(如果边缘上的一点,在一定的范围内是一个顶点的话,则认为是一个候选人头),删除在候选人头点下边没有有效的前景点的候选人头。然后对所有候选人头点在竖直方向查找其所在的块的高度,如果在人的高度范围内,则认为该对象为人(如果大于最大高度,则选取平均高度作为人体,如果小于最小高度,则选用最小高度作为人体)。高度作为人体模型的长轴,平均人体的高宽比作为椭圆的宽度;然后,前景减去已经检测出的人,以及人对应的影子,重复上述过程,直到没有候选人为止。
 4. 三维模型中跟踪人体:四种情况,a. 完全匹配上,则继承上一帧的归属情况;b. 自身的Blob和其他的Blob合并,则几个对象分享共同的Blob(合并后的);c. 自身的Blob分离成几块,则对象匹配最近的Blob作为自己的;d. 自身的Blob消失,则去匹配距离最近的Blob。

向豆丁求助:有没有cvpr?

如要投诉违规内容,请联系我们按需举报;如要提出意见建议,请到社区论坛发帖反馈。